该论文关注「智能体集成软件」（Agent-Integrated Software, AIS）这一新兴软件形态的安全问题。AIS 的思路是在传统应用程序中内嵌一个智能体，使系统同时支持两类操作路径：一类是人类用户操作，用于做精细修改、审查结果和兜底决策；另一类是智能体动作，用于执行例行任务或跨多步的复杂流程。作者认为这两种路径具有互补性，其长期共存将是许多软件系统的常态特征。 论文的核心论点是：人类操作与智能体动作会作用于同一份软件状态，并且会相互消费对方产生的结果，因此安全策略必须在这两条路径上同时有效。仅仅分别保护「智能体」和「传统软件内核」并不能证明二者组合起来是安全的，AIS 的安全必须放在整个软件系统层面来评估。 为便于对 AIS 做整体性安全分析，作者把这种共存引发的安全问题归纳为四个类别：(1) 上下文误用（context misuse），即操作所处的上下文被错误地共享或继承；(2) 授权违规（authorization violation），即权限在路径之间被不当传递或扩张；(3) 执行控制（execution control），即对动作触发、顺序与边界缺乏有效约束；(4) 效果完整性（effect integrity），即对状态变更与副作用的完整性缺乏保障。基于这四类划分，论文审视了当前工程实践与研究工作分别在多大程度上覆盖了这些问题，并指出其防护仍然有限的环节。 在此基础上，作者提出四个值得投入的研究方向：保持信息溯源关系（provenance）、在全部操作路径上一致地执行策略、在时间维度上维持授权的有效性（避免授权过期或滞留）、以及管理持久化效果与恢复机制。整体而言，本文属于立场/框架型（conceptual framework）论文，主要贡献是提出了一套用于理解与改进 AIS 安全的概念框架和问题分类法，而非给出具体攻击或防御实现。该文适合软件工程与安全研究者、设计人机协同系统的架构师，以及负责智能体应用安全评审的从业者阅读。

该论文关注模糊测试（fuzzing）中的反馈引导问题。当前主流 fuzzer 以代码覆盖率为反馈来指导探索，这一策略被证明有效，但它会忽略那些不产生新代码路径、却仍对目标程序有意义的输入。此前 IJON 研究显示，由人类领域专家编写的注解（annotation）可以提供额外反馈，引导 fuzzer 关注程序中有趣的部分，然而人工注解的生成成本高、依赖专家经验，难以规模化。 本文的工作分为三步。第一，复现 IJON 的实验，并将其扩展到真实世界的大规模漏洞检测场景，从而检验注解反馈是否具有实际价值。第二，为缓解人工注解带来的可扩展性瓶颈，作者提出使用大语言模型（LLM）自动生成注解，并通过实验证明 LLM 能够生成与人类专家注解性能相当的注解。第三，基于这一发现设计并实现了 AIJON 系统，利用 LLM 自动生成 IJON 风格的注解并注入 fuzzing 流程。 在评估方面，作者在 Magma 基准上对 AIJON 进行测试，得到一个出乎意料的结论：基于注解的 fuzzing 并不严格优于 AFL++。为解释该结果，作者进行了多组补充实验，识别出注解影响 fuzzing 活动的若干关键机制，其中包括注解对 fuzzer 能量分配（energy distribution）的影响。尽管总体性能未必超越 AFL++，但研究确认了 LLM 能够生成与人类注解质量相当的注解，这为后续在大规模场景下系统研究注解的作用打开了空间。论文的贡献可概括为：对 IJON 的复现与大范围扩展、LLM 自动注解可行性的验证、AIJON 系统设计，以及关于注解对 fuzzer 行为影响（尤其是能量分配）的实证洞察。

