本文针对控制器局域网(CAN)中的错误处理机制展开了深入的安全性分析。CAN总线广泛部署于汽车、工业自动化等安全攸关领域，其错误处理机制包括错误帧、主动错误标志、被动错误状态等，设计初衷是为了在总线节点间实现可靠的数据传输。然而，该研究通过形式化建模与实验验证，首次揭示了这些错误处理规则中存在多个可利用的漏洞。具体而言，攻击者可以通过精心构造的异常位序列，使节点被动错误状态下的错误计数重置逻辑失效，从而引发节点间的状态不一致，导致合法报文被错误地置为无效或被忽略。此外，论文还发现了错误帧的优先级与正常数据帧之间的竞态条件，攻击者利用这一条件可以阻断特定节点的数据发送，形成拒绝服务攻击。实验在真实的CAN控制器和模拟环境中进行，验证了漏洞的可利用性，并评估了其影响范围。研究还讨论了现有入侵检测方案对这类攻击的检测盲区，并提出了改进错误处理逻辑、增加计数校验与超时监控等缓解建议。该工作为车载网络安全提供了新的攻击面认知，对推动CAN协议安全增强具有重要参考价值。

现代操作系统的攻击面如同一个巨大的干草堆：包含数千个已签名的二进制文件和数百万个函数，其中绝大多数与任何特定漏洞无关。人类分析师或LLM代理必须先挑选出值得阅读的函数，然后才能进行分析。在整个操作系统范围内，目标选择（而非分析）成为了制约瓶颈。本文提出了Symbolicate-Enrich-Sample（SES）管道，这是一个低成本的批量处理流程，能够将一批生产环境中的Windows二进制文件转化为可查询、按优先级排序的研究队列。具体步骤包括：(i) 通过自动获取公共符号文件并关联恢复的调用图，为被剥离符号的供应商二进制文件恢复函数级符号；(ii) 为每个命名函数附加廉价、确定性的结构特征，并基于这些特征使用低成本语言模型分配可达性层级、风险等级、漏洞类别假设和推理依据；(iii) 通过优先级加权重要性采样器抽取多样化、优先化的批次。该管道的主要贡献在于提供了一个选择基底：下游检测器或LLM代理可以在此优先层级之上运行。在整个包含7,231,419个函数的Windows镜像上，标签具有显著的选择性，通过堆叠确定性过滤器，最终留下约22,000个函数的短名单：即候选的“针尖”，数量足够人类或代理逐一处理。论文还描述了管道的选择性、失败模式、方法学，并报告了汇总统计数据；出于法律和双重用途原因，未提供导出的数据集。

该论文系统性地探讨了固件漏洞研究中语料库构建的科学性问题。作者指出，由于样本获取困难（如专有或加密数据）、内容未知、版权限制等挑战，现有固件语料库在可复现性、代表性和可靠性方面存在严重缺陷。他们首先分析了问题空间，提炼出影响语料库构建的实际二进制分析挑战，并据此推导出一套指导方针，旨在帮助研究人员提升语料库的可复现性和代表性。作者将这些方针应用于44篇顶级会议论文，系统评估了当前科学语料库构建实践，发现相关工作缺乏共同基础，存在方法论问题和文档缺失，导致代表性模糊和可复现性受阻。最后，作者展示了方针的可行性，构建了一个用于大规模Linux固件分析的新语料库LFwC，并分享了丰富的元数据以确保良好可复现性；该语料库经过解包验证、去重、内容识别并提供真实基准，证明了其在研究中的实用性。

该论文对零日攻击的本质进行了系统性的再审视，核心研究问题是：零日攻击究竟源于新颖的攻击行为还是新颖的漏洞？作者回顾了跨越20年的已记录零日攻击事件，发现这些攻击无一例外地源自对未公开漏洞（即零日漏洞）的利用，而非攻击者采用了前所未见的行为模式（TTPs）。基于这一发现，论文提出了一种基于漏洞类型的分类法，将零日漏洞分为内存破坏、逻辑错误、配置缺陷等类别，并统计了各类型在历史事件中的出现频率，结果显示内存破坏漏洞最为常见，而针对防御机制漏洞的攻击在近年呈上升趋势。作者进一步分析了现有基于机器学习（ML）的入侵检测系统（IDS）所依赖的假设，指出一个关键错位：事件报告强调漏洞利用，而许多ML检测器却旨在检测假设中的“新颖行为”，例如异常流量模式或异常系统调用。这种错位可能导致ML-IDS的零日检测能力被高估。论文认为，以漏洞为中心的方法（如自动补丁生成、内存安全强化）更贴合真实攻击机制，并呼吁业界谨慎解读行为检测的声称，同时推动开发更符合现实利用特征的自动漏洞检测框架。研究结论对于设计下一代入侵检测系统具有指导意义，强调应优先发展漏洞侧的方法，而非单纯依赖行为分析。