本论文是一篇元科学（metascience）角度的经验论文，旨在审视安全与隐私研究社区内部存在的结构性错位现象。作者通过分析该领域的研究实践、出版文化、评审机制等，揭示了社区在认知目标、方法论严谨性、实际技术影响之间可能存在的根本性不匹配。论文采用混合方法，包括对现有文献的批判性回顾、对典型研究案例的剖析，以及对社区成员实践（如实验设计、数据共享、结果复现）的观察。主要贡献在于系统性地识别出导致研究可重复性危机、实际防护效果有限、以及理论与实践脱节的制度性因素，并提出了社区层面调整研究范式和文化规范的初步建议。该研究适合安全研究人员、学术倡导者、期刊编辑以及政策制定者阅读，有助于反思当前安全研究的质量与方向。

本文提出LogCraft，一种面向CVE感知的合成日志数据生成方法。研究背景是安全分析依赖高质量日志数据，但真实日志难以获取且标注昂贵。核心问题是如何生成既符合现实分布又包含已知漏洞（CVE）信息的合成日志，以支持入侵检测、日志分析等安全任务。方法上，LogCraft利用CVE数据库中的漏洞描述，结合日志模板和领域知识，通过生成对抗网络或规则引擎创建多样化的日志样本，并确保生成的日志包含真实的攻击特征与背景流量。主要贡献包括：1）提出一种融合CVE信息的日志生成框架；2）设计评估指标验证合成日志的真实性和有效性；3）在多个安全数据集上实验，证明生成的日志可用于训练检测模型并提升其鲁棒性。本文适合安全研究人员、蓝队分析师及数据科学家阅读，尤其对需要构建日志驱动检测系统的团队有参考价值。

本文研究在5G O-RAN（开放无线接入网）架构下，通过融合分布式单元（DU）的无线遥测数据和集中式单元（CU）的网络流记录进行跨层入侵检测。O-RAN的解耦特性使得这种多模态数据融合成为可能，但现有研究多聚焦单一模态。作者在真实5G O-RAN数据集上，使用10个随机种子、运行不重叠的分割方式，评估了7种不同架构（包括GRU、Transformer等）下融合检测相对于单一模态的性能。实验发现：无线射频特征在ROC-AUC和运行级检测率上普遍优于或至少不逊于网络流特征；融合仅在特定架构下（GRU和Transformer）在1%假阳性率时提升检测率，而对其他5种模型反而降低。融合收益仅局限于两种单一模态检测率均低于0.75的场景。更严重的是，在所有42种配置（架构、模态、窗口时长组合）中，拒绝服务（DoS）攻击被误判为正常流量的比例高达27%至46%，这表明限制来自窗口化统计聚合方法本身而非模型容量。代码已公开。本文结论对O-RAN安全检测系统设计有重要指导意义，指出单纯增加数据源融合未必能提升检测效果，需要针对特定架构和场景谨慎评估。

该论文系统性地研究了基于大语言模型（LLM）的智能体中的内存中毒攻击。内存作为智能体核心组件，允许其在多次交互中积累知识以提升性能，但同时也引入了风险：一次对抗性内存写入即可长期影响智能体行为。作者首先识别了四种内存写入通道（如用户输入、工具调用输出、系统提示修改、外部数据源），并分析了模型能力、系统提示设计以及智能体系统架构中存在的九种结构性漏洞，这些漏洞使得上述通道可被利用。基于这些漏洞，论文提出了包含六类内存中毒攻击的分类法，包括直接注入、间接注入、持久化污染、检索操纵、上下文污染和混合攻击。此外，作者设计了MPBench基准测试框架，用于评估内存中毒攻击的效果，实验表明更激进地写入和检索内存的智能体更容易被利用。研究还发现现有提示注入防御手段无法覆盖内存中毒攻击。该工作为理解和防御AI智能体中的内存中毒攻击奠定了基础，适合安全研究员和AI系统开发人员阅读。

该论文提出了 NICE（NIx CvE 复现框架），旨在解决软件漏洞复现困难的问题。当前安全研究、开源维护和教育中，漏洞复现常因环境配置复杂、依赖过期或不可重现而难以进行。NICE 基于 NixOS 和声明式配方（recipes），自动化构建并验证易受攻击的环境。每个复现的 CVE 包含一个或多个 NixOS 虚拟机配置、脚本化的利用场景以及机器可检查的断言，这些断言提供利用成功的事实性证据。这种设计便于共享、验证、审计和长期复现。作者在 19 个真实世界的 CVE 上评估了 NICE，涵盖多种 CWE 类别、攻击向量和目标类型（用户空间、系统软件、内核和图形应用）。结果表明，NICE 能够生成简洁的配方和集成测试，复现易受攻击的环境并提供利用证明。框架适用于安全教育和培训（如创建网络靶场），也可用于漏洞报告，其可复现性和可审查性使报告更易审计和验证。论文主要贡献在于提出了一种系统化的声明式漏洞复现方法，改善了传统复现流程的可靠性和自动化程度。

