本文研究了大语言模型（LLM）代理系统中的技能选择阶段的安全性。技能选择是决定用户请求由哪一个已安装技能来处理的关键环节。现有攻击手段主要依赖显式提示注入或指令级转向，这些方法容易暴露出可识别的操纵特征。针对这一空白，作者发现了一种新的隐式攻击面：即使单个用户提示和技能描述看起来都完全良性，攻击者仍可通过精心设计二者之间的语义关联，使模型倾向于选择攻击者指定的技能。基于此，提出了'基于语义匹配的隐式技能选择操纵'（ISM）方法。ISM通过联合改造目标技能的元数据和可复用的提示模板，在完全不包含显式选择指令的情况下，实现对技能选择过程的隐蔽操纵。具体而言，ISM采用三阶段策略：拓宽语义覆盖范围、增强目标技能的区分度、保持提示自然措辞以避免异常。在四个任务领域和八个不同选择器模型上的实验表明，ISM能将平均目标选择率（TSR）从15.2%提高至63.5%。在受控对比实验中，其TSR达到73.5%，仅比显式转向方法低9.8个百分点。更重要的是，人机审查实验显示，人类审查者仅在2.9%的判断中拦截了ISM的攻击，而显式转向的拦截率为91.4%；五个LLM检测器对ISM的平均放行率高达82.9%，对显式转向仅为37.4%。此外，ISM在PPL-W、Llama Prompt Guard 2和PIGuard等防御措施下依然有效。这一研究揭示了一种难以察觉的、针对技能选择环节的新型攻击方式，对LLM代理的实际部署安全构成了严峻威胁，也为防御方提出了新的技术挑战。

该论文针对物联网设备准确识别这一关键安全问题，提出了一种基于制造商使用描述（MUD）配置文件的语义识别方法。现有方法通常从数据包或流记录中学习设备签名，但这些低层通信观测的流量模式会随部署环境、软件版本和用户交互而变化，导致识别鲁棒性不足。MUD配置文件通过访问控制条目（ACE）描述设备行为，每个ACE包含协议、端点、方向和端口语义，构成行为原语。论文贡献包括三个方面：第一，利用28个公开MUD配置文件中的1023个ACE实例，构建了紧凑行为文本的ACE级语义表示，并分析其几何特性。实验表明，ACE级表示比整体配置文件嵌入更有效地保留设备级行为区分，且经过白化校准后仍然有效。第二，在受控运行时变化下（包括未见ACE、主机名漂移、部分运行时观测）评估语义ACE匹配性能。精确ACE匹配在规范MUD重叠率高时表现良好，但重叠稀疏或消失时性能急剧下降；而语义ACE匹配能在这些条件下保持有用的识别证据。第三，在包含超过80万条观测流量的真实IoT流量轨迹上评估。结果表明，当存在稳定重叠时精确匹配最强，但在观测早期语义匹配提供更强的识别证据，通常能将正确设备保留在最高候选之中，并在稀疏重叠的运行时流量下保持有效性。该研究为IoT设备识别提供了不依赖流量模式变化的语义级解决方案，特别适用于零日设备或动态环境。