基于学习的漏洞检测高度依赖训练标签的质量。现有大规模数据集（BigVul、PrimeVul、DiverseVul 等）通常以「漏洞修复提交」为依据，把被补丁改动过的函数直接标注为「存在漏洞」，但被安全补丁修改并不等于该函数本身存在漏洞，由此引入系统性标签噪声，使检测器的评测结果失真。论文提出 VulValidate 框架：以 LLM 智能体驱动并协调多种动态分析工具，从运行时反馈中自动构造可触发漏洞的实验。给定一个被标注为脆弱的函数及其修复补丁，框架会重建漏洞版本与修复版本，自动选择合适的工具与执行路径，迭代精炼触发输入，并对比两个版本的运行时行为差异，从而在函数粒度上判定漏洞归属是否成立，并留下可执行的证据。作者据此审计了 BigVul、PrimeVul、DiverseVul 中全部 35,849 条原始「脆弱」标注：确认 20,510 条（57.2%），纠正 6,819 条（19.0%），7,981 条（22.3%）可被触发但结论未定，539 条（1.5%）无法成功度量。经冲突消解与逐字节去重后，修正版数据集包含 15,890 个互不相同的已确认脆弱函数体。对 581 条抽样判定进行盲审，专家共识支持 90.0%–92.0% 的确认结论和 92.6%–99.0% 的标签纠正。在模型参数固定的条件下，使用修正标签评测会让五个被测检测器在 BigVul 与 DiverseVul 上的 F1 全部下降；而用修正标签重训练后，两个数据集上各有四个检测器的 F1 得到提升。作者同时发布了可复用的 VulValidate 技能、修正数据集与可复现证据，供后续漏洞检测研究使用。

该论文针对 JavaScript 与 TypeScript 生态中自动化漏洞检测长期受限于高质量训练数据不足的问题，构建并公开发布了函数级漏洞数据集 JsVul。与常见的多语言通用数据集不同，JsVul 采用面向 JS/TS 的语言特定处理流水线：作者从七个主要来源采集数据，围绕安全修复提交收集修复前与修复后的代码版本，并通过过滤与安全无关的产物（如压缩/混淆代码、仅涉及格式或注释的装饰性改动）以及施加自动化语法规范化，把真正与安全相关的代码变更隔离出来。为保证数据完整性，流水线还包含多阶段去重与基于启发式规则的标注；数据集以按时间排序的 JSONL 格式提供，便于做时序切分实验，降低训练/测试集泄漏风险。论文的核心贡献有三点：一是提供了一个规模化的、语言感知的 JS/TS 函数级“漏洞—修复”配对数据集，可直接用于监督学习式的漏洞检测模型训练；二是论证了在构建漏洞数据集时语言特定预处理对降低噪声、提升标签质量的重要性；三是为后续漏洞检测模型与代码大模型的训练和评测提供可比较的数据基础。适合漏洞检测研究者、代码大模型团队、SAST/SCA 工具开发者以及需要在真实 JS/TS 代码上评估模型的安全工程团队阅读。需要注意的是，论文摘要表明标签由启发式方法生成，实际使用前应评估其标注准确率。

该论文研究智能合约中链上-链下通信（On-chain/Off-chain Communication, OFC）引发的安全问题。随着跨链桥、现实世界资产代币化（RWA）以及法币背书稳定币等应用快速增长，OFC 已成为去中心化金融的关键基础设施，而与之相关的安全事件也愈发频繁。作者指出，已有研究往往只针对 OFC 应用中的某一类具体漏洞（如某类跨链逻辑缺陷或价格预言机问题），缺乏统一视角，因而无法覆盖已知模式之外的漏洞，导致漏报。 本文的核心贡献是提出一个统一根因概念——OFC 不一致性（OFCI）：它源于业务逻辑缺陷，最终破坏链上资产表示与链下资产表示之间的等价关系，从而产生账实不符。作者认为大量 OFC 漏洞可归因于这一根因。要自动检测 OFCI 存在两个挑战：一是 OFC 合约实现高度异构，难以自动定位关键业务逻辑；二是如何把既有的漏洞知识迁移到未见过的、新的 OFCI 实例上。 为此，作者提出 SmartMemory，这是首个利用“基于记忆的智能体（memory-based agent）”进行 OFCI 检测的框架。针对异构性，SmartMemory 将不同实现的 OFC 合约映射为规范化的业务语义表示，从而定位需要检查的业务逻辑；针对知识复用，它引入基于记忆的智能体，把漏洞特征蒸馏为模式（patterns）与检测规则，实现跨案例的知识迁移，以识别训练/历史经验之外的 OFCI；最后通过污点分析验证每个候选 OFCI 的可达性、类型与影响，降低误报。 评估方面，作者构建了首个真实世界 OFCI 数据集，包含 48 个 DApp、81 个 OFCI 实例，SmartMemory 取得 80.68% 精确率与 87.65% 召回率。此外，对 325 个真实 OFC 应用的分析中，SmartMemory 检出 36 个此前未知的 OFCI，且全部被相应责任方确认并修复。 论文视角：研究问题是如何以统一根因视角自动发现 OFC 类漏洞；核心方法是“业务语义规范化 + 记忆智能体知识蒸馏 + 污点分析验证”的组合；主要贡献是提出 OFCI 概念、首个 OFCI 检测框架与首个真实数据集，并用真实修复案例验证有效性。适合智能合约审计工具研发者、区块链安全研究者、DeFi 项目安全团队与交易所安全评估人员阅读。

该论文关注区块链与以太坊生态中智能合约的安全问题。随着智能合约在去中心化应用中的采用度不断提高，合约逻辑日益复杂、所承载的资金价值持续上升，使其成为网络攻击的重点目标。作者指出现有检测手段（隐性指向传统静态分析与规则/符号执行类工具）在理解 Solidity 语言的深层语义与上下文模式方面存在不足，因此提出一种基于 Transformer 的智能合约漏洞检测方法。方法上，作者利用预训练大语言模型的表征能力构建了一条完整流水线：首先定义并构建真值（ground truth）数据集，将 Solidity 代码片段标注为 vulnerable 或 safe 两类；随后在该数据集上对基于 BERT 的架构进行微调，使模型能够学习 Solidity 代码特有的语法结构与语义模式；最终模型以代码片段为输入输出漏洞与否的判定，形成片段级（fragment-level）检测能力。实验结果方面，微调后的模型取得了 92% 的 F1 值，作者据此论证将 LLM 适配到智能合约安全领域、依靠深度上下文理解可以显著提升检测效果。论文的主要贡献可归纳为三点：一是面向 Solidity 片段构建了带标注的漏洞真值数据集；二是给出了一套可复用的 LLM 微调式漏洞检测流水线；三是通过实证数据验证了该范式的有效性。适合智能合约审计、区块链安全、代码安全机器学习方向的研究者与工程师阅读。需要注意的是，摘要未披露数据集规模、覆盖的漏洞类型（如重入、访问控制、整数问题等）、类别不平衡处理方式、误报率、跨编译器版本泛化能力以及代码与数据是否开源，这些均需查阅全文核实。

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。

在无源码场景（如恶意软件分析、固件审计、嵌入式系统分析）中，对编译后程序进行漏洞检测的需求日益突出。然而，现有方法多依赖语法规律或较高层次的表示，不仅容易受编译器版本和优化选项变化的影响，也难以直接应用于汇编代码。为此，本文提出 SEMA-GUARD，一个结合语义分析与图神经网络（GNN）的汇编代码漏洞检测框架。其核心改进在于增强控制流图（CFG）的表示：在传统图结构基础上，加入程序在较低抽象层次上的执行信息，包括栈操作、内存访问和数据流，从而让模型能捕获仅靠统计或结构特征难以发现的缺陷模式。为了评估效果，作者构建了一个基于 Juliet Test Suite 的数据集，将每段源码先编译为汇编，再切分为函数级别的代码块。实验结果显示，该方法仅依赖统计或结构数据，即达到 85.1% 的准确率和 0.801 的 F1 分数。这表明在基于图的模型中融入低层语义信息，可能是识别编译代码漏洞的有效途径。该工作为二进制层面的漏洞检测提供了新思路，尤其适合缺乏源码的逆向与安全分析场景，但尚未披露具体的模型架构细节、跨编译器泛化能力以及实际部署开销，仍需进一步验证。

本文提出 EchoFuzz，一个由大语言模型（LLM）引导的智能合约模糊测试框架，旨在解决现有智能合约模糊测试中的两大瓶颈。背景方面：智能合约作为去中心化应用的基石，自主管理着规模达万亿美元级别的数字资产，因而成为攻击者的高价值目标，漏洞检测需求迫切。问题一：现有方法在处理合约状态转换时存在逻辑鸿沟与组合冗余，难以在漏洞检测效率与状态空间探索成本之间取得有效折中，导致关键执行路径被遗漏。问题二：基于规则的序列变异策略存在路径冗余、缺乏合约逻辑引导等缺陷，形成性能瓶颈，使探索难以深入到面向深层漏洞的路径。方法上，作者引入“易受攻击函数调用序列”（VFCS，Vulnerable Function Call Sequences）这一概念——即最小化的、保持行为语义的执行路径，通过关键状态转换暴露缺陷。EchoFuzz 包含两个关键流程：其一为链式引导的 LLM 方法，将静态分析与逻辑理解相结合，为特定合约生成 VFCS 候选，从而消除组合冗余；其二为迭代式模糊测试策略，利用 LLM 结合实时反馈，自适应地将模糊器导向尚未覆盖的分支。实验结果表明，EchoFuzz 优于当前最先进的方法，分支覆盖率提升 29%，检测到的漏洞数量增加 62%；同时在真实合约中发现了 37 个此前未知的漏洞，显示出较强的实用价值。适合智能合约安全研究者、审计工具开发者以及关注 LLM 赋能程序分析方向的工程师阅读。摘要未声明该成果已被在野利用或武器化。

该论文聚焦于静态分析在软件安全中的核心地位与 CodeQL 等工具面临的现实瓶颈：构建高覆盖率查询套件通常需要大量人工投入。尽管大语言模型（LLM）在代码推理方面展现出潜力，但其生成结构化、可执行安全查询的实际能力仍缺乏系统评估。为此，作者开展了一项实证研究，利用美国国家漏洞数据库（NVD）中的漏洞数据，评估 LLM 合成 CodeQL 查询的能力，并探索将 LLM 作为自动 CodeQL 查询生成器的可行性。研究系统评测了多种 LLM 架构在大量真实漏洞场景下的表现，重点衡量其生成的查询对检测覆盖率和精确率的提升程度。结果显示，LLM 生成的查询能够显著增强基线 CodeQL 查询，平均 F1 分数提升达 82%。此外，论文提供了详细的成本效益分析：直接使用 LLM 扫描整个代码仓库在计算和财务上往往不可行，而利用 LLM 合成 CodeQL 查询则是一种可扩展且成本有效的替代方案。该研究的核心贡献在于证明 LLM 可以有效弥合非结构化漏洞报告与形式化静态分析规范之间的鸿沟，为大规模自动化漏洞检测提供了一条可扩展路径。适合静态分析研究者、SAST 工具开发者、DevSecOps 工程师以及漏洞管理团队阅读。

