该论文关注 AI 编程助手大规模进入软件开发生命周期后带来的安全风险,但指出当前研究存在明显偏向: 大量工作聚焦于「AI 生成代码中是否存在漏洞」这一检测问题,而缺乏对漏洞严重性、任务语境与整体风险水平的系统化评估方法。为填补这一空白,作者提出安全风险评估框架 SRF(Security Risk Assessment Framework)。SRF 在方法论上由三部分构成: 第一,威胁建模,用于在评估前明确资产、信任边界与潜在攻击面; 第二,安全分析,借助静态分析工具对生成代码进行扫描; 第三,基于漏洞严重性(criticality)的定量风险评估,把检测结果映射为可比较的风险等级,从而避免只给出「有/无漏洞」的二元结论。实验设计上,作者选取一组与安全相关的编程任务作为基准,覆盖输入处理、文件处理等不同类别,并让多个主流 AI 开发工具分别生成实现代码,统一使用 Bandit 与 Semgrep 进行静态分析。结果显示: 所有被评估的 AI 工具生成的代码均会引入安全漏洞,说明这并非个别产品的问题,而是当前生成式编码范式的共性风险;风险等级随任务类型显著变化,输入处理与文件处理类任务的风险明显更高,而较简单的任务仍维持在低风险区间;不同工具之间存在差异,但工具间差异小于任务类别之间的差异,提示「任务语境」比「工具品牌」更能解释风险高低。作者据此认为,SRF 提供了可复现的评估流程与实用框架,可帮助组织在采纳 AI 编码工具时量化其安全影响。适合关注 AI 辅助开发治理的安全团队、DevSecOps/SSDLC 工程师、代码审计人员以及 AI 合规与风险管理岗位阅读。由于仅依据摘要,具体的任务清单、提示词设置、样本量与统计细节无法确认。

该论文针对密码学安全强度报告方式的一个根本性缺陷展开研究：标准化机构（如 NIST）通常用单一比特数表示某个密码方案的安全强度，但这一数值本质上依赖于评估者所采用的攻击者成本模型——即对时间、内存与量子资源如何定价。不同的定价约定会导致同一组密码方案出现不同的安全排序，进而影响算法选型与合规判断。作者提出 GAUGE 框架，把安全强度重新定义为「在可允许成本模型集合上的函数」，称为安全档（security profile）。在此基础上，方案之间的比较从「比一个数」变成「比一条曲线／一个函数」，排序反转（ranking reversal）也从测量误差转变为一个可被显式刻画的结构性质。论文将定价泛函形式化在攻击者成本模型构成的一个锥（cone）上，证明安全档具有分段线性与凹性，并给出一个「评级三难困境」（rating trilemma）：当两条安全档相交时，不存在任何一种评级方式能够同时满足三点——忠实反映底层真实成本、在所有可比方案对上给出全序、以及独立于所选成本模型。为解决可判定性问题，作者给出一个多项式时间的线性规划流程，可对任意两个方案给出结论：排序稳健、在可允许模型下发生反转、或真正不可比较。框架还扩展出一个双层风险度量，把随机性的密码分析进展（cryptanalytic decay）与对适当成本模型本身的不确定性结合在一起。评估对象包括 NIST 后量子标准、经典锚定算法，以及一份跨越 25 年的密码分析突破年表。分析结果包括：内存定价仅偏移 4-5% 即可认证 ML-KEM-512 与 AES-128 之间的排序反转；在八年窗口内测得格筛（lattice sieving）成本漂移为每年 9.79 比特；X25519 + ML-KEM-768 混合握手在约 2.3 KB 通信开销下将联合被攻破概率降低约二十倍。作者称其实验工件可在七秒内复现全部表格与图。整体上，GAUGE 为在互相竞争的成本模型下报告密码安全强度提供了一个显式、可审计的度量框架，适合密码标准化、密码敏捷性规划、合规评级与后量子迁移决策等场景的读者。

该论文聚焦工业物联网（IIoT）中传感器节点的安全关键性评估问题。IIoT 传感器依赖实时数据调控生产流程，一旦遭受网络攻击，可能同时损害数据可靠性与产品质量。既有研究要么仅从网络安全漏洞与攻击影响角度对节点排序，要么仅依据传感器数据对产品质量的影响评估节点关键性，缺乏将“数据关键性”与“安全脆弱性”统一量化的综合方法。为此，作者提出一种新框架，采用 Dempster–Shafer（D-S）证据理论融合两类异源证据：一是基于传感器数据对产品质量影响的数据关键性度量，二是基于 CVSS 的网络安全漏洞评分，从而输出综合的关键性排名。研究使用红葡萄酒生产数据集进行验证，表明该框架可有效对传感器节点排序。实验结果指出：分别采用 CVSS 4.0 与 CVSS 3.1 计算漏洞分数时，所得关键性排名存在显著差异，说明漏洞评估方法版本升级会实质性改变风险优先级。虽然案例来自葡萄酒制造，但框架只需少量修改即可迁移至更广泛的工业场景，为 IIoT 生产系统的安全加固与资源分配提供了可操作的风险排序思路。适合关注 OT/ICS 安全、资产关键性建模与风险评估的研究者与安全工程师阅读。

