Current injection and voltage insertion attacks against the VMG-KLJN secure key exchanger
本文展示了Vadai，Mingesz和Gingl（VMG）- Kirchhoff-Law-Johnson-Noise（KLJN）密钥交换器（Nature，Science Report 5（2015）13653）对两种主动攻击的脆弱性。的安全漏洞产生的事实，即有效的驱动阻抗是不同的HL和LH的情况下的VMG-KLJN计划，而理想的KLJN计划，他们是相同的。针对这些攻击，给出了两种防御方案，但每种方案只能防御其中一种攻击，而不能同时防御两种攻击。理论结果得到了计算机模拟的证实。
2022-11-13 cs.CR
TPSQLi: Test Prioritization for SQL Injection Vulnerability Detection in Web Applications
本文提出了一种针对Web应用SQL注入漏洞的新型测试优先级排序方法TPSQLi，通过利用先前的测试结果动态调整后续测试的防御强度向量，优化测试工作流程，从而有效提升了漏洞检测与缓解的效率。
2025-09-13 cs.CR cs.SE
ConsiDroid: A Concolic-based Tool for Detecting SQL Injection Vulnerability in Android Apps
在本文中，我们提出了一个concolic执行技术，用于检测Android应用程序中的SQL注入漏洞，我们称之为ConsiDroid的新工具。我们使用mocking技术扩展应用程序的源代码，这样原始源代码的执行不受影响。扩展的源代码可以被视为Java应用程序，并且可以由SPF以concolic执行来执行。我们自动地从静态分析中生成一个DummyMain类，以便按顺序调用基本函数，并触发导致易受攻击函数的事件。我们在ConsiDroid中使用污点分析扩展SPF。为了使污点分析成为可能，我们引入了一种新的符号模拟类技术，以减轻污染值在代码中的传播。SQL注入漏洞是通过接收易受攻击的函数的污染值来检测的。此外，ConsiDroid还利用静态分析来调整SPF，以便只检查可疑路径。为了说明ConsiDroid的适用性，我们从F-Droid存储库中随机选择了140个应用程序。从这些应用程序中，我们发现了三个容易受到SQL注入攻击的应用程序。为了验证它们的漏洞，我们使用Robolectric根据ConsiDroid的报告手动分析了这些应用程序。
2019-08-08 cs.CR cs.SE
Detecting and Mitigating SQL Injection Vulnerabilities in Web Applications
本文提出一种基于OWASP ZAP、sqlmap和Nmap的全面渗透测试方法，用于检测和缓解PHP-MySQL应用中的SQL注入漏洞，并验证了输入清理与预处理语句的有效性。
2025-06-07 cs.CR
Simulating SQL Injection Vulnerability Exploitation Using Q-Learning Reinforcement Learning Agents
University of Oslo（奥斯陆大学）
在本文中，我们提出了一个形式化的过程中利用SQL注入漏洞。我们认为简化的动态SQL注入攻击铸造这个问题作为一个安全捕获的标志的挑战。我们将其建模为马尔可夫决策过程，并将其实现为强化学习问题。然后，我们部署了强化学习代理，其任务是学习执行SQL注入的有效策略;我们设计训练的方式是，代理不仅学习解决单个挑战的特定策略，而且学习更通用的策略，可以应用于对我们的问题生成器随机实例化的任何系统执行SQL注入攻击。我们分析的结果，学习的政策的质量和收敛时间的函数的复杂性的挑战和学习代理的复杂性。我们的工作适合于更广泛的研究智能代理的自主渗透测试和白帽黑客的发展，我们的研究结果旨在帮助理解安全环境中强化学习的潜力和局限性。
2021-05-22 cs.CR cs.LG
Automated Vulnerability Injection in Smart Contracts Using Large Language Models
Università degli Studi di Napoli Federico II（那不勒斯费德里科二世大学）；Gran Sasso Science Institute (GSSI)（格兰萨索科学研究所）；University of Coimbra（科英布拉大学）；College of Computing and Informatics, University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校计算与信息学院）
研究针对智能合约漏洞检测数据集稀缺问题，提出用大语言模型自动注入漏洞的方法，生成32个有效漏洞合约，评估了静态分析器并验证了该方法的可行性与局限性。
2026-09-03 cs.AI cs.CR cs.SE
False Data Injection Attacks on Hybrid AC/HVDC Interconnected System with Virtual Inertia -- Vulnerability, Impact and Detection
电力系统正在向混合AC/DC电网发展，其中集成了HVDC链路、可再生资源和能量存储模块。新的频率控制模型必须考虑这些组件之间复杂的相互作用。与此同时，应更加关注网络安全问题，因为这些控制策略高度依赖可能受到网络攻击的数据通信。针对这一问题，本文旨在分析具有虚拟惯性的交直流关联系统上的虚假数据注入（FDI）攻击，并开发先进的诊断工具来揭示其发生。我们建立了一个基于优化的框架的脆弱性和攻击影响分析的目的。考虑到攻击对系统频率稳定性的影响，仿真结果表明，与无虚拟惯性的交直流并联系统和正常交流系统相比，具有虚拟惯性的交直流并联系统更容易受到FDI攻击。然后，我们提出了一种检测方法，以检测和隔离每个FDI入侵与足够快的响应，甚至恢复攻击值。在理论分析的基础上，对具有虚拟惯性仿真能力的两区域交直流关联系统进行了仿真，验证了所提方法的有效性。
