本文是一篇针对少样本学习（Few-Shot Learning, FSL）在网络入侵检测（NIDS）中应用的系统性文献综述。研究背景在于：基于异常的 NIDS 是防御体系的第一道防线，但要让检测系统识别新型攻击，需要大量带标签的攻击样本，而现实中这类标注数据极其稀缺（新攻击类型刚出现时往往只有极少样例）。少样本学习通过在每类仅几个样本的条件下学习，被视为缓解该问题的可行路径。然而现有研究在方法选择、数据集、实验参数和评估协议上差异极大，导致结论难以横向比较，也无法判断哪些方案真正可落地。作者采用类 PRISMA 2020 的系统性综述流程，检索 ACM Digital Library、IEEE Xplore 和 Scopus 三大数据库，初步获得 1,358 条记录，经过筛选、去重与质量过滤后最终保留 21 篇研究。作者对这些研究使用的 FSL 方法、数据集和实验参数进行分类归纳，并对比其报告的性能指标。主要发现包括：元学习（meta-learning）与卷积神经网络（CNN）是最常见的技术路线，分别出现在 8 篇和 10 篇研究中；多数研究在每类不超过 5 个样本的条件下评估（具体设置差异较大）；CIC-IDS2017 与 CSE-CIC-IDS2018 是最常用的评测数据集。作者同时指出关键的可复现性缺陷：大量研究缺失关键超参数说明且未公开源代码，使得结果难以复现，也无法在不同方法之间做直接、公平的比较。该综述的价值在于为后续研究提供了方法和评测协议的统一视角，并明确指出了当前 FSL-NIDS 领域在标准化基准、参数报告和开源复现方面的空白。适合入侵检测研究者、数据集与评测基准建设者，以及在真实环境中部署异常检测系统的安全工程师阅读。

本文是一篇关于基于eBPF（扩展伯克利数据包过滤器）的网络安全机制的系统性文献综述。eBPF作为现代操作系统内核级框架，能够实现动态安全强制，其安全潜力受到广泛关注，但现有研究分散在不同领域、评估方法和部署场景中。作者采用PRISMA方法，对六个数据库中的3735条记录进行结构化筛选，最终纳入54篇2018-2026年的同行评审研究，并将其组织为七域分类体系：DDoS缓解、入侵检测、物联网安全、容器安全、微服务保护、网络和安全管理工具。分析显示，eBPF能够实现低开销的安全强制，CPU开销中位数为2.4%（范围1.1%-8.6%），对于低频挂钩成本为纳秒级，但对于内核热路径可达10%-20%；检测准确率在94%-99%之间。eBPF特别擅长内核级监控、实时数据包处理和云原生工作负载保护。然而，存在显著挑战：验证器限制约束了算法复杂度，85.1%的研究（46/54）需要低级编程专业知识，内核版本碎片化阻碍可移植性，96.2%的研究（52/54）未解决eBPF自身的漏洞。该综述指出了多租户隔离、对抗性机器学习鲁棒性、生产环境验证和标准化评估框架方面的关键研究空白。通过整合碎片化知识并强调安全性与表达性之间的架构权衡，本文为下一代eBPF安全系统奠定了基础，并为内核可编程性研究提供了可行方向。适合安全研究人员、系统开发者及关注云原生安全的从业者阅读。

该论文对智能体大语言模型（Agentic LLM）的安全脆弱性进行了系统性综述研究。随着大语言模型从无状态对话接口演变为具备多步规划、工具调用、代码执行和持久记忆的自主智能体，其在实际系统中获得API调用、文件修改和数据库查询等真实权限时，一旦某一步推理被劫持，可能导致未授权数据访问、不可逆状态变更甚至级联故障。然而，安全研究界对此尚未给予足够重视。为了量化该领域现状，作者遵循PRISMA 2020指南，在六个数据库中进行了系统文献综述，筛选了743条记录，最终保留85篇2023至2025年间关于智能体LLM安全的论文。分析发现：攻击研究数量是防御研究的3.9倍；感知层脆弱性（提示注入、越狱、对抗扰动）占主导，占论文总数的66%；而行动层脆弱性（工具滥用、代码注入、沙箱逃逸）仅占4.7%，与真实风险严重不匹配。此外，代码执行安全仅占3.5%，工具增强智能体占12%。作者提出了一个四层分类法，将13种脆弱性类型映射到感知层、大脑层、行动层和交互层，并识别出七个围绕“遏制”的开放问题。研究指出，智能体LLM不安全性的根源在于架构耦合，即弱隔离导致脆弱性跨层传播。该论文为安全研究者理解智能体LLM攻击面、制定防御策略提供了重要参考，适合关注大模型安全、自主智能体系统和蓝队防御的研究人员阅读。

