全部动态

LLMBisect：基于对比分析流水线的 Bug 二分定位

用 LLM 多阶段流水线定位引入漏洞的 commit，准确率比现有最优方法高出 38% 以上。

ProtocolGuard：LLM 引导静态分析与动态验证检测协议不合规 Bug

结合 LLM 静态分析与模糊测试验证，在 11 个协议实现中发现 158 个不合规 Bug，其中 70 个已确认。

重流量监测中的博弈与零样本攻击

利用强化学习构造可规避流量监测的攻击，并通过对抗训练降低其带宽利用效果。

TIPSO-GAN：基于优化生成对抗网络的恶意流量检测

提出结合粒子群优化和注意力机制的GAN检测恶意流量，在零日和跨数据集测试中取得较高准确率。

利用偏差劫持LLM静态分析

发现熟悉模式偏差可使LLM代码分析忽略细小漏洞，并提出可自动注入的攻击方法。

它们修复了什么？LLM辅助分类关键内存漏洞补丁

提出LLM与小模型结合的补丁分类流程，识别Linux内核中的越界访问和释放后使用漏洞。

EnchTable：微调大语言模型中的统一安全对齐迁移

PHILTER：用LLM推理框架揭示AI钓鱼检测研究缺陷

PHILTER结合LLM与专家评审分析55种AI钓鱼检测方法，发现其在安全性、隐私和应对演化攻击方面存在系统性不足。

从文本到规则：用 LLM 从威胁报告生成 Sigma 规则

提出 SIGMERGE，借语义中间层将威胁报告中的命令转为 Sigma 检测规则，对比 16 个基线与 13 个 LLM，已有 4 条规则被官方仓库接收。

大规模研究LLM个性化网络钓鱼

对7700名参与者的实验表明，LLM生成的个性化钓鱼邮件点击率接近普通钓鱼的三倍，单封成本约0.03美元。

千滴之死：揭示 Windows 生态中的关键资源泄漏

提出 REDOSPECTOR 模糊测试框架，结合静态分析与 LLM 生成种子；在 Windows 核心服务中发现 19 个漏洞，12 个获 CVE。

Cutting the Gordian Knot：知识挖掘检测恶意PyPI包

提出结合行为模式挖掘与LLM语义抽象的检测框架，在真实部署中发现219个此前未知的恶意软件包。

Retrofit：面向二进制安全检测与分析的受控遗忘持续学习

无需历史数据，通过参数合并与低秩稀疏约束控制遗忘，恶意软件检测在时间漂移下留存分数由 20.2% 提升至 38.6%。

JScamd：检测JavaScript加密API误用的自动化污点分析

JScamd利用LLM辅助生成污点规则，在322个JavaScript项目中发现1059处加密误用和41个此前未知漏洞。

PANGOLIN：用 LLM 驱动的代码分析对多语言 IoT 固件做模糊测试

利用 LLM 识别接口并生成参数规范，发现 68 个未知漏洞，是现有最优工具的 2.96 倍，其中 45 个在隐藏接口中。

PatchWeaver:变更管理策略下风险有界的自主漏洞修复

提出在变更管理策略约束下的 Kubernetes 自主修复系统,相比工具链基线将步骤级违规降低52.5%,比 LLM Agent 基线降低79.1%。

BugAuditor：通过不一致的防御性代码审计检测缺陷

以防御性处理不一致作为 LLM 缺陷审计的新判据；在 Linux 内核中发现 54 个潜伏缺陷，其中 20 个已确认修复，2 个获 CVE。

通过多 Agent 缺陷发现理解核心网中的隐式信任错误

提出多 Agent 框架 iFinder,用 LLM 发现并生成 PoC,在7个蜂窝核心网模拟器中发现84个未知漏洞,40个获 CVE。

迈向通用性：基于语义检索与可验证推理的任务自适应二进制分析

提出 BINREX，首个通用全自动静态二进制分析 Agent 框架，在 72 项任务上成功率 83.3%，并在工业部署中识别出 395 个未知恶意样本。

H3Act：自动测量CDN中HTTP/3到HTTP/1.1转换异常

H3Act结合LLM与RAG生成测试载荷，发现九个商业CDN普遍存在协议转换导致的安全回归漏洞。

Kintsugi：通过运行时策略注入让 LLM 缓解 Web 漏洞

结合差分系统调用分析与 LLM 定位漏洞代码，经 eBPF 强制执行最小权限策略，在 27 个真实 CVE 上有效，平均响应 7.6 分钟。

VIPER 出击:用结构化视觉-语言推理击败视觉推理验证码

提出结合多目标视觉感知与 LLM 推理的统一攻击框架,在六家验证码厂商上成功率最高93.2%,并提出模板空间随机化防御。

从辅助到自主:AI 在线下 CTF 竞赛中使用的实证研究

对41名参与者研究 AI 辅助 CTF 的感知与协作,并对比四个自主 Agent,发现人机协同(AI 加速探索、人给出引导与验证)表现最佳。

COGNITION：从评估到防御多模态 LLM 验证码破解器

评估 7 个 MLLM 在 18 类验证码上的破解效果，发现识别类任务易被攻破，并据此加固验证码，使成功率由 95% 以上降至 0%。