该论文首次系统性地研究了社交媒体中‘无意URL’（Unintended URLs）所构成的安全威胁。所谓无意URL，是指用户由于复制粘贴操作失误、输入法误触、自动纠错或文本截断等原因，在发布内容时意外附带的多余字符、错误域名片段或残缺链接。例如，用户可能将‘example.com’误发为‘example.com.malicious-site.com’或包含多余标点符号的变体。这类URL看似无害，却可能将点击用户导向攻击者控制的域名。研究者设计并实现了一套大规模测量框架，对Twitter等主流社交媒体平台上的公开帖子进行持续扫描，通过多种启发式规则和DNS查询识别出大量可能被恶意利用的无意URL。他们进一步分析了这些URL的注册状态，发现相当比例的高风险域名尚未被注册，攻击者可以通过简单的域名抢注（domain squatting）将其转化为恶意基础设施。为了量化实际威胁，研究团队与安全厂商和平台方合作，选择部分高价值域名进行受控注册，并在短时间内监测到大量真实用户的点击访问，证明该攻击面具有现实可利用性。此外，论文还评估了现有防御机制（如浏览器警告、平台URL过滤）的不足，并提出基于URL语法分析和用户行为上下文的检测建议。这项工作为社交平台、安全厂商和终端用户提供了一种新的威胁感知视角，填补了以往仅关注恶意URL（主动攻击）而忽略无意URL（意外暴露）的研究空白。适合社交平台安全团队、威胁情报分析师以及对在线欺诈和域名滥用感兴趣的研究人员阅读。

本文提出 STINER，一个面向社交媒体（特别是 X/Twitter）的战略级网络威胁情报（CTI）自动提取框架。战略 CTI 关注高级别洞察，如识别受攻击行业、将攻击归因于特定勒索软件组织、评估数据泄露规模等。X 平台往往在官方报告发布前数天就出现实时泄露公告，是获取此类情报的最快来源，但其非正式且高度不规则的社交媒体语言使得传统命名实体识别（NER）模型难以准确解析，形成自动化防御系统的盲区。为解决此问题，作者构建了一个专家标注的高质量语料库，包含 2,100 条真实告警，并设计了一个包含 8 种实体类型（如威胁行为者、行业、地点等）的细粒度分类体系。他们针对 12 种配置评估了 9 个模型，涵盖通用与领域自适应编码器、开放模式提取以及零样本和微调设置下的生成式大语言模型（LLM）。实验结果显示，领域自适应编码器（如 DarkBERT）取得了 89.33% 的严格 F1 分数，优于通用基线以及微调后的 LLM，且 LLM 推理延迟显著更高。基于 STINER-DarkBERT，作者进行了 2025 年上半年的欧洲威胁态势分析，结果与官方关于主要目标的报告相符，同时突出了西班牙攻击的独特可见性，并展示了社交媒体驱动提取如何能提前发现 SafePay 勒索软件活动的早期信号，而无需等待厂商威胁态势报告的追溯性描述。该研究适合网络安全防御者、威胁情报分析师以及自然语言处理研究人员阅读，有助于理解如何从非结构化社交媒体数据中高效提取战略级情报。

本文研究社交媒体平台上的品牌冒充攻击（Brand Impersonation Attacks），这类攻击中，恶意行为者创建与知名品牌高度相似的账号、页面或内容，利用用户对品牌的信任实施钓鱼、诈骗、传播虚假信息等活动，严重威胁品牌声誉与用户安全。该研究由多个学术和工业机构的安全专家合作完成，旨在系统性揭示品牌冒充攻击的规模、特征、策略与影响。文中可能提出一种基于多维度特征的检测框架，融合账号元数据（如账号年龄、名称相似度、头像）、内容特征（如提及频率、链接指向）与社交图谱信息（如粉丝分布、互动模式），以区分真实品牌与冒充账号。作者可能通过对多个主流社交平台的大规模数据采集和机器学习分类模型进行实证评估，证明所提方法能有效识别冒充行为，并探讨攻击者在检测面前的对抗策略及防御改进方向。该研究对安全运营中心（SOC）、平台安全团队及品牌保护部门理解威胁态势、设计主动防御措施具有重要参考价值。注意：由于原始摘要未提供，本摘要基于论文标题和作者背景进行合理推断，实际技术细节与实验结论需查阅原文确认。

本论文是一篇系统性的文献综述，关注大语言模型（LLM）在社交媒体信息完整性中的双重角色。随着LLM的快速发展，其在内容生成和语义理解上的能力深刻影响了虚假信息、错误信息、假新闻、社交机器人和隐私保护等挑战。作者对2019至2024年间发表的1048项研究进行了筛选，并深入分析了215篇代表性论文，采用系统性文献综述方法，从多个数据库综合证据，归纳了LLM在信息完整性领域的主要模式。研究发现，LLM一方面能够增强恶意内容的检测能力，支持更复杂的防御机制，例如通过语义分析识别虚假信息或社交机器人；另一方面，LLM也带来了新风险，使其能够生成高度可信、具有欺骗性的内容，加剧了信息操纵的可能性。文章从技术能力、伦理影响和隐私关切多个维度对信息完整性问题进行分类分析，揭示了当前方法在跨语言检测、实时监控和隐私保护实现方面的关键缺口。最后，作者提出了未来研究方向，并为利益相关方（如平台、政策制定者和研究人员）提供了如何利用LLM同时减轻其在社交媒体信息完整性方面风险的建议。该综述为安全从业者提供了宏观视角，理解LLM如何在社交媒体生态中既成为风险放大器又成为防御工具，并指出了实际部署中需要解决的技术和伦理挑战。