本文是一篇系统文献综述，旨在梳理人工智能（AI）在网络心理学（Cyberpsychology, CPSY）领域中的应用研究。网络心理学被定义为利用心理学原理增强网络安全应用。随着2010年代初以来AI技术的快速发展，AI与CPSY的融合日益深入，通过高级数据分析解码受害者、攻击者和防御者的独特人格特质与行为模式。该综述遵循PRISMA方法，从收集的34篇研究中严格筛选并分析了AI在网络心理学（AI-CPSY）领域的研究成果。研究提出了一个全面的分类体系，涵盖网络安全应用、AI方法以及所使用的心理学概念。研究将文献分为四大网络安全应用场景：异常检测（AD）、漏洞风险预测（VRP）、安全意识培训（SAT）和身份认证/身份验证（AIV）。在每个应用领域下，又根据AI方法进一步细分，包括机器学习（ML）、深度学习（DL）、自然语言处理（NLP）和强化学习（RL）。此外，综述还识别了最常使用的心理学概念，量化了该领域所使用的数据集，并介绍了当前的实施和部署状态。最后，文章指出了研究空白，提出了开放挑战，并归纳了AI-CPSY领域中最有效和新兴的趋势与方法。该综述适合网络安全研究人员、从业者以及心理学与AI交叉领域的学者阅读，有助于理解当前AI与心理学在网络安全中的结合现状和未来方向。

本文是一篇关于网络安全中人类脆弱性评估（HVA）的系统性文献综述（SLR），旨在全面梳理该领域的方法、模型和工具。研究背景指出，传统的脆弱性评估主要关注数字资产和技术基础设施，但网络攻击者越来越多地利用人为因素，因此有必要系统性地评估人类脆弱性。人类脆弱性不仅包括个体对网络威胁的 susceptibility，还涉及心理、认知、行为、社会和环境等多维因素，这些因素可能有意或无意地危及系统安全。然而，现有研究碎片化，多从静态角度出发，缺乏对脆弱性在个体与系统间动态传播的关注。本文遵循PRISMA框架，搜集2017至2025年间相关研究，旨在探索是否存在能够动态覆盖人类脆弱性全谱系的评估方法、模型或工具。综述揭示了当前解决方案的空白与局限，并指出了未来需要进一步研究的方向，特别是实现同时、动态地评估无意与有意两个维度的人类脆弱性。本文适合安全研究人员、安全意识培训设计者及人因安全从业者阅读。

本文是一篇系统综述，聚焦于2023年至2025年间公开的13个用于评估大型语言模型（LLM）在恶意代码任务中拒绝能力的提示语料库。这些语料库包括AdvBench、CyberSecEval系列、RMCBench、RedCode、MCGMark、JailbreakBench、CySecBench、MalwareBench、CIRCLE、MOCHA、ASTRA、Scam2Prompt/Innoc2Scam-bench和JAWS-Bench。每个语料库均采用不同协议构建、不同许可条款发布，并依据不同评分者间信度标准进行验证（或未验证）。现有综述通常以代码安全、越狱分类或漏洞检测为核心对象，仅简要提及这些语料库。本文则逆转这一框架，将提示数据集本身作为分析单元。作者遵循PRISMA-style协议，制定搜索策略，筛选编码LLM拒绝评估相关近期文献，对每个符合条件的语料库应用统一提取模板，并从构建方法、提示构建分类法（模态、轮次结构、诱导风格）、可复现性与许可、恶意软件类别覆盖等方面进行综合。综合结果揭示了三个反复出现的方法论缺陷：缺乏人类标注者基线以校准LLM评判标签；缺乏跨语料库可比性，因为拒绝率统计量测量的是不等价的构念；恶意软件类别分类法碎片化，缺少能覆盖全部13个语料库的规范模式。综述最后提出下一代语料库的方法论方向，包括预注册纳入标准、供应商多样化的多评判者验证、以Fleiss' kappa和自助法置信区间作为信度基线，以及一个候选规范分类法。本文适合LLM安全评估、红队测试、以及提示工程领域的研究者阅读。