该论文关注一个长期被安全社区低估的问题：Python 的 import 语句不仅是依赖解析机制，更是一个执行边界——在模块与包的初始化阶段就会实际执行代码。这种执行可能触发异常、动态加载模块或原生扩展、访问文件/网络/环境资源，甚至在应用尚未调用目标包的任何 API 之前就修改安全敏感状态（如全局配置、日志、密钥、认证开关、反序列化钩子等）。作者指出，已有研究多聚焦于包选择风险、恶意包检测或包自身的漏洞，而缺少对「导入行为本身如何引发缺陷与安全问题」的系统性实证分析。为填补这一空白，作者构建了 ImportMine 研究流程：把公开安全公告（advisories）与 PyPI 项目历史数据结合，利用源码与补丁证据进行人工/半自动确认，回答四个问题——import 在什么条件下激活问题、问题为何产生、开发者如何修复、以及需要哪些程序信息才能解释该行为。研究保留 31 个与 import 相关的公告漏洞和 38 个应用-数据边界案例，并在 1,302 个代码仓库中确认了 1,429 个项目历史缺陷。关键发现包括：在初始化阶段被激活的项目历史缺陷中，97.6% 会导致正常执行中断或功能受损；而在 20 个初始化阶段激活的公告漏洞中，90.0% 被评级为 High 或 Critical。模块级代码与包初始化共激活了 98.3% 的分析案例，说明风险主要集中在导入即执行的语义上；动态加载虽占比很低，但其案例大多执行了安全敏感操作。作者还观察到一种普遍的修复反模式：许多补丁只是改变 import 何时变为「激活」（延迟导入、条件导入、移动到函数内部），而非真正移除依赖或消除危险副作用。最后，论文发布了 ImportVulBench，包含 228 组修复前/修复后配对程序，覆盖全部 11 种缺陷类型，可用于评估静态分析与程序理解工具对 import 触发行为的检测能力。

该论文提出并定义了“安全特性定位”（Security Feature Location）问题，旨在解决软件安全工程中的一项基础性难题：给定一个软件系统，它实际实现了哪些安全特性（如身份认证、加密、访问控制等），以及这些特性具体对应到代码中的哪些位置。当前软件安全实践往往依赖于安全专家的手动审计或经验性搜索，但现代软件系统规模庞大、安全实现分散在多层架构中，导致开发者和审计人员难以准确回答“某项安全功能是否被实现、在哪里实现”的问题。论文将这一任务形式化为安全特性定位，即建立安全特性与代码位置之间的映射关系，从而支持开发人员理解安全实现的全貌，并评估系统是否真正执行了预期的安全属性。作者通过分析现有静态分析、代码搜索、特征追踪等技术在此场景中的不足，界定了该问题的研究挑战与评估基准，并讨论了可能的解决方向，例如结合信息检索、程序分析和机器学习来半自动化地发现与安全特性相关的代码片段。该工作为后续研究提供了一类新的软件工程任务定义，并强调了将安全需求与实现细节进行关联的重要性。适合安全软件工程、软件维护、自动化安全分析领域的研究者，以及需要在遗留或大型代码库中审计安全功能的从业者阅读。

该论文针对静态侧信道分析的可达性问题展开研究。在侧信道攻击中，攻击者通常需要找到从程序输入到敏感信息泄露的传播路径（即可达性），而静态分析技术常被用于自动识别这类路径。作者提出一种名为“借用时间”（On Borrowed Time）的方法，旨在从源头阻止静态侧信道分析的有效性，而非仅仅检测或缓解单条泄露路径。核心思路是引入时间维度上的不确定性：通过混淆或扭曲程序在执行过程中的时序行为，使得静态分析无法准确推断敏感数据与可观测输出之间的因果关系，从而破坏侧信道泄露的判定基础。论文可能提出了新的程序变换或代码混淆策略，并对其安全性、性能开销以及对抗静态分析的实际效果进行了形式化分析与实验评估。主要贡献在于首次从“对抗静态分析本身”的角度设计防御机制，而非依赖运行时的随机化或掩码，为侧信道防护提供了新的研究思路。适合关注侧信道安全、程序分析、编译器优化及软件防护的学者和工程师阅读。由于仅基于摘要，具体技术细节和实验数据需查阅原文。

本论文针对软件系统中解析器差异（Parser Differentials）现象进行系统性综述与根因分析。解析器差异指两个或多个解析器对同一输入产生不同解释，这种不一致在复杂系统中难以检测，主要挑战在于如何从庞大代码库中抽象出解析器逻辑，以及如何证明解析器之间行为等价。这类缺陷源于软件组件（甚至独立模块）之间的交互，即使每个组件单独可能无错，组合后却会引发意外行为，因此长期未被充分研究。作者收集了大量已知的解析器差异案例，并对其进行了根因分析，旨在找出其产生的深层次原因。研究发现，某些设计反模式（anti-patterns）是导致解析器差异出现的主要根源。此外，现有最先进的解析器差异模型无法完全覆盖这些案例，作者据此提出了改进建议，以更准确地描述和解释此类缺陷。该研究为安全工程师和软件开发者提供了系统化理解解析器逻辑漏洞的新视角，有助于在开发阶段预防或识别潜在的安全风险。