本文提出了一种名为 SemVul 的漏洞检测流水线，旨在提高源代码漏洞检测的准确率与泛化能力。研究背景指出，源代码漏洞是网络攻击的根本原因之一，攻击者常利用软件弱点进行未授权访问、数据窃取或服务破坏。现有基于代码属性图（Code Property Graph, CPG）的方法通常仅关注程序的结构信息，而忽略了代码的语义层面。为此，SemVul 在 CPG 基础上引入了语义级增强，通过预训练代码嵌入技术为图中的节点和边分别注入语义特征，使模型能够同时捕捉程序的结构流（如控制流、数据流）和代码的语义含义。方法上，作者系统评估了多种图神经网络（GNN）架构，在公开基准数据集上进行了实验。SemVul 与具体编程语言无关，支持多种架构，具有良好的通用性。实验结果表明，SemVul 在漏洞检测性能上优于现有方法，并且展现出更强的泛化能力，能够更有效地学习易受攻击的代码模式。该研究适合软件安全、漏洞挖掘、基于机器学习的代码分析等领域的研究人员和工程人员阅读。

本文提出了一种名为“Pig in a Poke”的自动化方法，用于检测和利用 Windows 文件操作中的链接跟随（Link Following）漏洞。链接跟随漏洞是一类常见的符号链接攻击，攻击者通过构造恶意链接（如符号链接或连接点）诱导系统或应用程序在访问文件时意外跟随链接，从而导致权限提升、文件覆盖或数据泄露等安全后果。论文研究集中于 Windows 平台的文件操作机制，指出此类漏洞检测通常依赖人工审计且误报率高的痛点。作者设计了一套自动化技术，结合静态分析和动态执行来识别文件操作中的不安全链接处理模式，并能够自动验证漏洞的可利用性。该方法通过监控系统调用和文件路径解析过程，分析链接跟随行为是否可能被恶意控制，从而生成最小化的可利用性证明。实验部分对多个 Windows 系统目录和常见软件场景进行了评估，表明该工具能够有效发现未知的链接跟随漏洞，并显著减少人工分析成本。该研究的主要贡献包括提出一种系统化的链接跟随漏洞检测框架、实现原型工具，并揭示 Windows 文件操作中一类隐蔽的安全风险。本文适合 Windows 安全研究者、漏洞挖掘人员以及防御方安全工程师阅读，以了解这类攻击面并改进防护策略。

本文研究如何利用轻量级本地大语言模型（LLM）进行软件漏洞检测，重点关注源代码输入表示对检测效果的影响。当前多数提示方法直接使用原始源代码，也有部分工作采用抽象语法树（AST）等结构化表示，但AST的冗长性显著增加了输入token数量，可能超出LLM上下文窗口限制。作者提出将行为树（BT）作为替代性的中间表示，并设计了一套预处理流程：先将Java源代码解析为AST，再转换为行为树。行为树以更紧凑的方式编码控制流、条件与可执行动作。实验在Juliet Java测试套件的460个样本上进行，比较了三种输入表示（原始源码、AST、行为树）的漏洞检测性能，使用单一量化本地模型Mistral Small 3.2 24B（Q4_K_M）。结果表明：对于短样本，行为树表示能提升召回率，而原始源码获得更高精确率；对于长样本，行为树相比原始表示提升了整体性能，且能适配上下文窗口，而许多AST表示则超出上下文限制。研究结论认为，行为树可为量化、本地可部署的LLM提供一种紧凑且有效的结构化源码表示，有助于在资源受限环境下提升漏洞检测能力。该工作为面向蓝队和代码安全分析工具的开发提供了新的表示思路。

该论文针对浏览器扩展漏洞检测的挑战，提出了一种名为 CoCo 的新型检测方法。浏览器扩展在浏览器功能上增加额外能力，同时也引入了新的攻击面，恶意网页可以利用扩展 API 进行权限提升。传统的静态分析方法难以处理动态 JavaScript 特性，例如将函数调用作为数组查找一部分的情况。而现有的抽象解释技术主要针对轻量级服务器端 JavaScript，无法有效扩展到客户端扩展代码，因为抽象域中会出现对象爆炸问题。CoCo 通过结合覆盖引导（coverage-guided）技术与并发抽象解释（concurrent abstract interpretation）来解决这一问题。覆盖引导有助于提高代码路径的探索效率，并发执行则利用多核资源来缓解对象爆炸带来的性能瓶颈。论文通过实验验证了 CoCo 在检测浏览器扩展漏洞方面的有效性和效率，相比已有方法能够发现更多漏洞类型并减少误报。该研究对浏览器安全、扩展程序分析和客户端静态分析领域具有重要参考价值。

本文针对区块链生态中普遍存在的代码分叉现象，提出了一种名为 BlockScope 的自动化工具，用于检测和调查分叉区块链项目中从经典链（如比特币和以太坊）传播而来的漏洞。由于区块链项目的开源特性，许多新链（如 Dogecoin、Litecoin、BSC、Polygon）都不同程度地复用了比特币或以太坊的代码，这些分叉链在分叉时或后续拉取提交（commit fetching）的过程中，可能继承已知漏洞，导致严重的安全风险。现有研究大多针对单一项目或特定漏洞类型，缺乏对跨项目漏洞传播的系统性检测。BlockScope 以已有的比特币/以太坊安全补丁作为输入，采用基于相似度的代码匹配技术，设计了一种新的代码相似度计算方法，能够覆盖语法层面的所有克隆变体（Type-1、Type-2、Type-3），包括完全相同的代码、重命名/修改标识符的代码以及结构略作调整的代码。此外，BlockScope 会自动提取并利用补丁代码的上下文信息，缩小搜索范围，仅定位可能相关的代码进行比较，从而提升检测效率和准确率。实验结果表明，BlockScope 能够有效且高效地检测多种类型的克隆漏洞，为分叉区块链项目的安全审计提供了有力支撑。本文的主要贡献包括：首次系统性地研究分叉区块链中的漏洞传播问题，提出一种实用的检测工具，并在真实项目中验证了其有效性。适合区块链安全研究者、项目维护者以及安全审计人员阅读。

实时操作系统（RTOS）在读取用户空间内存时，如果多次读取同一地址且未保证一致性，容易产生双重获取（double-fetch）漏洞。传统静态分析无法检查商业现货（COTS）RTOS内核，而依赖宽时间窗口阈值的动态启发式方法误报率高且模拟开销大。针对这一问题，本文提出 ISOLATOS，这是首个硬件支持的 COTS RTOS 双重获取漏洞检测框架。ISOLATOS 利用现代 CPU 的内核隔离特性（如基于页错误捕获跨域访问），通过触发页错误来记录每次用户内存获取的元数据，并根据系统调用生命周期判定同一次系统调用中的多次获取是否为双重获取漏洞。研究团队在 QNX、VxWorks 和 seL4 三个广泛使用的 RTOS 上进行了评估，结果表明 ISOLATOS 相比最先进的基于模拟的检测器，运行时开销降低了 79.3 倍，同时具有更低的误报率。该方法发现了 43 个先前未知的 COTS RTOS 漏洞，其中 41 个获得厂商确认，2 个被分配了 CVE 编号。此外，作者在汽车系统中验证了这些漏洞的实际影响。该研究为 COTS RTOS 的安全性分析提供了新思路，特别适用于对封闭内核进行漏洞挖掘的场景。

智能合约安全是区块链领域的重要挑战。以太坊智能合约编程漏洞已被利用造成严重经济损失。现有检测工具通常只针对少数特定漏洞类型，难以扩展到新型漏洞，且需要重新设计。本文提出ESCORT，一种基于深度迁移学习的多漏洞检测框架。该方法采用共享的特征提取器学习合约字节码的通用语义表示，并为每种漏洞类型设置独立分类分支，从而作为多标签分类器同时检测多种漏洞。当出现新的漏洞类型时，仅需在预训练的特征提取器上新增分支，并利用少量数据微调即可完成扩展，避免了全模型重新训练。作者在361万个真实智能合约上验证了有效性：初始训练阶段对六种常见漏洞的平均F1分数达98%，迁移学习阶段对另外五种漏洞的平均F1分数达96%。与现有非机器学习工具相比，ESCORT不依赖特定合约结构，能处理任意复杂度合约，实现100%覆盖率；同时避免了部署多套工具的繁琐，显著缩短检测时间。该工作首次将迁移学习引入智能合约漏洞检测，为快速适应新型漏洞提供了可行路径。作者计划开源数据集与标注工具链，以促进后续研究。该研究对以太坊安全审计、漏洞监测及区块链安全研究具有重要参考价值。

该论文聚焦于Java Web容器（如Tomcat、Jetty等）中一类被忽视的拒绝服务（DoS）漏洞——数据保留拒绝服务（Data Retention DoS）。研究指出，现有安全研究多关注内存泄漏或资源耗尽，但数据在容器内部被过度保留（Careless Retention）同样可导致服务不可用。作者首先系统化地定义了此类漏洞的成因：由于容器对请求/响应数据、会话数据或临时文件等对象的生命周期管理不当，导致数据长期驻留内存或磁盘，累积后可耗尽系统资源。随后，论文提出了一种自动化检测方法，通过静态分析与动态监控相结合的方式来识别Java Web容器中的数据保留漏洞。实验部分，作者对多个主流Java Web容器进行了测试，成功发现若干新型漏洞，并证明了所提方法的有效性与低误报率。该工作填补了Web容器安全中关于数据保留层面的空白，为容器开发者和安全工程师提供了漏洞挖掘与修复的新视角。适合Web容器维护者、中间件安全研究人员及依赖Java Web应用的企业安全团队阅读。

本文提出 ARQ，一个基于智能体（agent）的自动化框架，旨在优化 C/C++ 程序的 CodeQL 漏洞检测查询，以降低误报（FP）和漏报（FN）。现有查询型静态分析器（如 CodeQL）通过预定义的漏洞模式查询来匹配源码，但官方查询仍存在大量 FP 和 FN，影响实际检测效果。ARQ 的核心思路是利用合成程序执行结果作为“事实依据”来暴露查询的弱点：当程序真实存在漏洞但查询未报时，说明存在漏报；当程序安全但查询误报时，说明存在误报。这些分歧被用作监督信号，驱动一个基于大语言模型（LLM）的循环修复合，迭代更新 CodeQL 查询规则。与以往需要标注数据集、提交历史或漏洞模板的方法不同，ARQ 完全无需这些外部依赖。实验选取了 12 个官方 CodeQL 查询，使用三个商业 LLM（GPT-5.4、Claude-Sonnet-4.6、Gemini-3.5-flash）进行精化，并在 Juliet v1.3 和 FormAI v2 数据集上对比了精化前后查询的性能。结果显示，ARQ 精化后的查询检测出的真实阳性数量最高提升 119.8%，且精确度始终不低于 98.0%。此外，ARQ 成功修复了 CodeQL 官方仓库中 3 个长期未解决的 GitHub 问题（最长搁置 27 个月），并利用精化查询在真实世界库 libpng 和 zlib 中发现了两个此前未知的漏洞。该研究展示了将 LLM 智能体与执行反馈相结合进行静态分析规则自动化优化的巨大潜力，为提升代码安全审计效率提供了新途径。适合静态分析工具开发人员、安全研究员及 DevOps 人员阅读。