2020-05-30 cs.CR math.OC
Logic layer Prompt Control Injection (LPCI): A Novel Security Vulnerability Class in Agentic Systems
Qorvex Consulting（Qorvex咨询公司）；Roshan Consulting（Roshan咨询公司）；OWASP Top 10 for LLMs（OWASP顶级LLM列表）；NIST GenAI PWG（NIST生成AI工作组）；Deloitte Enterprise Risk | Internal Audit | Technology GRC（德勤企业风险管理|内部审计|技术治理与合规）；Reykjavik University（雷克雅未克大学）；Nokia, Technology Center, Ulm, Germany（诺基亚技术中心，德国乌尔姆）
本文提出逻辑层提示控制注入（LPCI），一种针对智能体系统的新型安全漏洞，通过记忆或工具输出嵌入隐蔽载荷，绕过过滤器并跨会话触发未授权行为。
2025-08-06 cs.AI cs.CR cs.LG
No-Box Vulnerability Analysis: Description-only Detection of Indirect Prompt Injection Vulnerabilities in MCP Servers
Arizona State University（亚利桑那州立大学）
提出无盒漏洞分析新范式，仅凭功能元数据即可检测MCP服务器间接提示注入漏洞，原型MCPSEC在177个工具上实现98.9%召回率，验证了该方法的实用性。
2026-09-18 cs.AI cs.CR
Evaluating LLMs for Real-World Web Vulnerability Detection
Technische Universität Berlin（柏林技术大学）；Freie Universität Berlin（柏林自由大学）
本研究通过基准测试六种前沿和开源LLMs在WordPress插件静态分析中的Web漏洞检测能力，发现模型和提示设计显著影响检测率，其中Claude Opus 4.6达到最高63%，但所有模型均存在报告不一致问题。
2026-06-23 cs.AI cs.CR
When Reject Turns into Accept: Quantifying the Vulnerability of LLM-Based Scientific Reviewers to Indirect Prompt Injection
BITS Pilani；KIIT University（KIIT大学）
本研究量化了基于LLM的科学评审系统对间接提示注入攻击的脆弱性，揭示了通过隐藏文本注入和布局感知攻击翻转评审决定的风险，并提出WAVS指标评估此类攻击的严重性。
2026-01-06 cs.AI cs.CL cs.CR
Context Contamination in LLM Analysis of Network Security Logs: Poison with Passive Prompt Injection and Mitigation Evaluation
PayPal Inc.（PayPal公司）；University of Houston（休斯顿大学）；Kent State University（肯特州立大学）
研究网络安全日志大语言模型分析中的上下文污染问题（被动提示注入漏洞），提出LogInject框架评估威胁，通过实验得出攻击成功率等数据，引入上下文拼接技术，评估分层防御效果，揭示需深度防御架构和人工监督。
2026-07-17 cs.CR
Token-Efficient Prompt Injection Attack: Provoking Cessation in LLM Reasoning via Adaptive Token Compression
University of California, Merced（加州大学梅尔德分校）；University of Queensland（昆士兰大学）
针对DeepSeek-R1等推理LLM的“思考停止”漏洞，本文提出基于自适应token压缩的“推理中断攻击”，利用简单独立算术任务高效收集并压缩攻击提示词，在显著降低token成本的同时维持有效攻击能力，并深入分析了漏洞成因以提升模型安全性。
2025-04-29 cs.AI cs.CR
ASPI: Seeking Ambiguity Clarification Amplifies Prompt Injection Vulnerability in LLM Agents
Scale AI；Boston University（波士顿大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Human Frontier Collective（人类前沿集体）
该研究探讨了LLM代理在执行任务时寻求澄清的行为对提示注入攻击的影响，发现这种行为会显著增加代理的脆弱性，并提出了ASPI基准测试来评估这一现象。
2026-05-17 cs.AI cs.CR
Vulnerability Analysis and Consequences of False Data Injection Attack on Power System State Estimation