二进制代码表示学习是软件安全与逆向工程中的基础性难题，其目标是为二进制函数生成可供机器学习算法使用的嵌入表示。现有主流方法通常聚焦于函数级嵌入，通过对比学习或分类任务捕获不同函数之间的粗粒度语义相似性，但忽视了指令级粒度的对应关系。这种粒度缺失导致模型难以捕捉函数内部的控制流与数据流细节，也错失了编译器调试信息中蕴含的丰富监督信号。本文作者提出利用指令对齐知识来增强二进制代码表示学习：即通过显式地促使模型在嵌入空间中对齐同源或等价指令序列，从而学习更精细、更可解释的表示。初步实验发现，在函数级二进制代码相似性任务上微调过的模型，其内部产生的指令对齐程度显著高于预训练模型，表明指令对齐程度与函数级嵌入质量存在强相关。基于这一观察，作者设计了一种训练方案，将指令对齐作为辅助训练目标与函数级对比学习联合优化。实验结果表明，该方法不仅提升了函数检索的准确率，还使模型对相似性判断产生的置信度更具区分性，反映其对指令语义的建模能力更强。该研究的贡献在于揭示了指令级监督信号在二进制表示学习中的潜力，并提出一种将指令对齐融入训练流程的具体方法，为后续工作提供了新的优化方向。本文适合软件安全研究者、二进制分析工具开发者及从事恶意软件与漏洞研究的工程人员阅读。

本文提出 D-Helix，一个通用的反编译器测试框架，利用符号微分技术自动生成具有可控复杂度的测试程序。现有反编译器测试方法依赖手动编写的测试用例或随机生成的代码，难以覆盖各类反编译器的不同编译优化选项和目标架构。D-Helix 的核心思想是将测试程序视为数学函数，通过符号微分求导生成新函数，从而保留原始语义的同时改变语法结构。该框架支持生成可编译、可执行且语义等价的程序变体，能够系统性地测试反编译器的正确性、鲁棒性和性能。作者在多个主流反编译器（如 Ghidra、IDA Pro、Binary Ninja）上进行了实验，覆盖 x86、ARM 和 MIPS 架构，发现了若干之前未知的 bug，包括反编译引擎的崩溃、控制流错误和类型推断错误。实验表明，D-Helix 在代码覆盖率和新 bug 发现能力上显著优于现有方法。该工作为反编译器测试提供了自动化、可扩展的新途径，有助于提升软件逆向工程工具的可信度。

随着大型语言模型（LLM）在软件开发中的广泛应用，如何客观比较LLM生成代码与人类编写代码的安全性成为一个关键问题。目前缺乏标准化的实证研究方法，导致难以评估LLM是提升还是削弱了安全基线。为此，本文提出一个自动化框架，用于在纯人类、纯LLM以及人机协作三种条件下进行对比研究。该框架自动记录提示词、时间戳和实验设置，并通过多维度的静态和动态质量分析来衡量结果。作者提供了开源实现，以确保未来研究的可重复性和“物种公平性”。通过一项可行性研究验证了框架的有效性，并总结了经验教训，为后续关于人类与LLM生成代码安全性的实证研究奠定了基础。本文适合软件安全研究人员、LLM开发者以及希望评估AI编码工具安全性的组织阅读。

