Linux 内核漏洞对下游系统的安全性构成重大威胁。尽管已有大量自动内核利用研究，但抽象利用策略与具体技术操作之间仍然存在概念鸿沟，导致自动化程度有限。本文针对这一挑战，首先提出了一套系统化的表征方法：将利用原语从逻辑能力到可验证效果形式化为六类，并扩展了利用策略表示，将原语升级策略与原语路径代码合成规则（对象约束、时间序列、环境前提、验证约束）耦合。在此基础上，作者设计了 PrimSynth，一个多代理框架，通过协调多个智能体来发现、验证和合成针对 Linux 内核内存破坏漏洞的利用原语。该框架中的代理在迭代闭环中运行，利用验证信号作为可利用状态转换的证据来支撑原语合成决策，直至找到有效原语。文章还提出了一种基于漏洞定向执行和可重启验证环境的自动化原语提取与验证方法。论文在 16 个涉及 5 类漏洞类型的真实 Linux 内核 CVE 上进行了评估。实验结果显示，PrimSynth 实现了可靠的原语提取，原语匹配率达到 100%；在原语合成方面，当公有 PoC 可用时，多原语利用链的合成成功率为 82.4%（策略合成率 SSR），即使在没有原语假设引导的情况下，SSR 仍能达到 61.3%。这项工作填补了内核漏洞利用自动化研究中从抽象策略到具体实现的鸿沟，为安全社区理解攻击者的自动化思路和潜在利用模式提供了重要参考，同时也可为防御者提供评估漏洞真实风险的新视角。

该论文针对 app-in-app 生态（即超级应用内嵌的小程序生态）中云资源管理的安全问题进行了首次系统性研究。在 app-in-app 架构下，超级应用为小程序开发者提供云服务，使其能够通过定义良好的云 API 管理敏感数据。然而，这些云服务的资源管理机制可能存在配置不当或逻辑缺陷，导致严重的安全风险。研究者将这些风险称为 ICREM（Insecure Cloud Resource Management，不安全的云资源管理）。为了自动发现此类风险，论文提出了一种名为 ICREMINER 的新方法，结合静态分析与动态探测技术。静态分析用于解析小程序的代码结构和云 API 调用关系，动态探测则用于验证潜在的资源管理漏洞是否真实可利用。研究者基于真实世界的小程序进行了大规模实证分析，最终识别出 2,815 个小程序受到该漏洞影响，表明这一安全问题在生态中具有广泛的波及面。此外，研究团队遵循负责任披露流程，向相关方报告了漏洞，并针对性地提出了缓解策略，包括改进云平台的资源管理校验机制、加强开发者的安全配置指南等。该研究填补了 app-in-app 云服务安全研究的空白，为平台运营方、小程序开发者以及安全研究者提供了重要的参考，同时揭示了云资源管理作为新兴攻击面的现实威胁。

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。