本文针对分布式数据处理场景中因服务提供商组合而引发的隐私风险问题展开研究。具体而言，当多个合作的服务提供商共同处理个人数据时，即使每个提供商单独进行的数据保护影响评估（DPIA）均未发现风险，组合后的整体仍可能产生新的隐私风险。文章举例说明：不同数据处理者可能不知情地依赖同一家云服务提供商，导致该云服务商能够将来自不同来源的个人数据进行关联（linkability），从而产生非预期的隐私泄露。这类组合性风险超出了单个风险评估的范围，因此容易被传统DPIA流程遗漏。针对这一问题，作者首先进行了问题定义和需求分析，明确了组合风险识别所需的功能与约束。在此基础上，提出了一种新颖的协议，用于检测和管理此类组合性隐私风险。该协议能够识别潜在的组合风险候选者，并将相关信息整合到包含多个数据处理者的服务组合的数据保护影响评估结果中，从而提升评估的完备性和准确性。论文的主要贡献在于：首次系统性地定义了服务组合中的隐私组合风险问题，并给出了可操作的协议设计思路，为分布式隐私合规评估提供了理论和方法支撑。适合隐私保护研究人员、数据保护官（DPO）、云服务合规工程师以及隐私影响评估工具开发者阅读。由于当前仅基于论文摘要，具体协议细节和实验验证效果需进一步查阅原文。

本文提出了一种基于场景的评估框架，用于分析量子计算及人工智能加速对 TLS 1.3 密码依赖构成的潜在风险。作者将威胁划分为不同的证据层级：基于机制支持的威胁（如 Shor 算法对 RSA 和 ECC 的攻击）、基于偶然性支持的威胁（针对基于格的后量子密码，如 ML-KEM、ML-DSA）、以及仅基于假设的风险（针对哈希基和对称原语）。论文明确表示，目前未发现任何针对 ML-KEM、ML-DSA、SLH-DSA 或 AES-256 的已知破解方法，并强调其研究并非宣称这些算法已被攻破。核心方法是构建一个四场景能力模型，每个场景包含显式参数和伪代码，用于压力测试迁移时间线，同时进行参数敏感性分析和可证伪性分析。该模型的主要方法论贡献在于其可复现的场景估计工具和显式更新机制：每个参数都是命名且锚定的量，可独立调整并重新运行模型；同时定义了一套协议，将观测到的数据与模型曲线的符合或偏离映射到特定参数的修订上，从而允许根据历史积累数据逐步优化模型。论文定位为量子资源估算研究和专家启发时间调查（如全球风险研究所的量子威胁报告）的方法论补充，并明确给出了修正规则。截至 2026 年年中，模型显示没有任何 NIST 批准的算法被攻破；但在不同场景下，RSA 的风险在 2030-2032 年间跨过 50% 阈值，而 PQC 风险在 2032-2035 年后在偶然性场景下变为非零风险（条件依赖于未经证实的维度坍缩假设）。作者强烈建议按照 2030 和 2031 的联邦截止日期以及 Mosca 的 HNDL 推理强制进行 PQC 迁移，并认为加密敏捷性和混合加密部署是任何 PQC 迁移工作的必要补充。该文适合关注后量子密码迁移战略、TLS 1.3 安全性、以及风险评估方法论的密码学家、安全架构师和政策制定者阅读。

该论文针对卫星安全风险评估中威胁具有时间动态性而现有框架通常将其视为静态的问题，提出了一种将时间作为显式维度纳入卫星安全分析的时间风险评估框架。核心问题在于，卫星的漏洞、暴露面以及利用后果会随着轨道变化、电力余量下降和空间环境恶化而改变，同一个攻击手段在关键机动操作期间可能比常规运行阶段造成更大的破坏。方法上，论文在现有对手行为分类学的基础上扩展出一个五维的时间能力模型，用于刻画攻击者在不同时间窗口下的能力变化，并针对卫星任务的不同时间阶段估计漏洞利用难度。该框架不再只输出单一的风险评分，而是生成一系列按时间索引的似然-影响矩阵，通过将任务分解为具有操作意义的时间窗口和环境带，直观呈现系统在哪些时段暴露程度最高。作者认为这一视图可帮助卫星运营商避免在高层级风险时段安排敏感操作，并动态调整防御资源以匹配随时间演变的威胁态势。主要贡献包括形式化时间风险分析框架、维度扩展和可视化输出方式。该研究适合卫星安全工程师、任务规划人员及网络安全风险分析师阅读。