本文是对基于图神经网络（GNN）的智能合约漏洞检测器中表示层（representation layer）的失败分析。研究指出，这类检测器在机器学习之前先将源代码转换为图结构；如果图未能捕获代码的语义，那么任何模型改进都无法弥补这一缺陷。作者以GNNSCVulDetector为例，识别并实验证明了四个具体的表示层失败：第一，结构不同的合约可能生成逐字节完全相同的图，构成一种具体的规避攻击；第二，图构建过程受限于一个硬编码的47项变量白名单（包含一个重复条目），限制了提取器能识别的变量，导致相同漏洞因变量名不同而产生不一致的图，且图质量随变量名偏离白名单而下降，当无匹配项时管道产生脱离源代码变量的结构；第三，表示重入攻击触发者的C节点在文献中最经典的脆弱合约中缺失；第四，控制实验确认了由此导致的直接误分类：一个完全可利用的合约因C->W边从未被构建而被标记为安全。所有四个失败均通过实验验证。文章还指出，现有文献中的准确率是在未暴露这些失败的条件下测得的。作者确认了一个由表示层失败直接导致的误分类案例，并指出此类失败在真实合约群体中的普遍性仍是一个待探索的实证问题。

在软件安全领域，准确评估漏洞检测工具的效果高度依赖于包含“漏洞诱导提交”（Vulnerability-Inducing Commits, VIC）的基准数据集——即首次将漏洞引入代码库的提交。VIC 对于确定受影响的软件版本范围、追踪漏洞演化过程至关重要。然而，现有漏洞数据集普遍存在编程语言覆盖有限（多以单一语言为主）、补丁复杂度受限（多为简单小改动）、项目范围狭窄（多集中于少数知名仓库）等问题，难以反映真实世界漏洞的复杂性和多样性。为此，本文作者结合人工专家双重标注与智能体（agentic）工作流，构建了一个名为 VICBench 的多语言漏洞检测基准。该基准包含 100 个经过验证的 VIC，对应 100 个 CVE，覆盖 88 个开源项目，涉及 Python、Java 和 C++ 三种主流编程语言，涵盖 48 种 CWE 类型。VICBench 的特点是包含高度真实的复杂漏洞修复，平均修复补丁规模为 38.6 行，对应 VIC 平均为 252.5 行，显著大于先前工作所使用的补丁，从而提供了更具挑战性的评估场景。为了检验当前技术的实际水平，作者评估了最先进的漏洞定位算法 V-SZZ 和 LLM4SZZ，结果表明其在 VICBench 上仅能达到 33.3%–40.1% 的 F1 分数，说明依赖现有自动方法仍需要大量人工介入，也揭示了当前自动化漏洞检测方法的性能瓶颈。该基准的发布为漏洞检测研究提供了更高质量、更贴近真实场景的评估平台，有助于推动多语言环境下漏洞检测工具的发展和改进，并可作为后续研究（如大模型微调、代码审计工具评测）的基础设施。本文适用于安全研究人员、软件工程学者以及相关工具开发者阅读。

本文针对物联网固件漏洞检测中的跨语料库泛化问题展开研究。当前领域面临固件生态异构、平台资源受限以及现有基准测试局限性等挑战，许多数据集为合成数据或通用数据，缺乏人工验证和污染筛查，导致模型跨语料库泛化能力缺少可靠证据。为填补这一空白，作者提出了 IoTVulBench，一个经过人工验证的跨语料库固件漏洞检测基准。IoTVulBench-Core 从 GitHub 仓库构建，由三位专家评审员验证，并在经过污染筛查的held-out目标集上，评估了五种模型架构、两种调优方法和三种课程学习策略，同时进行了集成、蒸馏和鲁棒性分析。实验结果显示，在匹配的单源数据集中，基于 IoTVulBench 训练的模型取得了最高 MCC 值，达到 0.58，优于 PrimeVul 的 0.44 和 D2A 的 0.39。采用分阶段课程学习可将 MCC 提升至 0.69，而多样性优化的集成模型达到 0.73，比最强的参考比较器（静态分析器，MCC 0.31）高出 0.42，比 PrimeVul 高出 0.29。在 0.5% 假阳性率下，模型仅漏报 21% 的漏洞，而最强比较器漏报 71%。该模型在标识符重命名下保留了 86% 的性能，并展现出良好的校准性和可解释性。这些发现表明，领域匹配的训练数据和课程设计，而非单纯的模型规模，是固件漏洞检测泛化能力的关键驱动因素。本文为未来研究提供了基准，并为实际 IoT 安全应用提供了可部署的配置。适合安全研究人员、固件安全工程师和 LLM 应用开发者阅读。

本文提出了一种名为 autofz 的自动化元模糊测试框架，旨在解决模糊测试工具选择负担的问题。随着模糊测试技术的发展，出现了大量各具特色的模糊器，它们在不同目标上表现各异，但不存在一个在所有场景下都最优的通用模糊器。传统方法通过标准基准测试集来比较选择，但平均性能最优的模糊器并不一定适合用户的具体目标。为此，autofz 通过运行时动态组合现有模糊器，实现最优的资源调度。其核心思想是监控各模糊器的运行时进度（称为趋势，类似于梯度下降中的梯度），并据此细粒度地调整资源分配。与传统方法不同，autofz 在运行时根据当前工作负载自适应地推导出合适的模糊器组合，无需用户预先选择。实验评估显示，autofz 在 12 个可用基准中的 11 个上优于任何单一最优模糊器，在 20 个基准中的 19 个上优于现有的协作模糊测试方法。平均而言，autofz 比单一模糊器多发现 152% 的漏洞，比协作模糊测试多发现 415% 的漏洞。该方法为非侵入式设计，用户只需将所有可用模糊器提供给 autofz，即可获得接近最优的结果。本文的主要贡献在于提出了一种自动化、非侵入的元模糊器架构，通过动态趋势监控实现资源调度的细粒度优化，显著提升了漏洞发现的效率和效果。

该论文提出了一种名为 CLEAR (Causal Context-based Agentic Reasoning) 的新型多智能体漏洞检测框架，旨在解决现代软件漏洞检测中难以建模复杂因果依赖关系的问题。传统方法（包括基于大语言模型和多数多智能体框架）主要关注良性函数与漏洞函数之间的表面相似性，忽略了漏洞形成过程中涉及的执行流、控制条件、程序状态之间的因果链路。CLEAR 的核心创新是构建了一个漏洞因果知识图谱 (VCKG)，该图谱系统地建模漏洞实例中入口点、前置条件、根本原因和修复意图之间的因果链。基于 VCKG 的结构化知识，CLEAR 设计了四个专门化的智能体——Collector、Claim、Critic 和 Judge，它们协同工作，通过检索到的因果上下文对候选漏洞假设进行验证。实验基于 C/C++ 和 Java 漏洞基准测试，结果显示 CLEAR 在 Pair-Correct (P-C) 指标上相比最先进方法分别提升了 130.7% 和 71.56%，证明了因果知识图谱引导的智能体推理在自动化漏洞检测中的有效性。该研究主要面向软件安全研究人员、漏洞挖掘工具开发者以及大语言模型在安全领域应用的从业者，为其提供了一种将领域知识（因果图谱）与多智能体协作相结合的新思路。

本文面向无源码场景下的 AArch64 机器码漏洞检测问题，提出了一种基于数字孪生（Digital Twin）的可解释检测方法。传统二进制分析手段往往依赖符号执行或模糊测试，计算开销大且难以覆盖多步利用模式；同时很多现有工具只报告孤立的危险指令，无法给出完整上下文。该方法首先在虚拟机或模拟器中具体执行目标程序，记录寄存器、处理器标志、内存内容以及活跃分配块的完整状态，将每条指令转换为包含指令名称、操作数值和后指令状态的跟踪事件。漏洞模式被形式化为带测试的 Kleene 代数（KAT）中的符号规则，每条规则由事件序列和针对机器状态的谓词构成，因此可以表达跨多条指令的复杂行为。这些规则被编译成有限自动机，在扫描跟踪时无需调用 SMT 求解器，保证了效率。实验覆盖了三个典型 CWE：整数溢出（CWE-190）、空指针解引用（CWE-476）和堆缓冲区溢出（CWE-122）。系统在预定义漏洞样本上成功检出全部三类漏洞，且对安全样本不产生误报。每次检测结果均包含触发的规则、跟踪位置和具体状态数值，从而提供可复现、可解释的漏洞定位依据。其主要贡献在于：提出面向 AArch64 二进制程序的数字孪生跟踪模型，引入 KAT 规则表达漏洞模式，并设计了无需 SMT 的自动机扫描机制，显著提升了检测结果的可理解性。适合从事二进制分析、固件安全以及漏洞挖掘的研究人员与蓝队工程师阅读。

本文提出了一种名为 BINALIGNER 的二进制代码比对方法，旨在解决跨编译环境下的二进制文件差异分析问题。二进制差异分析（Binary Diffing）通过比对两个二进制文件的控制流图，将对应同一源代码片段的片段进行对齐，广泛应用于漏洞检测、抄袭检测等安全分析场景。然而，现有方法在跨编译环境（如不同编译器、不同优化级别、不同架构等）下效果有限，且对跨编译环境的支持不够灵活，主要原因在于它们依赖基本块的相似性比较。为了克服这些局限，BINALIGNER 在二进制层面提出了两项核心创新：一是引入条件松弛策略（conditional relaxation strategies）来筛选候选子图对，以减少同一源代码片段被错误匹配或漏匹配的可能性；二是使用与指令无关的基本块特征（instruction-independent basic block features）来生成子图嵌入，从而支持更灵活的跨编译环境二进制差异分析。作者在四个典型的跨编译环境场景（跨版本、跨编译器、跨优化级别、跨架构）以及这些场景的组合下进行了实验评估，结果表明 BINALIGNER 在大多数场景中显著优于现有的最先进方法。特别地，在跨架构场景以及多种跨编译环境组合场景下，BINALIGNER 的 F1 分数平均比基线方法高出 65%。此外，作者还通过两个真实世界的漏洞及其补丁的案例研究，展示了 BINALIGNER 在实际安全分析中的实用性。总体而言，BINALIGNER 为跨编译环境的二进制代码比对提供了一种更准确且灵活的解决方案，对于安全研究人员、漏洞分析师以及逆向工程人员具有较高的参考价值。