本研究关注父母在社交媒体上分享子女照片（即“晒娃”）的隐私问题，探讨年轻成年人对父母在其童年时期分享照片行为的看法。研究背景是：越来越多的父母习惯在互联网上分享子女的照片，而这些照片可能在孩子成长过程中长期留存，引发隐私、尊严和数字身份等问题。核心研究问题是：当这些孩子长大成人后，他们如何评价父母的此类分享行为？研究采用质性或混合方法，对年轻成年人进行访谈或问卷调查，收集他们对自己童年照片被分享的经历、感受和态度。主要贡献包括：揭示了年轻人对“晒娃”行为的复杂态度，包括对隐私侵犯的担忧、对父母动机的理解、以及希望对自己数字形象有更多控制权的愿望；提出了在数字时代平衡父母分享意愿与子女隐私保护的建议。该研究为社交媒体平台、隐私政策制定者以及家长提供了参考，强调在分享儿童照片前应征求儿童意见或考虑其长期影响。适合关注社交媒体隐私、儿童权利、以及数字身份管理的研究人员、平台设计者和家长阅读。

该论文研究社交媒体平台X（原Twitter）上的‘软性审核’（如事实核查标签、警告标签）对用户感知不真实政治内容准确性及分享意图的影响。通过实验方法，作者探讨了软性审核措施如何改变用户对虚假或误导性政治信息的认知，并分析了这些措施在实际平台中的效果。研究发现，软性审核标签能显著降低用户对不真实内容的准确性判断，并减少其分享意愿，但效果受用户政治倾向和内容类型影响。该工作为内容审核策略提供了实证依据，有助于理解用户行为与平台干预之间的互动。

本研究针对社交媒体应用中链接分享功能的安全漏洞展开探索性分析。随着社交媒体平台成为全球主流通信工具，用户频繁通过链接分享进行内容交互，但攻击者常利用此功能发布恶意URL，诱导用户点击以实施钓鱼、恶意软件传播等攻击。研究选取了Google Play商店排名前五的安卓社交应用（如Facebook、Twitter等），设计实验评估其在用户分享恶意链接时的监测与过滤能力。实验通过在不同平台发布已知恶意链接，记录各应用的响应行为，包括是否拦截、是否显示警告或允许直接访问。结果表明，绝大多数被测试应用缺乏有效的防御机制，无法阻止恶意URL的发布和传播；仅有少数应用对部分链接进行了拦截或标记。研究虽然具有探索性质，但揭示了一个重要的安全漏洞——即攻击者或无意用户可轻易利用平台缺乏过滤的弱点散布恶意链接。文章还讨论了链接攻击的多种形式（如伪装、短链接等），并指出当前安全措施在用户体验与防护之间的权衡不足。该研究为改进社交媒体平台的安全设计、提升用户对链接风险的认知提供了实证依据，适合安全研究人员、平台开发者及政策制定者阅读。

在社交媒体平台上，用户常因过度分享不恰当的想法或个人隐私而后悔，并倾向于删除这些内容以弥补过失。然而，删除行为本身反而成为恶意攻击者追踪隐私信息的信号：攻击者通过大规模监控删除操作，能够识别出被删除内容可能对用户有害，从而侵犯用户隐私。现有的一些存档服务已经在扫描社交媒体获取删除的帖子，且研究表明强大的机器学习模型可以高效检测出具有危害性的删除。为抵御这种全球性攻击，本文提出了一种名为“欺骗性删除”（Deceptive Deletion）的诱饵机制。该机制通过注入虚假的删除操作，构建一个挑战者（平台/用户）与攻击者之间的两人零和博弈：攻击者试图从所有删除的帖子中分类出真正有害的内容，而挑战者则利用诱饵删除来掩盖真实的危害删除行为。作者形式化了这个博弈过程，推导出攻击者或挑战者分别获胜的条件，并讨论了中间过渡场景。通过在Twitter真实数据上模拟实验，验证了该机制的有效性：强大的全球攻击者可以被同样强大的挑战者击败，从而显著提升用户遗忘的权利。该工作为社交媒体隐私保护提供了新的思路。