本文针对去中心化金融（DeFi）中频繁发生的预言机价格操纵攻击，系统性地研究了攻击模式、漏洞类型、风险评估、自动检测与防御策略。作者基于预言机生命周期理论，构建了一个覆盖物理层、协议层和应用层的三层攻击树，用于分析攻击链，并识别出数据选举阶段是关键入侵点。研究总结了四类主要的合约级漏洞：价格数据流验证不足、预言机调用风险、跨合约调用不受控、AMM价格读取逻辑缺陷。在风险评估方面，结合模糊层次分析法（Fuzzy-AHP）和风险价值（VaR）模型量化风险因素，构建涵盖技术、市场、治理和合约风险的风险矩阵。同时，基于扩展的Slither框架开发了自动化检测工具，采用污点跟踪和模式匹配技术。防御方面，提出了多层防御策略，包括数据源层的可信执行环境、智能合约层的TWAP平滑和自适应断路器，以及操作系统层的内核网络配置优化。实验表明，该方法能将攻击导致的价格偏差从55.56%降低到5%以下；检测工具准确率达94.38%，召回率92.31%，优于现有开源工具。本文适合DeFi安全研究者、智能合约审计人员以及区块链安全工程师阅读。

本文提出了一种名为 PECR（Predictive Exposure and Cryptographic Readiness，预测性暴露与密码就绪性）的决策支持方法，用于软件定义广域网（SD-WAN）环境中的漏洞优先级排序。传统 CVSS 等严重性评分机制仅关注漏洞本身，而未考虑资产的实际暴露程度、威胁情报或证据质量，导致修复队列无法真实反映当前风险。PECR 将九个归一化因子（包括严重性、威胁、可达性和后果）综合为一个评分模型，并单独报告置信区间和分数区间；同时，密码相关依赖项被放入独立的迁移队列，以应对加密机制升级等场景。评估使用了 100 条按角色和区域条件生成的合成漏洞资产记录，对应 62 个角色一致的资产，并进行了 30 次独立生成器复制。结果表明，与 PECR 排序相比，仅依赖 CVSS、EPSS、KEV 优先以及 CVSS×EPSS 的排序 Kendall τ 值分别为 0.196、0.221、0.301 和 0.234，而包含五个因素的简化上下文比较器的 τ 为 0.755。在 30,000 次联合 Dirichlet 权重抽取中，宽、中、窄扰动下的中位 τ 分别为 0.836、0.893 和 0.924。当掩盖 10% 的因子单元时，有 47 条记录被标记为证据有限，因为它们的置信区间跨越了决策边界。该研究建立了可执行的规范、合成队列差异化验证和压力测试鲁棒性，但未使用真实结果标签，因此不能证明预测准确性、避免损失或生产环境有效性。适合安全运营团队、漏洞管理研究者以及 SD-WAN 架构设计者阅读，以参考如何将上下文信息融入优先级决策。

本文综述了人工智能系统风险识别、分析与管理的系统性方法论。首先，梳理了全球范围内推动AI风险评估需求的监管格局，包括欧盟《人工智能法案》等基于风险的监管框架。其次，系统分类了文献中识别的AI相关风险谱系，涵盖从技术故障（如模型鲁棒性不足、数据泄露）到伦理与社会影响（如歧视、隐私侵犯、可解释性缺失）的多种维度。随后，重点回顾了面向AI系统的主流风险评估方法论，聚焦于通用框架（如NIST AI风险管理框架、ISO/IEC 42001等），分析了各框架的核心步骤、适用场景及优缺点。论文指出了当前AI风险评估中的最佳实践，例如分层评估、持续监控与多方利益相关者参与，同时揭示了方法论缺口（例如动态风险适应、因果关系量化、人机协作场景的特殊评估需求）。最后提出了未来研究方向，包括风险指标的标准化、跨领域迁移能力、以及与大模型风险特性匹配的评估技术。本文适合AI安全工程师、风险合规人员、政策制定者及研究人员阅读，以系统理解AI风险评估的现状与挑战。