本文提出 VulAgentRL，一个面向跨函数（过程间）漏洞检测的智能体强化学习框架。现实中的漏洞往往涉及多个函数，但现有基于学习的检测器大多孤立地分析每个函数。作者在真实 CVE 样本上统计发现，71.7% 的脆弱函数需要依赖函数外部的证据才能被正确分类。智能体强化学习（RL）可以通过让模型自行收集证据来弥补这一差距，但缺乏可靠的奖励信号——仅基于最终判定的奖励可能被模型通过不执行任何调查而获得。VulAgentRL 基于代码属性图（CPG）构建，CPG 在推理时作为策略模型查询调用者、被调用者、数据流等信息的图数据库；在训练时，同一张图用于验证策略所引用的证据。由于每个 CPG 节点都具有持久的整数 ID，这种验证是精确比较而非文本匹配，因此奖励函数可以正确地奖励有证据支撑的判定。此外，作者通过蒸馏教师调查结果来初始化策略，并证明这种热启动是必需的，因为纯 RL 无法学会从未采样过的工具使用行为。实验采用仓库级划分以防止信息泄漏，在严格的 pair-wise-correct 指标下，VulAgentRL 在减少工具调用次数的同时优于包括前沿模型在内的最先进基线，并且在分布外语料库和类别不平衡场景下保持优势。该研究为过程间漏洞检测提供了一种将结构化代码语义与智能体决策相结合的新思路。

该论文提出了ZIMPAF和RedPhuzz两个系统，以克服现有Web应用模糊测试工具的三大局限性：插桩效率低、缺乏执行环境知识、以及有限的Web领域知识。ZIMPAF是一种运行时解释器插桩工具，实现了多粒度插桩，不仅能提供分支覆盖率，还能监控错误和异常日志、函数调用和语言结构，并识别用户输入用于分支指令的情况。它创新地无需完整污点分析即可识别参数被污染的潜在脆弱函数，并标记为高价值模糊测试目标；同时，通过反向常量探测推断参数来源于常量的函数，认为其不易受攻击并跳过。RedPhuzz则利用这些信息进行高度定向的函数级和输入级模糊测试，不仅基于传统错误检测，还通过多阶段漏洞检测发现静默漏洞。此外，论文引入了三种新型变异策略：感知消毒、分支输入感知和数据类型感知变异，以提高模糊测试的针对性和有效性。在六个基准Web应用的86个测试用例上，RedPhuzz检测到了所有漏洞，而对比工具Phuzz漏掉了16个；RedPhuzz比Phuzz快73%，尽管执行了更多任务。ZIMPAF相比Phuzz的插桩工具PCOV和UOPZ，在五个基准上的吞吐量提高2.1到41.22倍，对一个基准略低（0.87倍）。

大型语言模型（LLM）越来越多地被用于安全敏感任务，如漏洞检测和代码审查。这篇论文发现了一个此前未被充分探索的攻击面：攻击者可以在源代码中插入对抗性注释，这些注释能够影响检测器的推理过程，而不改变程序的执行行为。作者将攻击者建模为一个编码代理，它实现新功能、故意引入漏洞，并策略性地插入对抗性注释以逃避检测。为此，他们提出了ALIBI——一个自动化、自适应的黑盒攻击框架，该框架利用检测器的输出推理和反馈，迭代地生成并优化对抗性注释。研究者将125个真实世界的空指针解引用漏洞修复提交转化为编码任务，评估了四种具有代表性的基于LLM的漏洞检测器，包括专用开源推理模型和前沿多智能体系统。结果表明，所有检测器都高度脆弱：攻击成功率超过90%，在一个系统上达到100%。进一步实验显示，该框架还能泛化到其他类型的漏洞。最有效的对抗性注释是那些引导检测器推理或伪造外部工具结果的注释，而基于检测器反馈的迭代优化进一步提高了攻击成功率。最后，论文测试了提示级防御，发现它们对自适应攻击几乎没有抵抗力，而架构隔离和检测前注释净化则显著增强了鲁棒性。这项工作揭示了当前基于LLM的漏洞检测器的一个基本攻击面，并激励安全感知的设计，即在自然语言上下文和程序证据之间仔细校准信任。

该论文针对以太坊非同质化代币（NFT）智能合约中的漏洞检测问题，提出了一种结合漏洞导向代码切片、ERC-721 知识库和受限大语言模型（DeepSeek）分析的方法。研究背景是：现有静态分析工具（如 Slither、Mythril）基于规则高效，但难以处理特定应用逻辑；而自由形式的大模型分析可能被无关代码干扰或输出不一致。作者通过正则表达式模式定位重入、整数溢出/下溢和时间戳依赖等漏洞的候选语句，利用结构感知的上下文窗口算法提取带行号的代码切片，然后让 DeepSeek 基于显式决策规则和固定输出模式分析每个切片，最后支持自动批量处理。在 450 个 NFT 合约样本上，完整配置产生了 437 个阳性标签（阳性率 97.1%）；去除外部知识库后阳性率降至 87.11%；分析完整合约（无知识库）则降至 73.78%。实验表明，聚焦的代码上下文和领域约束显著影响检测器的输出效果。该方法为智能合约漏洞检测提供了一种结合专家知识与大模型能力的新范式，适用于安全审计人员和研究机构。

Electron是一个广泛用于构建跨平台桌面应用的框架，它基于Web技术，由多个不同权限等级的进程组成，进程间通过消息传递通信。当进程间消息携带攻击者控制的输入时，这些输入可能在进程间传播并最终到达特权API（如命令执行），这种消息传播行为被定义为消息传播漏洞（MPVs）。利用MPV通常需要多步操作，例如先通过消息传递在某个进程中实现任意代码执行，然后利用该进程构造另一条消息在另一个进程中进行命令注入。现有工作主要关注Electron的不安全配置和恶意DOM内容，无法检测或利用需要通过复杂跨进程消息传递触发的漏洞。本文提出Proton，一个用于检测MPV的分段定向模糊测试框架。核心思想是将端到端模糊测试沿着消息传递边界分解为每个进程的分段，每个分段的目标要么是到达当前进程中的sink点，要么是将payload传播到下一个进程以探索另一进程。在后一种情况下，消息种子化下一个分段的语料库。最后，Proton合成每个进程的崩溃输入以验证端到端利用。作者在589个真实Electron应用上评估Proton，发现了23个零日MPV，其中22个导致OS命令执行，涉及GitHub stars超过50k的项目。所有发现已负责任披露，已获得13个确认、11个修复、11个CVE以及来自Vercel的漏洞赏金。

本文提出了一种名为TaintRadar的静态污点分析框架，旨在解决现有代码属性图（CPG）在漏洞检测中的三大关键缺陷：粗粒度的净化建模（将验证视为二进制屏障）、数据库盲点（无法跨持久层追踪污点）以及浅层面向对象分析（遗漏字段级和跨过程数据流）。TaintRadar通过三个语义分析层对CPG进行系统增强：一是漏洞类型化的净化分析，利用传递函数和上下文敏感的参数绑定计算节点级安全保障；二是持久感知的传播机制，整合数据库模式约束和查询安全分析，以追踪跨多个脚本的共享数据库状态攻击路径；三是对象感知的到达定义，结合调用上下文和有界变量别名上下文，精确建模跨方法边界的对象字段变更。在SARD基准测试中，TaintRadar大幅降低了误报率，同时保持了80%的整体准确率。在19个真实PHP应用程序上的部署结果显示，它重新发现了大多数已知CVE，并发现了29个已确认的零日漏洞（包括26个SQL注入和3个存储型XSS），这些漏洞均已获得CVE标识。实验证明，语义感知的图增强显著提升了静态污点分析的精度、覆盖率和实际可用性。

本文研究了大型语言模型（LLM）在代码安全漏洞检测中的路由天花板现象。作者基于先前的数学推理研究（SAIR）假设，将结构先验（即“小抄”）注入提示词，以提升模型在特定分布下的漏洞检测能力。实验使用了三个LLM（GPT-OSS-120B、Llama-3.3-70B、Gemma-4-31B），覆盖三种漏洞类型（CWE-798、CWE-284及非CWE的N+1反模式），分别代表句法、语境和语义复杂度。在合成数据集上，结构先验将语义漏洞召回率从20.0%提升至100.0%，但零样本性能随语义复杂度增加而下降。当将相同的小抄迁移至真实世界CVE数据集（VUDENC中的CWE-89和CWE-22）时，分布转移导致性能急剧下降：CWE-89的合成F1从100%降至48.9%（下降51.1个百分点）。迭代校准生成的v2小抄在真实数据上表现更差，进一步验证了SAIR中的性能权衡面。这些发现表明路由假设具有跨域普适性：模型具备解决任务的知识，但缺乏可靠的路由机制；结构先验虽能放大分布内性能，但会加剧分布外崩溃。作者主张应开发分布感知的训练方法，而非仅靠提示校准。论文代码已公开。

该论文提出 DREA（解耦推理与探索代理）框架，旨在解决现有基于大语言模型（LLM）的漏洞检测方法在仓库级别（跨函数、跨文件）上下文自适应获取上的不足。现有方法多依赖孤立函数或固定程序分析规则提取的上下文，难以应对涉及多个函数或文件的复杂漏洞，导致检测可靠性下降。DREA 通过两个协作代理解耦推理与探索：规划代理基于高级 LLM 形成漏洞假设并指导调查方向；探索代理使用轻量级模型按需检索仓库级别上下文。这种目标导向的上下文获取机制是检测性能提升的主要来源，同时将消耗大量 token 的探索任务卸载到本地模型，大幅降低推理成本。为评估框架，作者构建了 RepoPairBench 基准，包含来自真实项目的已验证 Python 漏洞-修复对。除了二元检测准确率，论文还引入推理正确性评估，衡量模型推理逻辑是否与文档记录的漏洞机理一致。在三个 LLM 上的实验表明，DREA 将配对正确率从 19%-26% 提升至 30%-42%，同时将超过 93% 的 token 卸载到探索代理，估计可计费 API 成本降低 16-48 倍。推理正确性分析进一步揭示，DREA 和仅函数基线中 26%-55% 的真阳性虽然预测正确，但支持预测的推理逻辑存有缺陷，表明安全推理质量是当前 LLM 的共同瓶颈。该工作适合安全工程师、漏洞检测工具开发者和 LLM 应用研究者阅读。

该论文提出 Bulkhead，一个自动化框架，用于检测和修复容器逃逸中的路径遍历（PaTra）漏洞。背景是容器生态系统中的文件系统隔离常因跨边界路径解析错误而削弱，导致路径遍历漏洞。这些漏洞源于不安全的主机-容器交互，尤其是在云系统将共享资源（如GPU、代理工作区）挂载到容器中以支持AI工作负载时，此类漏洞日益普遍。现有防御不足：内核级防护具有侵入性，可能破坏系统调用稳定性，因此未被Linux主线接受；检测方法依赖于静态规则匹配或手动代码审计，静态规则会标记路径相关函数但无法捕获确定主机-容器交互所需的语义，导致大量误报；手动审查需要领域专业知识，成本高、效率低、难以扩展。Bulkhead创新性地将大语言模型（LLM）与形式化方法相结合，实现语义漏洞发现与修复。该框架使用多智能体系统，通过从已知案例中泛化的多维知识模式来识别和修复PaTra漏洞。首先，应用高风险功能模式定位容器化代码中跨边界交互的入口点；然后，利用调用链模式以适当深度恢复相应的执行路径。检测管道根据应用场景和威胁模型分析这些调用链，识别跨边界交互中的缺失安全检查、TOCTOU竞态等漏洞，并生成概念验证（PoC）漏洞进行验证。这些PoC随后指导补丁生成。为确保修复正确性，补丁管道使用预定义的模型检查模板进行断言驱动验证。实验（论文中应有）证明Bulkhead能有效发现真实世界容器环境中的漏洞并生成可靠补丁。该工作适合容器安全研究人员、云平台开发者及对AI基础设施安全感兴趣的从业者阅读。