二进制反编译旨在将二进制代码恢复为高级语言源代码，但现有评估方法主要依赖语法相似性（如BLEU）或单一维度的可读性指标（如McCabe复杂度），无法反映实际可复用性。本文提出一种以可复用性为导向的评估范式，从三个正交维度衡量反编译器质量：可读性（代码是否易于理解）、可重编译性（反编译代码能否直接编译为目标程序）、功能性（反编译代码执行结果是否与原始二进制一致）。为实现这一范式，作者构建了DEBENCH框架，包含240个原子测试函数，组织成8个源文件并编译为640个二进制文件（覆盖多种编译选项和架构）。DEBENCH集成三种评估手段：基于LLM作为评判者的可读性评分（包含18个子维度的URAF评分体系）、在固定50次迭代预算下的迭代编译-修复流程（评估可重编译性）、以及基于Frida的差分动态追踪（在程序级、函数级和指令级比对执行行为）。研究评估了5款主流反编译器（如Ghidra、IDA Pro、Hex-Rays等）和3个用于修复的LLM（如GPT-4、Claude等）。主要发现包括：（1）可复用性悬崖显著：最佳反编译器-LLM组合在程序级行为重叠上达到22.3%（精确+部分匹配），但精确stdout匹配仅1.2%，远低于可重编译性指标（约50个百分点）；（2）可读性最佳设置并不最大化功能性：-O3优化产生最低可读性但最高功能性，Clang生成的可读性低于GCC但功能性高2.6倍；（3）反编译器间的功能级差异是修复LLM间差异的20倍（20x vs 1.6x），说明进展更依赖反编译器引擎而非更大规模的修复模型；（4）反编译失败可分为三类：语法噪声、类型系统坍塌（约占修复错误的19%）、以及不可逆的上游信息损失（如ARM64重定位惯用法、C++ ABI特性）。该研究为反编译工具选择、自动化补丁分析、恶意代码逆向等安全场景提供了量化基准。

本文针对C/C++软件中模糊测试（fuzz testing）的关键瓶颈——fuzz harness（连接模糊器和库API的程序）的正确性问题，提出了一种自动化生成高质量harness的系统QuartetFuzz。现有的自动化harness生成工具无法系统性地确保harness的正确性，导致逻辑错误、API误用和生命周期违规等问题在源代码层面被忽视。随着基于大语言模型（LLM）的生成技术使harness创建规模化，缺乏质量控制反而使规模成为负担。QuartetFuzz的核心是四个原则框架：逻辑正确性（P1）、API协议合规（P2）、安全边界尊重（P3）和入口点充分性（P4），这是首个在源代码层面定义harness正确性的框架，包含数学规范与可实现的检查。该系统将这四个原则操作化为一个自主LLM智能体，通过“生成-检查-修复”循环，在模糊测试开始前确保生成的harness满足P1-P4。在涵盖C/C++、Java和JavaScript的23个开源项目上部署后，系统提交了42个漏洞报告，其中29个已被上游修复或确认（包括3个CVE），仅有2个被拒绝（误报率4.8%）。在生成过程中，内置的P1/P2检查自动拦截了58个由harness引起的崩溃，否则这些崩溃将成为误报。当作为质量审核工具应用于70个项目的586个现有生产环境harness时，系统识别出53个违规（45个已确认，35个已修复）。此外，作者发布了包含100个标注harness的数据集以供可复现评估。该工作对于提升模糊测试的有效性、减少误报、以及自动化安全测试基础设施有重要意义。

本文针对符号执行中的路径爆炸问题，提出了一种基于路径覆盖的有效路径优先级排序技术Empc。符号执行是一种强大的程序分析技术，能够系统地探索被测试程序的执行路径并检测软件缺陷，但路径爆炸严重限制了其可扩展性和性能。以往的路径优先级排序方法使用静态规则或启发式方法，但往往难以泛化到不同程序。本文的核心洞见在于并非所有路径都需要进行符号推理。与传统方法不同，Empc利用最小路径覆盖（MPC）子集，该子集能覆盖被测试程序的所有代码区域。为了鼓励路径优先级排序的多样性，计算多个MPC。然后，将符号执行的搜索引导到这些MPC内部的少量路径上，而非指数级数量的路径。基于KLEE实现了Empc，并进行了全面评估，涵盖代码覆盖率、漏洞发现和运行时开销。评估结果显示，相比KLEE的最佳搜索策略，Empc的基本块覆盖率提高了19.6%，代码行覆盖率相比最新工作cgs提高了24.4%。此外，Empc比KLEE的最佳搜索策略多发现24个安全违规。同时，Empc可将KLEE的内存使用量最高减少93.5%，符号状态数量最高减少88.6%。该研究适用于软件安全测试和符号执行领域的研究人员。

