企业网络持续面临高级持续性威胁（APT）的攻击，攻击者利用软件漏洞逐步渗透关键资产。随着披露的漏洞数量增长，资源受限的组织必须优先修补哪些漏洞。现有的漏洞优先级标准（如CVSS）对每个漏洞独立评分，无法评估修补策略在对抗随时间在网络中推进的攻击者时的实际效果。先前的模拟工具采用强化学习（RL）模拟攻击活动，但要么忽略了漏洞管理（即攻击者不受防御阻碍），要么依赖与真实威胁数据脱节的合成网络，因此无法评估策略对抗真实攻击者的表现。为填补这一空白，本文提出了VulnGym，一个用于评估漏洞管理策略的仿真工具。VulnGym模拟一个由RL训练的攻击者，其行为基于真实的APT配置文件（如攻击模式、速度、目标选择），同时防御者执行可配置的修补策略（如基于CVSS分数、资产重要性等）。两者在一个共享且持续演化的网络表示上行动，攻击者的进展直接受防御者修补活动的影响，从而能够对给定策略进行压力测试。实验基于真实世界的漏洞数据（如CVE）和两个APT案例（例如APT29、APT41等，摘要未明确但提及两个APT），结果显示漏洞管理必须根据组织环境、对手行为、网络拓扑和资产关键性进行定制化调整。该工具可帮助安全团队在部署前比较不同修补策略的效果，优化资源分配。

本文提出 Crucible，一个纯软件框架，能够在任意 x86 CPU 上透明地模拟 Meltdown 类型的瞬态执行漏洞。由于易受攻击的旧 CPU 日益稀缺，且物理实验环境难以共享，微架构安全领域的研究与教学面临可重复性危机。Crucible 通过在不同进程中影子指令流，在故障后模拟瞬态执行的核心微架构效应，包括缓存泄漏、瞬态窗口和屏障行为。它能够运行未经修改的公开 PoC 甚至完整的漏洞利用代码，且泄漏模式与真实硬件匹配。作者成功在不受影响的硬件上复现了三个完整的端到端漏洞利用，例如从 VeraCrypt 中提取密钥。Crucible 支持测试仅二进制形式的应用程序，并与先进模糊测试器集成，后者检测模拟漏洞的效果与真实 CPU 相当。此外，还通过两个人工漏洞评估了模糊器行为的泛化能力。该工作为系统化、可重复的 CPU 安全实验提供了平台，可保留遗留漏洞、比较检测方法，并用于教学训练。

该论文提出了一种名为Vogls的开源Verilog模拟器，专门用于预硅功耗侧信道分析。现有功能验证模拟器（如Icarus Verilog和Verilator）在侧信道分析场景中存在不足：它们要么无法高效生成大量短迹线，要么缺乏精细的定时模型。Vogls首次结合了编译代码性能、全定时模拟（full-timing simulation）以及对模拟状态的细粒度控制。在门级AES设计上，Vogls比Icarus Verilog快5.9倍；在PicoRV32 RTL设计上，虽然比Verilator慢约30%，但提供了更精确的定时模型。Vogls提供了Python接口，允许用户在不修改硬件设计的情况下暂停、分支、检查和变异模拟点，从而保持定时和泄漏特征。此外，其迹线采集工作流只需执行一次设置代码，然后在兴趣点分支，避免了每次迹线都从复位重新模拟的开销。案例研究在RTL、GTL和全定时GTL抽象级别成功实现了差分功耗分析攻击，恢复了密钥。该工具旨在加速硬件安全设计的侧信道分析评估过程。

该论文介绍了InjectV，一个基于gem5模拟器的RISC-V平台故障注入攻击框架。故障注入攻击（FIA）通过诱导计算或存储中的恶意故障来破坏系统安全。在硅前开发阶段评估抗攻击能力因物理实验成本高、复杂度大且可用性有限而极具挑战。InjectV提供了一种开发者导向的白盒视角，通过架构级模拟实现系统化的漏洞评估。它在安全关键的执行点（如控制流决策、计数器和比较操作）实现精确、引导式的故障注入，支持对攻击向量的系统探索。当前版本支持寄存器和内存中的瞬态故障攻击，扩展了模拟不同攻击场景的能力。实验基于FISSC套件中的安全基准测试（包括VerifyPIN应用的硬化变体）进行，结果表明InjectV能够有效识别故障注入点，与传统方法相比节省了95.8%的时间。该工作为硬件安全评估提供了低成本、高效率的预硅验证工具。

内部威胁是企业安全领域持续存在的重大风险，但由于恶意行为常隐藏于细微的用户活动中，在复杂企业环境下难以检测。现有基于机器学习的内部威胁检测（ITD）技术受限于高质量、真实训练数据的缺乏——公共数据集规模小，合成数据集缺乏泛化性、丰富语义和真实行为模式。本文提出Chimera，一个基于大语言模型的多智能体框架，可自动模拟良性及恶意的内部活动，并监控跨企业环境的系统日志。Chimera将每个智能体建模为具有精细角色的个体员工，并引入小组会议、成对交互和自组织调度以捕捉真实组织动态。基于从真实事件抽象出的15种内部攻击类型，Chimera在三个典型数据敏感组织场景中部署，构建了新数据集ChimeraLog。通过人工研究和定量分析验证了数据集的多样性和真实性。现有ITD方法在ChimeraLog上的检测性能显著低于现有数据集，表明其是更具挑战性和现实性的基准。尽管存在分布偏移，在ChimeraLog上训练的ITD模型展现出强泛化能力，凸显了基于LLM的多智能体仿真在推进ITD方面的实用价值。