Autonomous Active Directory Exploitation via Multi-Model Harness Orchestration: A Benchmark Study with NeuroSploit on GOAD
该论文聚焦 Active Directory（AD）这一企业身份与访问管理核心基础设施，评估大语言模型（LLM）在自主渗透测试中的可行性与可靠性。作者指出，既有研究虽已证明 LLM 可自主完成“假定失陷”条件下的 AD 渗透，但普遍使用孤立
#red-team
共收录 11 条相关情报。
← 返回所有主题No One Architecture Fits All: A Cross-Environment Evaluation of Hierarchical Red Team Agents
该论文针对自主红队智能体（autonomous red team agents）研究中的一个方法论盲区展开：现有工作常把强化学习（RL）规划器与大型语言模型（LLM）规划器以混合分层的方式组合，用于对 AI 赋能的网络防御进行多阶段压力测试
CyberPersistBench: Evaluating LLM-Based Cyber Attackers on Installation and Persistence
本文关注 LLM 驱动攻击者在大模型安全评测中的一个明显盲区：持久化能力。现有主流网络安全基准大多采用「单阶段」设计，一旦完成初始访问（initial access）即终止评测，因此在服务重启、主机重启等运维扰动下是否还能保住据点，从未被系
Pick Your Poison: Learning to Select Poison Sets for Stronger LLM Backdoor Attacks
该论文聚焦大语言模型微调阶段的后门数据投毒评估方法学。传统后门研究通常固定投毒样本数量，再从候选数据池中随机抽取投毒集合，并据此估计模型的最坏情况脆弱性。作者指出这种做法会严重低估真实风险：在三个基于 LLaMA-3-8B 的后门实验设置中
PrivEscalate: Measuring and Augmenting the Threat of LLM-Automated Linux Privilege Escalation
该论文关注一个被低估的攻防测量问题：随着 LLM 智能体被越来越多地用于自动化攻击链的后渗透环节，它们在复杂本地提权任务中的实际能力究竟如何，此前缺乏可执行验证下的大规模量化证据。作者指出，已有针对 Linux 提权任务的评测普遍存在样本量
Structural Jailbreaks Generalize but Do Not Compound: A cross-provider and multilingual study of Involuntary In-Context Learning
该研究旨在验证两种独立 LLM 安全削弱因素是否会相互叠加：一是结构化对抗性提示 Jailbreak 类——称为“非自愿上下文学习”（Involuntary In-Context Learning, IICL），即把有害请求包装成一个由模式
ACEA: An Adversarial Co-Evolution Arena for Head-to-Head Red-Team and Blue-Team LLM Testing
大型语言模型（LLM）的自动化红队攻击与蓝队防御技术正在快速发展，但现有的攻击者和防御者通常被孤立地构建和测试，导致评测分数难以反映真实对抗能力。为解决这一问题，本文提出了 ACEA（Adversarial Co-Evolution Are
Incalmo: an Autonomous Llm-Assisted System for Red Teaming Multi-Host Networks.
本文针对企业级多主机网络红队测试中依赖人工专家、成本高昂且难以扩展的问题，提出利用大语言模型（LLM）自动化执行红队演练。作者首先系统评估了现有最先进的LLM辅助攻击系统（如PentestGPT、CyberSecEval3）结合顶级LLM（
COMA: A Compositional Misleading Attack Class on Security-RAG, and a Causal Counterfactual Defense
该论文研究检索增强生成（RAG）在安全运营中心（SOC）分析师面向上机助手（copilot）场景中的安全漏洞。作者发现并定义了一类名为 COMA（Compositional Misleading Attack）的攻击：即使每个检索到的文档都
AI Security Leaderboard: Methodology, Results and Minimal Standard
本文提出了 FAR.AI 人工智能安全基准（AI Security Leaderboard）的首个版本，并详细介绍了其方法论、结果与最低标准（Minimal Standard for Safeguards, Version 1.0）。研究背
Proteus: A Self-Evolving Red Team for Agent Skill Ecosystems
该论文关注LLM agent技能生态系统的安全风险。随着用户从市场、仓库等渠道安装第三方技能，技能既包含可执行代码又包含上下文文档，其部署风险无法通过单次审计或提示级红队评估充分衡量。作者定义了一种名为“自适应泄漏”的风险：攻击者可以利用审