该论文对文件劫持漏洞（File Hijacking Vulnerabilities, FHVulns）进行了系统性研究。文件劫持漏洞是一类通过操纵文件内容或路径来突破安全边界的漏洞，但此前缺乏对其底层机制的全面理解。作者收集了2020年1月至2022年10月期间268个详细记录的FHVuln CVE条目，进行了深入的实证研究，揭示了FHVuln的起源和触发机制，并指出现有检测技术忽略了大部分此类漏洞，因此预计软件中存在大量零日FHVuln。为了弥补这一缺口，作者开发了动态分析工具JERRY，该工具通过在程序执行期间模拟劫持动作，能够有效在运行时检测FHVuln。JERRY被应用于微软、谷歌、Adobe、英特尔等厂商的438个流行软件程序，共发现339个零日FHVuln。所有发现的漏洞均已向相应厂商报告，截至目前，84个漏洞已得到确认或修复，获得了51个CVE编号和83,400美元漏洞赏金。论文的核心贡献包括：首次对FHVuln进行大规模实证研究，揭示了其分布和触发模式；提出了一种新的动态检测方法JERRY，其检测能力显著优于现有工具；通过实际应用证明了该方法在发现真实世界漏洞方面的有效性。适合安全研究人员、漏洞分析工程师以及软件安全开发人员阅读。

该论文提出 EvoVuln，一个自动生成智能合约漏洞检测程序化知识的框架。现有基于大语言模型（LLM）的方法存在局限：基于提示的方法依赖人工设计的检测规则，而微调则需要大量标注样本，这在智能合约领域难以获取。EvoVuln 将漏洞检测重新定义为程序化知识进化问题，仅需极少量标注样本即可合成并精炼检测逻辑。其核心机制包括两个部分：一是运行时反转控制（IoC）架构，将检测规则编译为可执行策略，严格解耦确定性控制流与 LLM 语义推理，确保忠实遵循逻辑并产生密集的诊断遥测用于精确定位错误；二是两阶段进化流水线，通过溯因语义调试在没有参数更新的情况下精炼规则：冷启动阶段利用自动生成的边缘案例初始化并压力测试初始规则，少样本进化阶段仅使用每种漏洞类型 5 个漏洞样本和 5 个安全样本将策略锚定到真实世界语义。在五种真实漏洞类型上的评估显示，EvoVuln 达到 71% 的宏平均 F1 分数，优于所有基线。进化得到的程序化知识可跨模型迁移：使轻量低成本模型超过更大的零样本模型 19 个百分点，且无需重新训练即可迁移到其他 LLM，单次进化成本低于 50 美元。该研究适合安全研究员、智能合约开发者及 LLM 应用开发者阅读。

该论文提出了Antaeus，一个用于检测仓库级逻辑漏洞的框架，通过将LLM推理锚定在仓库级代码上下文中来克服现有方法的局限性。逻辑漏洞的识别需要推断应用特定的安全不变量和隐式假设，而现有基于LLM的检测器在内存安全等漏洞上表现良好，但难以处理逻辑漏洞，因为其安全不变量通常隐含在大量代码中。Antaeus采用仓库规模的处理流程，包括四个步骤：函数优先级排序（利用轻量级仓库级安全信号对函数进行排序，减少LLM调用成本）、上下文推理（结合本地代码上下文和仓库级视角，包括应用功能、安全资源和信任边界，推导安全条件）、比较验证（排除项目范围内的共同规范而非独有违规）和结构化报告（输出漏洞细节、违反的安全条件和证据）。在28个包含已确认逻辑漏洞的仓库上评估，Antaeus检测并解释了15个漏洞，在token使用和成本相当的情况下优于函数级和智能体基线模型。该工作为逻辑漏洞的自动化检测提供了新思路，适合安全研究人员和代码审计工具开发者关注。

智能合约是区块链上执行各种商业活动的软件程序。近年研究发现了一类新的“机器不可审计”漏洞，它们源于源代码未能满足底层交易上下文。现有检测方法需要人工理解交易逻辑并手动推理不同上下文来源（即模态），例如代码和描述预期交易行为的自然语言。为了自动化检测这类漏洞，本文提出了SmartInv，一个准确且高效的智能合约不变量推断框架。核心洞见在于，智能合约的预期行为（通过不变量指定）依赖于跨模态信息的理解和推理，如源代码和自然语言。作者提出了一种新的基础模型微调和提示策略——Tier of Thought (ToT)，用于在智能合约的多个模态间进行推理并生成不变量。SmartInv随后通过检查这些生成不变量的违反情况来定位潜在漏洞。实验评估基于过去2.5年（2021年1月1日至2023年5月31日）导致财务损失的真实世界智能合约漏洞，结果表明SmartInv能生成有效不变量，准确定位“机器不可审计”漏洞，共发现119个零日漏洞。从中采样了8个漏洞报告给相应开发者，其中6个被迅速修复，5个被确认为“高严重性”。该研究展示了利用多模态大模型自动推理智能合约安全性的可行性和有效性。

该论文首次系统性地探索了大型语言模型（LLM）在代码漏洞检测中受到认知启发（cognitive heuristics）影响的现象。作者设计了一个可控框架，保持代码本身不变，仅改变周围上下文来触发三种认知启发：晕轮效应（通过作者归属）、框架效应（通过任务目标和后果）和锚定效应（通过先前的分析结果）。在三种编程语言（可能包括C、Java、Python等）上评估了8个LLM（如GPT-4、LLaMA等），进行了定量和代码级分析。结果表明，所有模型均易受这些启发影响，其中框架效应的平均影响最高达33.2%，锚定效应23.5%，晕轮效应18.4%。代码级分析显示，需要语义推理才能检测的漏洞（如逻辑错误）比通过模式匹配可识别的漏洞（如语法错误）更容易受认知启发影响。此外，模型常常根据认知条件将代码从安全误判为脆弱，而并未准确识别实际漏洞。为了展示实际影响，作者演示了一种概念验证的黑盒认知攻击，能够抑制之前检测到的多达97%的漏洞。这些发现表明认知易感性是LLM漏洞检测中一致且可利用的属性。该研究对依赖LLM进行安全审计的开发者、安全分析师和AI安全研究者具有重要警示意义。

符号执行是一种强大的程序分析技术，广泛应用于漏洞检测、安全测试和恶意软件分析等领域。然而，该技术面临可扩展性问题，例如路径爆炸和复杂约束，这些问题往往源于真实程序中常见的特定结构和语义模式。现有方法尝试通过将程序转换为新表示来规避这些模式，从而降低执行开销。但遗憾的是，这些变换通常过于僵化，难以利用多样的局部程序语义，有时甚至依赖为具体执行设计的编译器优化，可能与符号执行的目标不一致。为此，本文提出了Symbolon框架，该框架能够自动学习多样化的代码变换，并以上下文敏感的方式应用这些变换来改进符号执行。其核心思想是将变换发现表述为程序表示上的搜索问题。为了使搜索实用化，Symbolon在离线状态下对小规模程序进行低成本学习，将学到的变换精炼成可重用的智能体技能库，然后利用智能体在仓库级目标上实例化这些技能。评估表明，在32个真实程序上，Symbolon采用16种搜索策略，均显著提升了符号执行引擎KLEE的性能：平均行覆盖率提高了3.69倍，峰值内存降低了29.2倍，每次查询的求解时间降低了123倍。当应用于最新的Linux内核时，Symbolon发现了21个以前未知的漏洞，所有漏洞均已报告给内核维护者。

该论文对二进制代码相似性检测（BCSD）在真实世界漏洞检测中的应用进行了大规模的实证研究。固件是物联网设备的核心，其开发高度依赖第三方库（TPL），这虽然加速了开发过程，但也引入了相关漏洞。BCSD通过比较代码片段对来识别固件中的漏洞，是一种有效技术。然而，现有研究要么仅在小规模数据集上评估性能，要么在漏洞、TPL和固件多样性方面不足，导致缺乏对BCSD在真实世界漏洞检测中全面理解。为填补这一空白，作者基于来自200个供应商的60,000个固件镜像，使用BCSD进行大规模漏洞检测研究。该研究并非提出新模型，而是考察四个关键因素对BCSD性能的影响：易受攻击函数版本、漏洞搜索空间、函数大小和编译工具链。结果表明，这些因素显著影响性能，且差异较大。为解决此问题，作者提出了一种构建感知查询策略，从真实世界的代表性二进制文件中派生查询，有效缩小差距，将平均倒数排名（MRR）从0.818提升至0.981。此外，他们还证明了一种TPL感知的两阶段搜索过程，通过限制搜索空间，将MRR进一步提高18.5%。该论文的主要贡献在于系统性地揭示了影响BCSD性能的关键因素，并提出了实用的优化策略，为固件安全漏洞检测提供了重要的实证依据和方法指导。适合安全研究人员、固件分析师和从事二进制分析的工作者阅读。

本论文针对大语言模型（LLM）用于自动化漏洞检测时，程序结构与语义信息的表示方式这一关键问题进行了实证研究。作者指出，当前的提示工程方法通常直接提供原始源代码，但这一做法缺乏理论支撑，且可能引入冗余信息导致推理效果下降。为此，论文构建了RepBench基准测试集，基于Joern工具从真实C/C++漏洞测试用例中提取多种程序表示：原始源码、抽象语法树（AST）、控制流图（CFG）、程序依赖图（PDG）及其组合，并特别增加了增强型PDG（ePDG）变体。实验采用来自PrimeVul的107个测试用例（覆盖5个CWE类别），在固定思维链（Chain-of-Thought）和结构化输出协议下评测了10种表示变体，外加19个额外ePDG用例。结果表明，表示选择显著影响LLM的漏洞推理能力。最佳组合AST+PDG达到83.2%的准确率，而原始源码仅53.5%。图结构提示（仅含图）在家族层面优于纯源码提示或源码+图提示，且所需提示长度更短。研究揭示了“上下文稀释效应”：向紧凑的结构化证据中添加原始源码，反而会降低关键漏洞信息的显著性，损害推理能力。总体而言，精心选择的结构化表示能够提供比简单增加原始输入更好的准确率-开销权衡，表明静态分析可作为安全聚焦型LLM推理的有效提示构造层。该工作对于理解如何优化LLM在代码安全任务中的输入表示具有重要指导意义。