该论文聚焦于社交媒体平台上用户级隐私泄露问题。现有研究缺乏统一的基准来评估多模态（文本、图像、元数据）隐私泄露，且衡量指标多为二元准确率，无法捕捉暴露严重程度。为此，作者基于Rednote和Instagram的私有参考语料库提炼泄露模式，构建了SopriBench基准，包含50个用户画像、1569张图像，并标注了属性、上下文敏感性、粒度、泄露类型、推理难度和支持证据。同时，引入隐私暴露评分（PES），通过上下文敏感性加权粒度值。进一步，受溯因推理启发，提出无需训练的智能体框架Argus，从累积证据中形成假设，验证支持证据，并聚合跨帖子线索生成隐私画像。实验表明，Argus达到0.55 PES，比最强基线提升25%，尤其在跨帖子泄露场景下效果显著。这项工作为社交平台隐私泄露评估提供了标准化工具和高效分析方法。

本研究探讨社交媒体平台验证政策变化（如Twitter（现X）在2022年后调整的蓝色验证标记政策）如何影响用户对已验证账户的感知和信任。传统上，蓝色验证标记被视为可信机构认证的权威标识，但平台将验证开放给付费订阅者后，验证标记的可靠性受到质疑。研究人员通过在线实验，招募参与者对不同类型账户（如名人、记者、普通用户）在政策变化前后的可信度、权威性和真实性进行评分。实验还考察了验证标记与用户关注状态、账户类型之间的交互效应。结果表明，政策变化显著降低了用户对已验证账户的整体信任，尤其是对低知名度账户；用户更倾向于依赖其他信号（如粉丝数、内容质量）而非验证标记。研究还发现，用户对验证标准的理解存在混乱，许多人误以为验证仍代表官方认证。该研究对社交媒体平台的安全设计、用户隐私保护及虚假信息对抗具有重要启示。

本文提出 TIBlender，一个基于多智能体 LLM 的跨平台社交媒体威胁情报早期预警系统。当前网络安全威胁信号分散于多个社交媒体平台（如 X、Reddit、Telegram 和 Discord），尚未有方法能完全自动化地将这些碎片化信息整合为可操作的威胁情报（TI）报告。TIBlender 通过角色专用的 LLM 智能体，对四个平台进行实时监控，并开展多视角调查，追踪证据链以发现相关的入侵指标（IoC）。在实际部署中，TIBlender 能够在四种威胁类别（漏洞利用、恶意软件、钓鱼、僵尸网络）中提前于公共 feed 检测到新兴威胁，包括在公开漏洞库尚未收录时即发现野外利用。其提取的 IoC 大部分未被现有任何流行的威胁情报 feed 收录。定量评估进一步证实：每个平台贡献了其他平台无法提供的独特威胁信息；若排除任一平台，特定威胁类别的报告量将显著下降。与单平台基线相比，TIBlender 在相同输入条件下的 IoC 提取性能达到或超过基线水平，而完整流水线可发现更多 IoC，且大部分 IoC 不存在于任何单平台基线中。这些结果证明了跨平台社交媒体监控作为运营 TI 管道中一种有效且可扩展的早期预警层的能力。

该研究系统地展示了如何滥用公开社交媒体数据和生成式AI（GenAI）来自动化、规模化地发起高度个性化且上下文感知的鱼叉式钓鱼攻击。研究者构建了一个模块化框架，涵盖多模态信号提取、沟通风格画像以及七种攻击策略（诱饵、恐吓软件、蜜罐、尾随、冒充、交换条件、个性化情感利用）的实例化。通过大规模多模型评估，对数千封生成邮件和八个安全相关性标准进行评测，并与真实钓鱼邮件语料库对比。结果表明，GenAI生成的邮件在个性化、上下文依据和说服力上显著更高。补充的用户研究进一步揭示，LLM生成的攻击在八个维度上持续优于APWG eCrimeX邮件，同时引发更低的怀疑。文章还分析了现有主动式提示层防御机制、策略增强的SOTA防护模型以及系统指令链式审核等补充防御方法，记录了这些防御如何响应上下文化和自适应攻击提示，强调了平台级防护考虑规模化上下文滥用的必要性。

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。

本研究通过大规模定量分析Twitter/X推荐算法对内容可见性的影响，揭示平台存在系统性可见性调节现象。研究基于两个大型数据集：乌克兰-俄罗斯冲突相关推文（约2000万条，涉及500万用户）和2024美国总统大选相关推文（约2000万条，涉及400万用户），总计超过4000万条推文和900万用户。研究利用推文视图计数作为可见性指标，检测可见性降低（即影子禁令）或放大的模式，并分析其与用户观点、社会角色和叙事框架的关联。关键发现包括：1）算法系统性惩罚包含外部链接的推文，将其可见性降低高达8倍，无论链接内容的意识形态立场或来源可靠性如何；2）不同账户的推文可见性存在显著差异，例如基辅独立报与RT.com、唐纳德·特朗普与卡玛拉·哈里斯的推文可见性模式相反。研究指出，这种不透明的可见性调节可能被用于压制异见声音或操纵信息曝光，呼吁提高推荐系统和内容审核的透明度，以保护公共话语的完整性和平台访问的公平性。该工作适合关注平台治理、算法透明度、社交媒体分析的研究者及政策制定者阅读。