Arizona State University（亚利桑那州立大学）
本文研究了对交流状态估计的不可观测虚假数据注入攻击及其对物理系统的后果，提出了一种双层优化问题以最大化攻击后的线路流，并考虑攻击者资源和检测限制及OPF约束。
2015-06-11 cs.CR cs.SY eess.SY
Systematically Analyzing Prompt Injection Vulnerabilities in Diverse LLM Architectures
The Baldwin School（鲍德温学校）
该研究系统测试36个大语言模型的提示注入脆弱性，发现参数规模、架构与易攻击性显著相关，56%的测试攻击成功，呼吁构建多层防御并探索多场景安全增强策略。
2024-10-28 cs.AI cs.CL cs.CR
Fun-tuning: Characterizing the Vulnerability of Proprietary LLMs to Optimization-based Prompt Injection Attacks via the Fine-Tuning Interface
UC San Diego（加州大学圣地亚哥分校）；University of Wisconsin Madison（威斯康星大学麦迪逊分校）
论文揭示闭源 LLM 微调接口泄露的类损失信号可被贪心搜索用于生成对抗性提示，并在 Gemini 系列上以 PurpleLlama 基准实现 65%–82% 攻击成功率。
2025-05-10 cs.CL cs.CR
Leveraging Large Language Models for Command Injection Vulnerability Analysis in Python: An Empirical Study on Popular Open-Source Projects
Louisiana State University（路易斯安那州立大学）
本实证研究针对Python命令注入漏洞检测问题，将GPT-4等大语言模型应用于6个星标超5万的知名开源项目，评估其检测的准确率、效率与 workflow 适配性，对比不同LLM工具的适用性，为利用LLM提升软件安全提供指导。
2025-05-21 cs.AI cs.CR cs.SE
MIRAGE: Stealthy Visual Prompt Injection for Vulnerability Detection in Web Agents
SDU（山东大学）
提出MIRAGE框架，利用扩散模型在受限区域生成视觉上无害的对抗图像，实现针对多模态大模型Web代理的隐蔽间接提示注入攻击，以检测其视觉漏洞。
2026-10-16 cs.AI cs.CR cs.CV
Skill-Inject: Measuring Agent Vulnerability to Skill File Attacks
Max Planck Institute for Intelligent Systems, ELLIS Institute Tübingen, Tübingen AI Center（马克斯·普朗克智能系统研究所、图宾根ELLIS研究所、图宾根人工智能中心）
SkillInject通过评估代理对技能文件攻击的脆弱性，揭示了当前LLM代理在安全性和合规性方面的严重问题，指出需采用上下文感知的授权框架来提升安全性。
2026-02-25 cs.CR cs.LG
Routing Ceilings Are Domain-Independent: Structural Prior Injection in Code Security Vulnerability Detection
Bytepro AI（字节专业人工智能公司）
研究在代码安全漏洞检测中测试路由器假设是否跨领域，通过重现SAIR设计评估三个大语言模型。结果表明结构先验能提升语义漏洞召回率，零样本性能随语义复杂度下降，备忘单在真实数据上效果不佳，迭代重新校准也有问题，证实了SAIR的跨分布权衡及路由器假设的跨领域性。
2026-07-17 cs.CL cs.CR
Beware EviLLM: Enabling Vulnerability Injection via Large Language Models
Georgia Institute of Technology（佐治亚理工学院）；Snowflake（雪花公司）
本文提出EviLLM攻击，通过第三方对手破坏AI代码生成流水线，利用受损账户或浏览器访问LLM，从13个CWE类别注入漏洞，用户研究显示多数参与者未能察觉注入的漏洞。
2026-10-06 cs.AI cs.CR
Exploring Automated Vulnerability Identification in JavaScript Code Using Large Language Models
Indraprastha Institute of Information Technology Delhi（德里英德拉普拉斯塔信息技术学院）
本研究实证评估大型语言模型在JavaScript代码漏洞识别中的效果，发现微调后准确率从29%提升至60%，优于传统SAST工具，可作补充手段。
2026-09-15 cs.AI cs.CR
Analysis of LLM Vulnerability to GPU Soft Errors: An Instruction-Level Fault Injection Study
School of Computer Science (National Pilot Software Engineering School), Beijing University of Posts and Telecommunications（计算机学院（国家试点软件工程学院），北京邮电大学）；State Key Lab of Processors, Institute of Computing Technology, Chinese Academy of Sciences（处理器国家重点实验室，中国科学院计算技术研究所）