全同态加密（FHE）允许在不解密的情况下直接对加密数据进行计算，为安全云计算、金融和医疗等隐私敏感应用提供了强大的隐私保障。然而，FHE方案的复杂性阻碍了其实际应用。为了降低开发门槛，新一代专用框架应运而生，将高级FHE程序转换为复杂的FHE操作，引入了新的编程范式。但这些框架的内在复杂性使其易受实现逻辑缺陷的影响。与简单的崩溃不同，逻辑错误可能悄无声息地破坏加密计算，导致严重的经济损失和FHE增强应用中的安全漏洞。本文提出了HERTA，首个专为FHE框架设计的自动化测试工具。HERTA利用蜕变测试（Metamorphic Testing）来揭示FHE软件栈多层级中的深层实现漏洞。为此，作者设计了一组基于FHE语义的新型蜕变关系（MRs），这些关系能够针对流水线中最具挑战性的方面进行压力测试，从而在没有人工真实标签的情况下实现自动化正确性检验。在三个领先的工业FHE框架上进行的评估中，HERTA发现了21个先前未知的错误，其中多个已被开发者确认并修复。此外，危害分析揭示了这些错误对基于FHE服务的完整性和可用性构成的严重安全影响。该研究对FHE框架的开发者、安全审计人员以及依赖FHE的应用程序设计者具有重要参考价值。

本文提出 Revelio，一个面向仓库级代码库的内存安全漏洞检测智能体框架。内存安全漏洞（如缓冲区溢出、释放后使用等）即使在经过大量模糊测试和人工审计的项目中仍然存在。现有基于大型语言模型（LLM）的方法虽有潜力，但存在幻觉、不可靠且难以扩展到大型代码库等问题。Revelio 通过生成可执行的漏洞证明（PoV）并由确定性消毒器验证来解决幻觉问题，从而确保报告的可复现性和可信度。框架采用低成本 LLM 与轻量级静态分析相结合，先生成漏洞假设，然后排序，仅在消毒器确认后报告漏洞。研究者在经过 5-8 年持续模糊测试的 7 个生产质量项目以及 CyberGym 基准中随机选取的 100 个 Arvo 项目上进行了评估。每个项目约耗时 1 小时，总成本 300 美元，共发现 19 个先前未知的内存安全漏洞。在基准测试中，Revelio 在使用不同骨干模型且 token 成本相当的情况下，性能优于前沿编码智能体。结果表明，Revelio 能够实现可扩展且可信的端到端 LLM 内存安全漏洞检测。本文适合安全研究人员、开发者及希望利用 AI 提升代码安全性的团队阅读。

该论文评估了六种前沿和开放权重的大型语言模型（LLMs）在实际Web漏洞检测中的能力，专注于WordPress插件中的静态分析。研究涵盖了SQL注入、存储型跨站脚本、路径遍历和远程代码执行四类漏洞，使用了五种不同结构、范围和复杂度的提示设计，并在三轮实验迭代中测试。结果显示，所有模型都能发现有效安全问题，但检测率因模型和提示而异：Claude Opus 4.6达到最高检测率63%，开源模型MiniMax M2.5以48%的表现与前沿模型相当，而自托管的Qwen 3.5仅为35%。研究发现，限定漏洞范围的提示优于开放式提示，而提示复杂度影响不大。值得注意的是，没有模型在三轮迭代中实现完全一致的报告，一致性最低仅50%。此外，没有一个模型能正确识别某个插件中的基准漏洞。论文为安全从业者提供了实践经验，并公开了所有代码和数据以支持未来研究。

本文提出 IoTBec，一种不依赖固件或源代码的物联网设备漏洞检测框架，专门用于发现黑盒设备中重复出现的漏洞。核心思路是构建“漏洞接口签名”（Vulnerability Interface Signature, VIS），该签名基于对黑盒接口的逆向分析和已知漏洞信息，能够快速匹配目标设备中潜在的相似漏洞。随后，IoTBec 将签名检测与大型语言模型驱动的模糊测试深度结合：一旦匹配成功，自动调用 LLM 生成针对性测试用例进行验证。作者在五家主流 IoT 厂商的设备上进行了大量实验，结果表明 IoTBec 比当前最先进的黑盒模糊测试方法（SOTA）发现的漏洞数量高出 7 倍以上，精确率达 100%，召回率 93.37%。总共检测到 183 个漏洞，其中 169 个获得 CVE 编号，53 个为新发现漏洞且平均 CVSS 3.x 评分为 8.61，涵盖缓冲区溢出、命令注入和 CSRF 等问题。特别地，通过 LLM 驱动的模糊测试还发现了 25 个此前未知的漏洞。该框架的创新在于无需固件或源代码，仅依赖黑盒交互即可高效发现已知漏洞的变种及新漏洞，显著提升了真实场景下的检测效率。适合安全研究人员、IoT 设备制造商及蓝队安全分析师阅读。

本文首次研究了基于变异性（metamorphic）的模糊测试预言增强（MFOE）方法，旨在提升灰盒模糊测试的漏洞检测能力。传统的模糊驱动程序通常仅依赖崩溃预言（crash-based oracle），忽略了库函数功能的正确性验证，限制了发现非崩溃类缺陷的能力。为此，作者提出利用变异性关系（MRs）构造变异性预言，并将其集成到现有模糊驱动中。然而，手动构建和集成此类预言需要大量领域知识，难以自动化。为解决这一挑战，论文提出了MetaFOE框架，借助大型语言模型（LLM）自动生成并集成变异性预言。MetaFOE首先从目标函数接口和文档中提取信息，利用LLM生成候选MRs，然后通过静态分析和编译验证筛选出可用的MRs，再自动生成元驱动程序（meta driver）代码。实验基于OSS-Fuzz项目中的实际驱动程序，使用了三种现代LLM（GPT-4、Claude等）和五种提示策略。结果显示，MetaFOE生成了3475个MRs，其中77.3%可被应用；实现了12351个元驱动，其中6228个有效。经过三小时的模糊测试，有效元驱动平均提升了18.7%的边覆盖率，并触发了1528个独特的崩溃。该工作证明了变异性预言增强的有效性以及利用LLM自动化实现MFOE的可行性，为推进灰盒模糊测试提供了新思路。

本文针对代码语言模型（CodeLMs）中的自然后门漏洞进行了深入的实证研究。自然后门是指模型在正常训练过程中无意习得的后门行为，与通过数据投毒注入的后门不同，其产生机制与模型内部表征有关。研究覆盖了多种模型架构（如GPT、BERT变体）和代码智能任务（如代码补全、缺陷检测、代码翻译），在44个场景下系统性地评估了自然后门的存在性，结果表明自然后门在CodeLMs中普遍且固有。作者从模型层面和参数层面揭示了自然后门与注入后门的差异：前者往往与更多参数相关且分布更散。进一步分析了自然后门在数据集、模型架构和共享知识上的可迁移性，发现它们能在不同任务间迁移。成因分析从训练数据（如数据中的隐性偏差）和训练过程（如过拟合）两方面展开。评估了现有防御技术（包括预训练、训练中、训练后防御）对自然后门的缓解效果，发现多数防御效果有限。最后提出了ScanNBT检测方法，通过特征分析和异常模式识别来增强对自然后门的检测能力。该研究有助于理解CodeLMs的安全隐患，为开发更安全的代码模型提供指导。适合安全研究人员、AI安全工程师、代码智能开发者阅读。

定向灰盒模糊测试（DGF）旨在通过预定义目标位置强化对易受攻击代码区域的测试。现有DGF技术主要基于启发式算法优化适应度指标，但这些方法依赖历史执行信息，对尚未执行的路径缺乏预见性，导致难以处理具有复杂约束的路径，从而降低DGF效率。本文提出DeepGo，一种预测性定向灰盒模糊测试器，通过结合历史与预测信息，引导DGF沿最优路径到达目标位置。首先，DeepGo引入路径转换模型，将DGF建模为通过特定路径转换序列到达目标的过程；变异生成的新种子会引发路径转换，高奖励路径转换序列对应的路径更有可能到达目标。其次，为预测未执行的路径转换及其奖励，DeepGo使用深度神经网络构建虚拟集成环境（VEE），该环境逐步模仿路径转换模型并预测路径转换的奖励。然后，开发了模糊测试强化学习（RLF）模型，生成具有最高序列奖励的转换序列，RLF结合历史与预测路径转换生成最优序列，并指导变异策略。最后，为执行高奖励路径转换序列，提出动作组概念，综合优化模糊测试关键步骤，高效实现最优路径。实验在包含25个程序、100个目标位置的基准测试集上进行，结果表明DeepGo在到达目标位置的速度上比AFLGo、BEACON、WindRanger和ParmeSan分别快3.23倍、1.72倍、1.81倍和4.83倍，在暴露已知漏洞方面分别快2.61倍、3.32倍、2.43倍和2.53倍。

本文提出了一种名为符号解释器分析（SIA）的新方法，用于解决动态Web应用程序在符号执行中面临的多语言挑战。传统的符号执行工具由于对动态语言（如PHP）的语法支持有限且工程成本高，难以有效分析现代Web应用。SIA的核心思想是：由于Web应用逻辑由解释器（如PHP解释器）执行，因此可以利用现成的符号执行引擎分析解释器的二进制代码，从而间接理解Web应用的行为。这种方法继承了解释器对完整语法的支持，并复用了现有符号执行引擎的成熟工程实现。然而，SIA需要解决若干技术挑战，包括Web应用的探索（如处理超链接、表单等）、数据库交互的符号化建模等。作者基于SIA实现了SymPHP，一个针对PHP应用的混合执行（concolic execution）引擎。实验表明，SymPHP在多种PHP应用上实现了高代码覆盖率，并成功识别了数据集中77.23%的已知漏洞，显著优于此前的方法。此外，基于SymPHP构建的混合模糊测试框架进一步提升了模糊测试效率，并发现了10个新漏洞。该工作适合安全研究人员、Web应用安全工程师以及符号执行领域的开发者阅读，为动态语言Web应用的自动化漏洞发现提供了新的思路。

本文提出了一种基于类型系统的方法来推导程序暴露的抽象“怪异机器”（weird machines）。背景是：广泛使用的关键软件系统中存在潜伏漏洞，攻击者可触发并级联这些漏洞，使程序行为异常，形成可被利用的编程模型。作者创新性地设计了一种信息流类型系统，通过追踪信息流类型来检测漏洞，并抽象漏洞间的控制流以捕获怪异机器。形式化证明表明，推导出的怪异机器能够覆盖程序可能表现出的所有怪异运行时行为。进一步，攻击模式往往简单且重复，因此可以将抽象机器建模为漏洞类型的正则表达式，这种表示与平台无关，可作为攻击的统一描述语言。最后，基于正则表达式的语言包含性等决策比针对具体程序或其他形式语言的决策高效得多。本文主要贡献在于：提供了一种自动化推导程序内部攻击能力（即怪异机器）的框架，并给出了平台无关的攻击描述方法。适合安全研究人员、编译器开发者及系统安全工程师阅读。

