恶意软件分析系统（包括动态分析沙箱和数字取证与事件响应平台）依赖遥测管道（由收集代理、序列化器和数据库后端组成）来捕获程序行为并呈现给分析人员。本文揭示这些数据处理组件本身构成可利用的攻击面，攻击者无需禁用传感器或获取高权限即可触发“分析拒绝”（Denial-of-Analysis, DoA）状态。作者提出了一类新的漏洞——遥测复杂度攻击（Telemetry Complexity Attacks, TCAs），利用无界收集机制与有界处理能力之间的不匹配。攻击方法通过递归生成子进程，产生深度嵌套、体积超大的对象，压垮序列化（如JSON/BSON）的深度和大小限制、存储边界以及可视化层。攻击效果因产品而异，包括行为报告被截断或缺失、数据库插入被拒绝、序列化触发递归和大小错误、仪表盘无响应，某些情况下恶意代码被正常执行但未被记录或呈现给分析人员。作者对18个商业和开源恶意软件分析平台及EDR解决方案进行了评估，其中7个产品在遥测管道的不同阶段失败；已分配两个CVE编号（CVE-61301和CVE-61303），一个待定，一个归属底层库，其他产品已发布补丁或配置变更。论文讨论了根本原因，并提出了缓解策略，以防止由对抗性遥测触发的DoA攻击。本文适合沙箱和EDR产品开发者、安全运营人员以及从事恶意软件分析的研究者阅读。

传统模型风险管理（MRM）指南假设模型生命周期是静态的：模型经过开发、独立验证和部署后，不再进行自主修改。然而，持续自适应的生成式AI系统——即在生产部署过程中会不断更新自身权重的模型——从根本上违背了这一假设，使得时点验证（point-in-time validation）变得不充分。这篇论文针对由此产生的治理问题，分两部分提出了解决方案。第一部分为这类模型构建了严格的遥测（telemetry）架构，同时涵盖离散时间和连续时间场景。作者建立了用于审计目的的最小充分统计量（Minimal Sufficient Statistic），为离散权重序列构造了可防篡改的默克尔链（Merkle chain），并借助伊藤公式（Ito formula）推导出适当的连续时间推广形式，最后提出了基于KL散度停时（KL divergence stopping times）的事件驱动日志机制，该机制在计算上可行且对验证有意义。第二部分提出了一个对抗性视角：当模型提供方是敌对的时，部署此类模型的企业有强烈动机隐藏可能触发强制验证审查的学习更新。作者将此形式化为“模型隐藏问题”（Model Hiding Problem），并针对第一部分的架构系统性地归纳了六种不同的攻击策略，覆盖离散和连续时间，且为每种策略都提供了对应的正式防御措施。论文的总体结论是：连续遥测是必要但不充分的，它能缩小定期侵入式审计的范围，但永远无法替代审计本身。该框架与具体模型架构无关，旨在满足传统MRM的三大支柱。

云服务提供商在软件中部署遥测工具以进行端主机网络分析。近期研究表明，sketch（一种近似数据结构）因其低资源占用下对多种统计指标的高保真度，成为基于软件的遥测的有前途的基础。然而，攻击者可能利用软件漏洞破坏基于sketch的遥测结果，从而使遥测失效（例如，逃避攻击检测或引发计费差异）。本文正式定义了可信赖的基于sketch的遥测需求，并指出现有工作由于sketch的概率特性和性能要求无法满足这些需求。作者提出了TrustSketch，一个通用的可信sketch遥测框架，支持多种sketch算法。TrustSketch能够及时检测针对基于sketch的遥测的广泛攻击，同时仅引入极小的开销。实验证明其有效性。该研究为云环境中的安全遥测提供了重要的理论保障和实用方案。

该论文首次系统评估了现代安全日志标准的检测效能。针对当前日志标准（CIM、OCSF、ECS）在捕获关键攻击指标方面的相对有效性缺乏实证研究的问题，作者提出了一种基于自动化安全利用遥测收集（SETC）框架的新型评估方法。SETC 在容器化环境中系统生成可重现的利用场景，收集多种日志标准下的丰富遥测数据。通过涉及50种不同远程代码执行漏洞的详细实验，作者量化了每种日志标准的检测效能，指标包括遥测完整性和利用可检测性。研究结果识别了关键差距，并揭示了不同日志标准在捕获攻击指标能力上的显著差异。该工作贡献包括：一种可扩展且可重现的利用遥测分析评估方法，以及为安全从业者提供基于证据的日志标准采纳指导。

当前的网络归因方法通常针对单个事件独立分析，缺乏跨战役聚合证据以提升对手识别能力的系统性研究。本文提出一个问题：跨战役归因是否能够减少歧义，还是受限于数据结构上的固有瓶颈？作者将攻击者指纹建模为多维特征向量，包含行为、基础设施和时序特征，这些特征源自对被动信标交互的遥测收集。在此基础上，提出ARCANE（Attacker Re-identification via Cross-campaign Attribution Network）框架，这是一个概率性框架，通过跨战役和跨组织的被动遥测聚合，构建持久的攻击者指纹。指纹使用贝叶斯信念网络进行更新，该网络能随时间整合新证据，并引入时间衰减置信度度量来累积跨战役的相似性。在包含多个威胁轮廓的合成数据集上评估，结果显示同一攻击者内部的相似度始终高于不同攻击者之间的相似度。然而，由于高级对手之间共享通用的操作实践，不同攻击者之间的区分度仍然有限。研究结论表明，仅靠跨战役聚合并不能解决归因模糊性；性能受限于特征空间中的某种结构性天花板——即使不存在主动规避行为，不同攻击者之间的特征相似度依然较高。归因准确率在攻击者增加规避行为时保持稳定，说明主要限制是指征本身的不可区分性，而非对手的适应性演化。因此，作者指出需要引入额外的信号类别，例如目标模式、时间协调性和基础设施关联关系，才能提升归因的可靠性。本文适合威胁情报分析师、APT追踪团队和归因研究人员阅读。