本文提出并评估了一种名为二进制与系统集成安全分析（BSISA）的方法，用于分析QUIC协议实现的安全性。传统QUIC安全分析仅关注捕获的网络流量，而忽略了编译后二进制代码中的防御机制是否真正存在且在攻击时生效。BSISA将二元级分析（分析编译后的QUIC服务器二进制文件）与系统级分析（分析捕获的网络流量）相结合，在四个生产级QUIC服务器实现（如picoquic、quiche等）上，针对六种攻击场景（如Slowloris、连接ID耗尽等）进行了测试。总共24个测试单元（4个实现×6种攻击）中，只有组合分类器（BSISA）在每个攻击场景中至少正确分类了一个单元，总体准确率达45.8%，高于单独二进制分析（37.5%）和单独系统级分析（25.0%）。BSISA还能识别出编译二进制中负责吸收攻击的具体防御函数，并标记出“声明但沉默的防御”——即代码中存在但攻击时从未执行的防御例程（例如，四个实现中有三个的Retry-token验证、quiche中的抗放大机制），这类发现仅靠网络抓包无法获得。在效率方面，picoquic在Slowloris和连接ID耗尽攻击下分别丢失72.4%和73.3%的合法客户端连接，而其他三个实现将失败率控制在0.5%以下。本文的核心贡献在于提出了一种混合方法，能够更全面地评估QUIC实现的实际安全性，弥补了纯网络流量分析的不足，并为IoT固件中QUIC部署的安全评估提供了新工具。读者包括QUIC协议安全研究人员、IoT固件开发者和网络安全评估工程师。

该论文提出了SADBench，一个系统性的基准测试框架，旨在统一评估图像隐写攻击与隐写分析防御的能力。研究背景指出，图像隐写虽广泛用于隐私保护和隐蔽通信，但也可能被对手滥用作隐蔽通道，以绕过内容审核、传播有害语义，甚至在图像中隐藏恶意指令以诱导大模型产生危险输出。针对当前缺乏统一评估框架的问题，SADBench设计了4个核心任务：隐写攻击能力评估、隐写分析防御能力评估、效率评估和可迁移性评估。它同时评估了图像载荷和文本载荷隐写，涵盖多种封面分布，并利用有害视觉语义和有毒指令模拟恶意攻击。通过在大量攻击和检测器上的实验，SADBench揭示了以下关键发现：(i) INN（可逆神经网络）和基于自编码器的方法在稳定性上优于其他架构；(ii) 域内检测近乎完美且成本低于生成；(iii) 存在关键的可迁移性不对称性，即攻击能够稳健地泛化到新分布，而检测器无法适应；(iv) 现实世界威胁在社交媒体上持续存在，载荷要么在最小压缩下存活，要么通过模拟训练有效适应强压缩。总体而言，SADBench建立了一个可系统化、可复现、可扩展的框架来量化风险，为可测量且以安全为导向的隐写防御进步铺平道路。