该论文提出了一种需求驱动的云安全态势管理（CSPM）漏洞检测架构，旨在减少从漏洞披露到客户系统具备检测能力之间的关键路径延迟。传统CSPM依赖供应商集中维护和分发规则集，更新节奏受限于发布周期（数小时至数天），且针对包含配置谓词的丰富检测规则需要额外的人工编写时间。论文提出的架构不再由供应商分发规则集，而是在客户租户内持续从公共源（如CVE目录）与实时资产图的交集动态衍生规则：当目录条目与适用资产同时存在时规则产生，当任一输入不再支持时规则消失。这种双向推导既响应新目录条目也响应新资产，利用了目录条目的完整结构化字段（不仅限于受影响软件字符串）。实时规则集的规模受限于环境多样性而非目录广度。论文详细阐述了威胁模型、架构设计、形式化语义及等价定理、复杂度分析、工作示例和评估方法。主要贡献在于架构性转变及其带来的延迟和资源影响，规则正确性和告警优先级排序不在讨论范围内。该研究适合云安全架构师、CSPM产品设计者和安全运维研究人员阅读，以理解一种消除人工规则编写环节的自动化检测思路。

该论文首次系统性地研究了 Android 框架中 Java 和 Kotlin 并行实现引发的安全问题。随着 Google 在 Android 系统和应用层推广 Kotlin，AOSP 中存在大量用 Java 和 Kotlin 同时实现的相同功能组件。论文指出，虽然这些并行实现在功能上应当一致，但由于两种语言的语法和语义差异，实际运行时可能出现微小的行为分歧。这种分歧本身并非漏洞，但可能暴露周边安全逻辑的缺陷。作者设计并实现了 ParaDroid 分析框架，通过字节码级中间表示、类到源码映射重构以及大语言模型推理方法语义，规模化地识别 Java-Kotlin 并行方法并比较其行为差异。在 Android 14-16 的 AOSP 代码中，ParaDroid 发现了 329 对并行方法和 37 个易受攻击的差异。作者已负责任地向 Android 安全团队披露了可利用的问题，其中 3 个漏洞和 2 个 bug 被确认，并分配了 2 个 CVE ID。研究结果表明，检查 Java-Kotlin 并行代码路径是发现现代 Android 安全缺陷的有效途径。

现有的基于学习的Solidity智能合约漏洞检测器通常将检测简化为单函数内的语法模式匹配，但许多重大利用（如The DAO、Cream Finance）并不存在于单个函数中，而是存在于函数间的关系以及使攻击可行的条件组合之中。为此，本文提出AttackPathGNN，一种将检测重新定义为对显式攻击路径推理的图神经网络（GNN）。其两个架构创新区别于先前的GNN检测器：（1）状态干扰图（State Interference Graph），该图通过带类型和权重的边以及由显式五条件谓词定义的有向重入路径边，连接共享可变存储的每对函数；（2）合取池化（conjunction pooling），一种对八个命名利用前提条件的可微AND聚合器，其log-sigmoid形式使得当任一缓解措施（如重入守卫、访问控制修饰符或SafeMath）到位时，每个函数的利用评分会骤降。在五个独立训练运行中，AttackPathGNN在SmartBugs Wild保留测试集上达到92.3±0.2%的F1分数（假阴性率4.3±0.3%，在独立人工标注的SmartBugs Curated基准上检测率90.8±2.5%），并在每个种子上以100%恢复6/10个DASP10类别，重入检测达到98.7±1.8%。每次预测都附带结构化的修复报告，将每个判定转化为可操作的、函数级别的审计发现。该研究对智能合约安全审计、自动化漏洞检测工具开发具有重要参考价值。

该论文提出了Bastet，一个面向去中心化金融（DeFi）智能合约漏洞检测的细粒度专家标注数据集。2024年，DeFi协议因智能合约漏洞累计损失超过14.9亿美元，基于大语言模型（LLM）的漏洞检测成为有前景的应对方案，但现有评估数据集存在三大问题：基于过时的Solidity版本（如v0.4），无法反映现代DeFi合约；依赖自动化或LLM生成的标注，引入幻觉导致的标签噪声；采用粗粒度的单层标签，难以捕获真实业务逻辑漏洞的语义复杂性。Bastet通过以下方式解决这些问题：数据来源为2021-2024年的真实审计发现；由人类专家通过讨论达成共识进行标注；采用两层分类体系，包含46个标签和77个子标签。数据集包含从394份Code4rena竞争性审计报告中收集的4,402个发现（时间跨度为2021年4月至2024年11月），其中849个发现由DeFiHackLabs社区的白帽安全研究人员完全标注。所有标注均通过双标注者共识工作流程生成，确保了基于真实漏洞根因的标签准确性。该数据集的主要贡献在于：提供高质量、精细化的基准，以推动LLM在DeFi安全领域的应用研究，并促进可复现的实验评估。适合智能合约安全研究人员、LLM应用开发者及DeFi协议审计人员阅读。

本文采用机械可解释性方法深入分析大语言模型（LLM）检测软件漏洞的内部计算机制。研究以Gemma-2-2b模型为对象，使用Circuit Tracer工具追踪其在分类472个C/C++代码样本（含漏洞与安全代码）时激活的计算路径。令人惊讶的是，分析发现模型并非直接识别漏洞特征，而是主要依赖一组“安全检测器”——特定注意力头能识别安全编码模式。当这些安全检测器未激活时，模型将代码判定为有漏洞。关键神经组件包括：早期层（L5、L7）中专注于安全模式的注意力头，以及第7层多层感知器（MLP）中编码漏洞相关特征的神经元。消融实验证实了这些组件的因果作用：移除第11层导致漏洞检测准确率从100%骤降至6%，仅移除第7层中的20个神经元便使准确率降低50%。研究进一步揭示，LLM漏洞检测仅使用约16%的模型容量即可形成稀疏、可解释的电路。这一发现为漏洞检测系统提供了电路级别的解释，并可指导针对性的性能改进。论文成果有助于理解LLM在安全任务中的推理过程，推动更透明、可审计的AI安全检测工具的发展。

本文评估了前沿大语言模型（LLM）在网络安全任务中的实际能力，通过构建双模式基准测试：白盒函数级漏洞检测（VulnLLM-R，涵盖C/Java/Python）和黑盒Web应用安全测试（五个生产风格的应用，包含118个真实漏洞，覆盖20多个CWE家族，并将开源）。测试了六个前沿模型（GPT-5.4、Codex~5.3、Claude Opus~4.6、Sonnet~4.6、Gemini~3.1~Pro和Gemini~3~Flash）以及两个领域专用模型，在四种测试范式下进行。结果令人警醒：（1）每个前沿模型在白盒检测中产生10-50%的假阳性率，系统性地过度预测漏洞；（2）在黑盒测试中，前沿模型仅覆盖4-8%的真实漏洞，即使借助外部安全工具（Playwright MCP、Burp Suite MCP）也只提升到10-19%；（3）将结构化渗透测试方法编码到领域专用代理中，可将每个CWE家族的检测覆盖率提升至50%以上，表明方法论而非模型规模才是主要杠杆；（4）领域专用防御模型在所有模型中实现了最高精度（0.904）和最低假阳性率（9.7%），且仅需单个GPU。研究识别出训练数据的根本瓶颈：缺乏结构化安全测试轨迹（端到端请求/响应序列、失败数据和多步攻击链），并提出自博弈安全测试作为数据生成策略。结论支持为网络安全构建垂直领域基础模型。

该论文提出了ASSEMBLAGE-DEEPHISTORY，一个跨构建的二进制数据集，旨在弥补现有二进制语料库缺乏时间维度、跨编译多样性以及CVE标签组合的不足。数据集包含73,610个二进制文件，涵盖248个开源项目，使用GCC、Clang和MSVC编译器，在Linux和Windows平台上以多种优化级别编译，并包含跨多年的历史构建。每个二进制文件都通过数据库索引，关联其源代码、函数、调试信息、变体构建、历史版本以及易受攻击的函数。论文通过三个分析展示了该数据集的价值：一是设计了一个三阶段的LLM基准测试（识别、策略引导检测、跨构建迁移），用于测试LLM是否真正推理二进制漏洞还是仅匹配构建特定的模式；二是比较了MalConv嵌入、jTrans函数嵌入和TLSH模糊哈希在不同包版本的聚类效果；三是通过贝叶斯回归将二进制相似性分解为时间距离、文件变更和提交等贡献因素。该论文适合二进制安全分析、漏洞研究、机器学习应用于逆向工程领域的研究人员阅读。

本文提出 Veritas，一个基于语义的二进制内存破坏漏洞检测框架。针对剥离二进制文件中恢复对象语义、跨过程传播和可行触发条件的难点，Veritas 结合了三个关键组件：首先，一个基于 RetDec 提升的 LLVM IR 的静态切片器，重构包括 def-use、调用、返回、全局变量和指针操作在内的值流关系，生成紧凑的、带有证据支持的流对象；其次，一个双视角大语言模型检测器，通过反编译的 C 代码和精选的 LLVM IR 分步推理，关注控制流、边界和对象对应关系，避免全局传播；最后，一个多智能体验证器，通过引导式调试、断点检查和内存检查预言机来确认或拒绝候选漏洞。Veritas 实现为模块化流水线，在真实世界二进制漏洞基准上评估，达到 90% 的召回率。在误报评估中，对 623 个检测候选进行穷举验证和人工审计，穷举部分无假阳性，额外审计确认两个假阳性。实际应用中，Veritas 发现了一个此前未知的 Apple 漏洞并获得 CVE。该工作表明语义基础化作为实用二进制漏洞检测的操作设计原则的可行性。

软件漏洞检测对于确保软件安全性和可靠性至关重要。尽管深度学习取得了进展，但真实世界的漏洞数据集面临两个严重挑战：频率不平衡（少数类漏洞样本稀少）和难度不平衡（易检测与难检测样本的区分度不足）。本文从嵌入几何的角度重新审视这些问题，观察到这种不平衡会在超球面表示空间中引起几何失真，导致决策边界不稳定。为解决这一问题，作者提出了MARGIN（Margin-Aware Regularized Geometry for Imbalanced Vulnerability Detection），一个基于度量的框架，通过自适应边界度量学习和超球面原型建模来学习具有判别性的漏洞表示。MARGIN根据von Mises-Fisher浓度估计的分布结构动态调整几何正则化，使嵌入分布的概率质量与其对应的Voronoi单元对齐，从而减少几何失真，产生更稳定的决策边界。在多个公开漏洞数据集上的实验表明，MARGIN一致优于强基线，尤其在具有挑战性的不平衡数据集上，分类和检测性能显著提升。进一步分析显示，MARGIN产生的嵌入几何结构更有序，提高了鲁棒性、可解释性和泛化能力。