该论文提出 Patch2Vuln，一个利用语言模型代理从 Linux 发行版二进制补丁中重建漏洞信息的研究框架。安全更新发布后，防御者和攻击者均有机会对比漏洞版本和修复版本的软件，但实际运维中往往只有二进制包可用，缺乏源码补丁或公告文本。Patch2Vuln 构建了一个完全本地、可中断恢复的流水线：首先提取旧/新 ELF 二进制对，通过 Ghidra 和 Ghidriff 进行反汇编和差异分析；然后对变更函数进行排序，构建候选函数档案；最后调用离线大语言模型代理生成初步审计报告、有界验证计划以及最终审计结论。作者在 25 个 Ubuntu .deb 软件包对上评估了 Patch2Vuln，包括 20 个安全更新对和 5 个阴性对照，所有结果均基于私有源码补丁和二进制函数地面实况进行人工裁决。结果显示，代理在 20 个安全对中成功定位了 10 个经验证的安全相关补丁函数，并在 11 个对中给出了被接受的最终根因分类。进一步诊断发现，6 个安全对在模型推理前即因二进制差异分析或排序器遗漏了正确函数而失败，另有 1 个因上下文导出缺失导致失败。独立的有界验证步骤生成了两个目标级最小化新旧行为差异（均针对 tcpdump），但未发现崩溃、超时、消毒器发现或内存破坏证明；所有阴性对照均被归类为未知且未产生验证差异。实验表明，从二进制补丁进行代理式漏洞重建是一个有前景的研究方向，但同时指出二进制差异覆盖和局部行为验证仍是限制性组件。该工作对安全运营中自动化漏洞分析具有潜在价值，尤其适用于缺乏源码补丁的场景。

该论文针对软件供应链安全中识别漏洞引入提交（Vulnerability-Introducing Commit, VIC）这一关键问题，提出了一种基于补丁模式差异分析的新方法。传统VIC识别方法主要依赖代码变更的文本特征或图结构，但往往受限于噪声数据（如重构提交）且对隐蔽性漏洞引入不敏感。作者通过观察发现：修复补丁（patching patterns）在修复前和修复后的代码差异模式具有可区分的特征，这些特征可以反向用于定位最初的漏洞引入点。具体而言，论文首先从公开漏洞库（如NVD）和开源仓库中收集大量已知漏洞的修复提交，然后构建补丁模式的知识库；接下来，对于待分析的候选提交，通过比对候选提交的代码变更与已知修复补丁的“逆模式”（即补丁的镜像操作）来识别潜在的VIC。方法包含三个主要步骤：1）补丁模式提取与量化：使用抽象语法树（AST）差异分析将补丁模式表示为结构化编辑操作序列；2）逆模式匹配：对于每个候选提交，计算其编辑操作序列与已知补丁模式逆序列的相似度；3）基于集成排序的VIC判定：结合多个相似度指标和提交元数据（如时间戳、开发者信息）进行综合排序。实验在多个真实世界开源项目（如Linux内核、Apache HTTPD）上进行，结果显示该方法在TPR（真正例率）和Precision上均优于现有基线方法（如VCCFinder、FIBER），尤其对隐蔽性漏洞（如逻辑错误导致的漏洞）的引入提交识别准确率提升显著。论文还分析了不同补丁模式（如条件增强、函数接口变更）对识别效果的贡献，表明逆模式匹配能有效过滤重构提交等噪声。该研究的贡献在于提供了一种无需依赖漏洞细节（如PoC）的VIC识别思路，可应用于自动化漏洞根因定位和修复回溯。

精确识别漏洞引入提交（Vulnerability-Inducing Commit）是软件安全领域多项任务（如漏洞检测、受影响版本分析）的基础。传统的SZZ算法通过追溯代码历史来定位最早修改漏洞代码的提交，但现有方法（如定制化V-SZZ和当前最先进的LLM4SZZ）存在两个关键缺陷：锚点选择错误（即无法准确定位漏洞相关语句）以及回溯能力不足，导致实际应用中可靠性低下。本文提出了一种基于多智能体协作的SZZ算法MAS-SZZ。给定一个CVE描述及其对应的修复提交，MAS-SZZ首先利用智能体总结漏洞根因，然后采用结构化的逐步提示（step-forward prompting）策略，根据每个补丁块（patch hunk）的变更意图，精准定位漏洞相关语句。这些语句作为锚点，再由另一个智能体自动回溯仓库历史，找到首次引入漏洞的提交。实验在多个数据集和编程语言上进行，结果显示MAS-SZZ在F1分数上相比最佳现有SZZ算法提升了高达65.22%，显著优于所有基线方法。该方法为漏洞引入提交识别提供了一种自动化、高精度的解决方案，有望推动漏洞管理、软件供应链安全等领域的实践。本文适合安全工程师、软件维护团队以及从事漏洞分析的研究人员阅读。