文本验证码（text-based captcha）作为一种区分人类用户与机器人的安全机制，虽然已面临多种攻击方法，但仍被广泛使用。近年来，基于深度学习的验证码破解器取得了显著效果，但其高度依赖大量人工标注数据，成本高昂且耗时。此前的一些工作试图通过有限的标注数据集构建易用的破解器，但受限于低效的预处理流程以及对具有复杂安全特性的验证码的识别能力不足。本文提出了一种名为 GeeSolver 的通用、高效且省力的文本验证码破解器，其核心思想是：许多难以攻破的验证码方案通过“破坏”标准字体来增加难度，这种破坏类似于图像中的遮挡（mask）。受此启发，作者利用掩码自编码器（Masked Autoencoder, MAE）架构，让模型从验证码图像中未被遮挡的部分学习潜在表示，从而推断出对应的字符。具体而言，GeeSolver 包含一个 ViT（Vision Transformer）编码器作为潜在表示提取器，以及一个精心设计的解码器用于验证码识别。编码器通过 MAE 范式进行预训练，使其能够仅从局部信息（即未被遮挡的部分）提取出足以推断字符的潜在表示。随后，编码器参数被冻结，利用少量标注验证码和大量未标注验证码，通过半监督学习训练解码器。实验在真实世界的验证码方案上进行，结果表明：GeeSolver 在使用少量标注数据的情况下，大幅超越了当前最先进的方法；同时，它效率极高，使用桌面级 CPU 可在 25 毫秒内破解一个验证码，使用 GPU 仅需 9 毫秒。此外，得益于潜在表示提取能力，GeeSolver 成功破解了先前难以攻击的验证码方案，证明了其通用性。作者希望这项工作能帮助安全专家重新审视文本验证码的设计与可用性。代码已开源。

本文提出一种名为 PhishPrint 的新方法，旨在通过预先分析钓鱼检测爬虫的行为特征，生成针对性的规避策略，从而绕过基于爬虫的钓鱼检测系统。研究背景是当前钓鱼网站广泛采用各种技术逃避检测，尤其是针对自动爬虫的识别与屏蔽。核心问题在于如何有效地绕过主流钓鱼检测爬虫的探测机制。PhishPrint 方法首先对目标爬虫进行 profiling，收集其请求模式、IP 范围、User-Agent、行为时间等特征，然后利用这些信息生成与正常访问无异的请求，同时调整页面内容或响应策略，使得爬虫无法准确识别钓鱼页面。论文通过实验评估了 PhishPrint 在多个真实钓鱼检测爬虫上的表现，证明其能够显著降低检测率，并分析了不同 profiling 策略的有效性。主要贡献包括：提出了基于 prior profiling 的规避框架，量化了多种规避技术的效果，以及揭示了当前钓鱼检测爬虫的脆弱性。该研究适合安全防御者和钓鱼检测系统开发者阅读，以改进爬虫的鲁棒性。

本文是首项针对GitHub CI工作流中由大语言模型（LLM）引入的安全风险的系统性研究。随着越来越多的CI工作流集成LLM来自动化代码审查、分类、内容生成和仓库维护，外部可控的工作流输入可以塑造LLM的提示词和输出，进而影响安全决策、仓库状态或特权执行，形成新的攻击面。作者沿着完整的执行链对问题进行了刻画，建立了高层次风险类别和具体威胁向量的分类法。为在实践检测此类风险，设计了Heimdallr混合分析框架，该框架将工作流标准化为LLM-Workflow属性图（L-WPG），并结合可触发分析、LLM辅助数据流摘要和确定性传播来合成具体的威胁向量发现。在300个手动标注的独特工作流上评估，Heimdallr在LLM节点识别（F1≈0.994）、可触发分类（99.8%）和威胁向量检测（微平均F1≈0.917）上取得高精度。作为持续检测和披露工作的一部分，作者已负责任地披露了759个仓库中的802个易受攻击的工作流实例，并获得71份致谢。

该论文是一篇系统化知识综述（SoK），旨在为使用社交媒体数据进行安全研究的隐私问题提供一个分析框架。研究背景在于，社交媒体数据常包含个人敏感信息，尽管已有关于此类研究伦理的广泛讨论，但针对具体隐私风险及缓解措施的精细分析仍不足。作者从计算机科学、社会科学、人机交互、法学、犯罪学等多个学科中，系统梳理了16年间（2004-2020）使用社交媒体数据研究安全议题的601篇论文。主要发现包括：仅有35%的论文提及数据匿名化、可用性和存储方面的考虑，表明透明度严重缺乏。作者应用Solove的隐私风险分类法对社交场景中的隐私风险进行归类，发现Solove的分类法能有效捕捉聚合风险，但现代数据科学中数据的规模、时效性和微观细节带来了20年前未考虑的新风险。论文贡献在于揭示了当前学术实践中对隐私保护的不足，并为研究人员、伦理委员会和出版机构提出了改进建议，主张通过一些小的行为改变即可显著提升用户隐私保护水平。该研究适合安全领域研究者、学术伦理审查者以及关注研究数据隐私的从业者阅读。

本研究通过分析内部滥用数据，深入探讨了反滥用生态系统的运作机制。作者来自荷兰代尔夫特理工大学，他们获取了一个大型在线平台的内部滥用举报记录，包括举报者、被举报内容和处理结果。研究发现，反滥用系统面临诸多挑战，例如攻击者利用自动化工具批量生成虚假举报来淹没真实举报，或者通过精心构造的申诉来绕过审查。论文揭示了滥用举报处理流程中的效率瓶颈和公平性问题，并提出了改进建议，例如引入基于信誉的举报者评分机制和自动化决策辅助工具。实验部分对实际数据集进行了统计分析，量化了不同滥用类型的分布和处理延迟。该研究为安全从业者理解平台内部反滥用工作的真实状况提供了宝贵视角。