近年来，随着隐私保护法规（如欧盟GDPR）的出台，多方计算（MPC）协议被广泛用于公司和机构之间的联合数据分析与机器学习，以保护数据隐私。然而，MPC协议的复杂性导致其实现中常存在数据泄露漏洞，严重破坏预期的隐私保护。现有安全分析多依赖理论证明，忽视了实现中的漏洞检测。本文提出MPCGuard，一个实用的框架，用于检测MPC实现中的数据泄露漏洞。与传统内存漏洞不同，MPC中的数据泄露无法通过现有消毒工具识别。为此，MPCGuard首先建立由两个神经网络分类器组成的泄露标识器，根据MPC协议特性设计分类器结构，以判断实现是否包含数据泄露漏洞。识别出漏洞后，采用delta方法辅助定位。为验证有效性，在三大主流MPC框架（Crypten、TF-Encrypted、MP-SPDZ）中的29个常用实现上进行测试，发现12个存在数据泄露漏洞，部分可导致原始数据重构。截至论文撰写时，所有漏洞已被确认，其中两个已分配CVE编号（据作者所知，这是首个针对MPC实现数据泄露漏洞的CVE）。该工作首次系统性地解决了MPC实现中数据泄露漏洞的自动检测问题，对保障MPC应用的安全性具有重要意义。

业务逻辑漏洞是软件安全中一个关键且难以检测的问题，它们源于应用程序设计或实现中的错误，使攻击者能够触发非预期的行为。传统的基于模糊测试的动态分析工具在检测内存安全漏洞方面表现出色，但往往无法发现业务逻辑漏洞，因为这些缺陷需要理解特定于应用程序的语义上下文。已有的推测上下文的方法由于依赖启发式和非可移植的语言特性，本质上是脆弱且不完整的。由于业务逻辑漏洞在CWE Top 40中占据27个，是实际中最危险的软件弱点之一，现有工具的盲点令人担忧。本文提出了ANOTA，一种新型的人机协同的sanitizer框架。ANOTA引入了一个轻量级、用户友好的注解系统，使用户能够直接将其领域知识编码为轻量级注解，这些注解定义了应用程序的预期行为。运行时执行监视器观察程序行为，将其与注解定义的策略进行比较，从而识别指示漏洞的偏差。为了评估ANOTA的有效性，作者将其与最先进的模糊测试器结合，与其他针对相同目标的流行漏洞发现方法进行比较。结果表明，ANOTA+FUZZER在有效性上优于其他方法。具体来说，ANOTA+FUZZER成功复现了43个已知漏洞，并在评估期间发现了22个以前未知的漏洞（分配了17个CVE）。这些结果证明，ANOTA为发现传统安全测试技术经常遗漏的复杂业务逻辑缺陷提供了一种实用且有效的方法。

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。

该论文针对嵌入式固件二进制中认证绕过漏洞的检测问题展开研究。认证绕过漏洞通常源于开发者对认证逻辑的错误实现（如硬编码凭证、弱会话管理、权限检查缺失等），在现实攻击中常被用于获取系统后门或提升权限。现有静态分析工具虽能检测内存破坏漏洞，但在认证逻辑的语义理解上存在局限，难以精准识别绕过路径。作者提出一种基于符号执行与污点分析相结合的混合方法：首先通过二进制程序切片提取认证相关的函数和基本块，然后利用符号执行引擎遍历所有可能的认证分支，并通过污点传播标记关键输入（如密码、令牌、会话ID）。当符号执行发现一条路径既能绕过认证检查（例如使返回值为真）又能到达后续危险函数时，即报告为潜在漏洞。方法的关键创新在于设计了一种轻量级的认证状态机，用于建模固件中常见的认证协议（如挑战-响应、一次性密码等），并支持对多阶段认证流程的建模。实验在包含1200个真实固件镜像的数据集上进行，涵盖了多种嵌入式架构（ARM、MIPS、x86）。结果显示，该方法共发现37个未知认证绕过漏洞，其中19个已获得CVE编号。与现有工具（如FirmUSB、Angr）相比，检测率提升约60%，误报率降低至12%。论文还分析了固件中认证模式的多样性，并讨论了如何将方法扩展到IoT设备范围。

该论文针对现代Linux固件中C-Lua混合Web服务的安全漏洞检测问题展开研究。传统静态污点分析工具通常仅关注固件中的C二进制文件，忽略了Lua脚本及字节码的存在，导致检测覆盖面不足。作者观察到现代固件广泛采用Lua与C混合编程实现Web服务，因此提出FirmCross——一种面向C-Lua混合Web服务的自动化污点风格漏洞检测器。FirmCross能够自动解混淆固件中的Lua字节码，识别Lua代码空间中的独特污点源，并系统性地捕获C-Lua跨语言污点流。在包含来自11家供应商的73个固件镜像的数据集上，FirmCross检测到的漏洞数量是现有最先进工具（MangoDFA和LuaTaint）的6.82倍至14.5倍。尤其值得注意的是，FirmCross帮助发现了610个0-day漏洞，截至论文提交时已有31个漏洞被分配了CVE编号。该工作显著提升了固件Web服务安全分析的完整性和有效性。

该论文聚焦于JavaScript/Node.js生态中广泛存在的原型污染（Prototype Pollution）漏洞检测问题。原型污染漏洞允许攻击者通过操纵对象的原型链，在运行时注入恶意属性，从而导致拒绝服务、权限提升甚至远程代码执行。现有检测工具存在高误报、低覆盖或无法生成可利用PoC的问题。为此，作者提出了Bullseye——一个混合静态与动态分析的漏洞检测系统，能够自动为发现的漏洞生成概念验证（PoC）利用。Bullseye首先通过静态分析扫描NPM包中的可疑模式，并使用符号执行和污点传播来识别潜在的污染路径。随后，动态分析阶段在沙箱环境中实际执行PoC，验证漏洞的可利用性。在包含超过1500个流行NPM包的测试集上，Bullseye发现了124个之前未知的原型污染漏洞（其中98个已被确认），相比现有工具（如CodeQL、Prototype Pollution Scanner）召回率提升32%，误报率降低47%。所有发现的漏洞均已负责任地披露给相关维护者。实验还表明，Bullseye的PoC生成能力有效降低了安全团队验证漏洞的时间成本。

本文研究了一种轻量级的函数级漏洞检测方法，旨在为C/C++代码提供快速、可复现的排序基线，以辅助人工分类。传统方法依赖代码图或深度模型，计算成本高，而本文提出的流水线完全避免深度学习、Transformer和图结构，仅使用原始函数的稀疏token n-gram特征（TF-IDF加权）和一组简单的代码度量，包括NLOC、近似圈复杂度、token数、最大括号深度和参数个数。分类器采用带类别权重的逻辑回归，以处理标签不平衡问题。实验基于Devign函数级漏洞标签，评估了随机分割和跨项目（FFmpeg到QEMU）迁移场景，主要关注PR-AUC和Recall@10%等排序导向指标。在随机分割中，最佳组合取得PR-AUC 0.642和Recall@10% 0.161；而跨项目泛化难度显著增加，PR-AUC仅约0.436。此外，还进行了消融实验、标识符重命名鲁棒性测试以及端到端效率分析。结果表明，简单特征组合可作为有用的透明基线，但存在对表层词汇线索敏感、跨项目迁移能力有限等局限。本文适合对代码安全评估中的轻量级方法感兴趣的读者，尤其是需要快速基线对比的研究者或工程团队。

本文提出了一种基于大语言模型（LLM）的智能合约漏洞检测框架。智能合约因其不可篡改特性，易遭受多种安全漏洞攻击，导致重大经济损失。现有检测方法通常依赖人工制定的专家规则，缺乏对不同漏洞类型的灵活适应性。为此，作者构建并公开了一个大规模数据集，包含来自15个主流区块链平台、超过3200个真实项目的31165个专业标注的漏洞实例。该框架利用基于抽象语法树（AST）的精确上下文提取和漏洞特定的提示设计，为13种常见漏洞类型实例化定制检测器。实验结果表明，该方法平均正样本召回率达0.92，平均负样本召回率达0.85，展示了精心设计的上下文提示在实现可扩展、高精度智能合约安全分析方面的潜力。该研究为智能合约安全检测提供了新的思路，特别适合安全研究人员和区块链开发者关注。

本文介绍了 Zorya 符号执行框架的扩展，使其能够处理由 Go 标准 gc 编译器生成的多线程二进制文件。Zorya 框架最初仅支持单线程 TinyGo 二进制，通过将二进制提升到 Ghidra 的 P-Code 中间表示，并利用 Z3 SMT 求解器对具体值和符号值进行推理来检测漏洞。为了支持 gc 编译的二进制，作者解决了三个关键挑战：从 gdb 转储恢复操作系统线程状态以处理多线程；中和运行时抢占机制避免执行干扰；引入写时复制（copy-on-write）覆盖路径分析，用于检测未执行分支上的静默漏洞（如整数溢出）。研究在 11 个来自生产级 Go 项目（如 Kubernetes、Go-Ethereum 和 CoreDNS）的真实漏洞上进行了严格评估。结果表明，Zorya 成功检测出 7 个二进制级别漏洞，其中包括一个静默整数溢出——其他评估工具在没有手动编写预言（oracle）的情况下无法发现。该工作显著扩展了 concolic 测试在 Go 生态系统的实用性，为自动化安全分析提供了新手段。适合安全研究人员、Go 开发者和二进制分析工具开发者阅读。

该论文提出了一种名为TaintGrep的静态分析工具，用于检测Android应用中的漏洞。该工具基于污点分析（taint analysis）技术，并支持用户自定义规则，从而能够灵活地适应不同的安全检测需求。TaintGrep通过构建数据流图并追踪敏感数据（如用户输入、敏感API调用）的传播路径，最终识别可能导致信息泄露、权限滥用等安全问题的模式。实验部分（abstract未详细说明）可能评估了其在真实应用上的检测效果。该研究的主要贡献在于提供了一个可扩展的静态分析框架，允许安全分析师根据特定漏洞类型编写自定义规则，降低了针对新型漏洞的检测门槛。适合安全分析人员、移动安全研究者以及希望定制化检测逻辑的开发者阅读。

本文提出 VulStyle，一种多模态软件漏洞检测模型，它联合编码函数级源代码、非终结符抽象语法树（AST）结构和代码风格计量（CStyle）特征。现有代码表示方法主要依赖词级模型或完整AST树，往往忽略指示风险编程习惯的风格线索，或者引入高结构开销。VulStyle 仅选择非终结符 AST 节点，在保留语义层次的同时降低输入复杂度，并集成句法和词法 CStyle 特征作为辅助漏洞信号。该模型采用掩码语言建模在 490 万个函数（覆盖七种编程语言）上进行预训练，并在五个基准数据集（Devign、BigVul、DiverseVul、REVEAL、VulDeePecker）上微调。VulStyle 在 BigVul 和 VulDeePecker 上达到当前最优性能，F1 分数相比强基线 Transformer 模型提升 4%-48%，在所有基准上均取得具有竞争力或最优的平均性能。本文还通过消融实验分离 CStyle 和 AST 结构的影响、进行错误案例分析，并在攻击者真实场景下定位检测任务的威胁模型。该研究为漏洞检测提供了融合编程风格特征的新思路，适合安全研究者和代码分析工具开发者阅读。

介绍了一个跨多个提交引入的Python漏洞基准，揭示了每次提交静态分析工具检测率极低（13%），表明现有SAST对这类漏洞几乎无效。