本文针对物联网（IoT）环境中的网络安全量化评估难题，提出了一种数据驱动的概率安全框架。传统攻击树分析（ATA）通常依赖专家判断或启发式评分，主观性强且可重复性差。该框架融合了基于模型的系统工程（MBSE）、攻击树分析以及经验漏洞数据，具体步骤包括：首先使用SysML模型捕获系统架构，并从中导出攻击树；然后将漏洞映射为基本攻击步骤，并利用漏洞预测评分系统（EPSS）分配利用概率；接着将攻击树转化为贝叶斯网络，实现概率推理、诊断推断和漏洞关键性分析。该框架能够量化系统被攻破的概率、识别攻击可能的原因，并优先制定缓解策略。通过在智能建筑案例研究中进行评估，结果表明该框架能够有效支持复杂IoT系统的安全评估，提供严谨、可重复的风险分析途径。论文主要贡献包括：(1) 提出一种集成MBSE、ATA、EPSS和贝叶斯网络的数据驱动框架；(2) 利用实际漏洞情报替代主观概率赋值；(3) 支持概率推理和诊断分析；(4) 通过案例验证了框架的可行性和有效性。适合从事IoT安全、风险评估、系统安全工程的研究人员及从业者阅读。

本文针对量子计算机对当前广泛使用的密码算法构成的威胁展开研究。量子计算机凭借其实现新型密码分析的能力，可能在未来十年内对现有加密体系造成颠覆性影响，且由于“先收集后解密”的攻击行为模式，当前即需采取缓解措施。尽管近年来密码学与安全架构的进步为设计能够抵御量子密码分析的系统提供了可能，但关于如何推导此类系统的容差量仍存在文献空白。本文提出了“旋转时间”（rotation time）这一概念，用以量化密码敏捷性（crypto agility），并推导出旋转时间容差与安全风险容差之间的近似关系。作者利用历史CVE数据计算了旋转时间容差的示例值，发现其量级约为数小时至数天。研究表明，将密码敏捷性与混合加密相结合是设计抗量子系统的有效途径，但为满足组织的风险容差，可能需要面对具有挑战性的技术和运维容差。该工作填补了抗量子系统设计中容差量化方法的空白，为安全架构师和策略制定者提供了实用的度量工具。

直播已成为社交互动和数字商务的主要媒介，但也面临日益复杂的风险。一个根本性挑战是战术型分布外（OOD）偏移：恶意行为者保持其稳定底层意图（如欺诈），但不断重新设计叙事包装（如话术、场景）以逃避检测。现有OOD泛化范式假设难以满足，因为意图与战术的紧密耦合以及原始层面反事实的难以定义。本文从潜在因果视角出发，提出潜在预测反事实解耦（LPCD）框架，一种即插即用的鲁棒直播风险评估方案。LPCD在潜在层面建模意图和叙事变化，通过强制潜在反事实一致性，将风险预测锚定在因果稳定的恶意意图上，从而在对抗性战术重包装下实现反事实推理。推理时，LPCD采用轻量级、无参数的校准进一步缓解战术引起的分布偏移。在大规模工业数据集和在线生产流量上的广泛实验表明，LPCD持续优于最先进基准，验证了其在实时直播中调控演化对抗风险的有效性。项目页面提供详细信息。

本文研究大型语言模型（LLMs）在网络安全风险评估中的可靠性，采用CIS控制为基础的方法。研究背景是：组织面临网络安全人员短缺和威胁不断演变的挑战，LLMs被视为潜在辅助工具，但其可能生成不可靠或幻觉内容导致错误决策。核心问题是：LLMs在风险评估中是否可靠，能否替代人类专家？方法上，作者设计了包含多个风险场景的问卷，收集了50名人类专家的响应，并与五个主流LLM（如GPT-4等）的答案进行对比。通过统计分析，发现LLMs与人类专家在风险评分上存在显著差异，且LLMs总体倾向于低估风险。实验结果表明，LLMs无法完全替代人类进行风险评估，必须保留人类监督环节。主要贡献是：定量揭示了LLM在风险感知上的系统性偏差，并强调了人机协同的必要性——LLM应作为辅助工具而非独立评估者。该研究适合安全分析师、风险管理者和AI应用开发者阅读，用以指导LLM在安全评估中的谨慎使用。

本文针对机构级去中心化金融（DeFi）协议缺乏统一风险量化评估框架的问题，提出一个九维度风险评估框架。现有方法或聚焦于协议层面的参数优化，或停留在概念性分类，未能提供可解释、可组合感知且结构独立的评估方法论。作者在穆迪分析和Gauntlet公司提出的六维度分类基础上，新增三个核心维度：组合风险（composability risk）、理解债务（comprehension debt）和时间风险动态（temporal risk dynamics），并引入透明度置信度修正因子，将评估可靠性与风险严重性分离。该框架基于覆盖超过8000个DeFi协议的本体论基础设施，通过结构化分析协议依赖关系建立。作者对2024-2026年间12起重大DeFi相关事件（造成约25亿美元直接损失）进行回溯分析，发现其中5起（包括数据集内影响最大的两起）必须借助至少一个新维度才能完整解释根因。本文贡献在于提供了一个可落地、可扩展的风险评估框架，特别适用于机构级DeFi投资决策、审计和监管合规场景。研究适合DeFi安全研究员、协议开发者、风险管理人员及监管机构阅读。