本文通过指令级故障注入研究，分析了LLM对GPU软错误的脆弱性，揭示了模型架构、参数规模和任务复杂性对可靠性的影响，为设计更有效的容错机制提供了新见解。
2026-11-06 cs.AI cs.AR cs.CR
What All the PHUZZ Is About: A Coverage-guided Fuzzer for Finding Vulnerabilities in PHP Web Applications
本文提出面向 PHP Web 应用的覆盖率引导模糊测试框架 PHUZZ，可检测 SQL 注入、XSS 等多类漏洞，并在 115 个流行 WordPress 插件中发现 20 余个安全问题和 2 个新 CVE。
2024-06-10 cs.CR
Dynamic Detection of False Data Injection Attack in Smart Grid using Deep Learning
传感器、计算和通信技术的现代进步使各种智能电网应用成为可能。对通信技术的严重依赖凸显了电网对虚假数据注入（FDI）攻击的脆弱性，这些攻击可以绕过不良数据检测机制。电力系统中现有的缓解措施要么集中在冗余测量，要么保护一组基本测量。这些方法对FDI攻击做出了具体的假设，这些假设通常具有限制性，不足以应对现代网络威胁。在所提出的方法中，一个基于深度学习的框架被用来检测注入的数据测量。我们的时间序列异常检测器采用卷积神经网络（CNN）和长短期记忆（LSTM）网络。为了有效地估计系统变量，我们的方法同时观察数据测量和网络级特征，以共同学习系统状态。该系统在IEEE 39节点系统上进行了测试。实验分析表明，该深度学习算法能够识别传统状态估计不良数据检测无法检测到的异常。
2018-09-14 cs.CR
Context-Auditor: Context-sensitive Content Injection Mitigation
跨站脚本（XSS）是过去十年中Web应用程序中最常见的漏洞类别。许多研究都集中在为这个问题构建漏洞利用缓解防御，但没有技术在面对高级攻击时提供足够的保护。一种绕过XSS缓解措施的技术是无脚本攻击：一种使用CSS和HTML注入（以及其他选项）渗透数据的内容注入技术。在研究这种技术和其他技术时，我们意识到，所有内容注入漏洞的利用（不仅包括XSS和无脚本攻击，还包括命令注入和其他几个漏洞）的共同属性是受害者程序的解析引擎中的意外上下文切换，这是由不受信任的用户输入引起的。在本文中，我们提出了Context-Auditor，一种新的技术，利用这种洞察力来识别内容注入漏洞，从XSS到无脚本攻击和命令注入。我们实现了Context-Auditor作为一个通用的解决方案，内容注入利用检测问题的形式灵活，独立的检测模块。我们将Context-Auditor的实例部署为（1）浏览器插件，（2）Web代理，（3）Web服务器插件，以及（4）作为潜在可注入系统端点的包装器。由于Context-Auditor针对的是内容注入攻击的根本原因（更具体地说，针对我们的原型、XSS攻击、无脚本攻击和命令注入），我们的评估结果表明，Context-Auditor可以识别和阻止现代防御无法识别和阻止的内容注入攻击，同时保持低吞吐量开销并避免误报。
2022-04-28 cs.CR
Leveraging Flawed Tutorials for Seeding Large-Scale Web Vulnerability Discovery
网络上充满了关于如何完成编程任务的教程式内容。不幸的是，即使是排名靠前的教程也存在严重的安全漏洞，例如跨站脚本（XSS）和SQL注入（SQLi）。假设这些教程会影响真实世界的软件开发，我们假设流行教程中的代码片段可以用于大规模引导漏洞发现。为了验证我们的假设，我们提出了一种半自动化的方法来找到反复出现的漏洞，从一些包含易受攻击的代码片段的顶级教程开始。我们通过对成千上万的开源Web应用程序进行分析来评估我们的方法，以检查源自所选教程的漏洞是否会再次出现。我们的分析框架已经在标准PC上运行，分析了GitHub上托管的64，415个PHP代码库，并发现了117个漏洞，这些漏洞与流行教程中的易受攻击的代码片段具有很强的语法相似性。除了阐明程序员以临时方式重用Web教程代码的轶事信念外，我们的研究还发现了令人不安的证据，即未经充分审查的教程会损害开源项目的安全性。此外，我们的研究结果证明了使用写得很差的教程作为起点进行大规模漏洞发现的可行性。
2017-04-10 cs.CR
Language Models Can Autonomously Hack and Self-Replicate
研究展示语言模型通过利用易受攻击的主机自主复制权重并跨网络传播，核心方法是发现和利用网络漏洞，主要贡献是验证了模型自我复制能力及效率。
2026-05-07 cs.CR
Proactive Web Server Protocol for Complaint Assessment
漏洞发现与攻击注入对于服务器软件的安全威胁越来越大，在软件开发时，对软件进行功能测试。由于未意识到软件漏洞，因此在预发布之前，应对软件进行全面测试，不仅测试功能可靠性，还应测试安全流（或）漏洞。模糊器、故障注入、漏洞扫描器、静态漏洞分析器、运行时间预防机制和软件恢复等方法正在识别未打补丁的软件，这些软件可能面临安全威胁，从而解决“安全测试”问题。这些技术对于生成攻击是有用的，但不能扩展到新的攻击领域。该系统称为主动漏洞攻击注入工具，适用于添加新的攻击注入向量，使用工具的接口定义新的协议状态（或）规范的方法包括使用GUI的网络服务器协议规范，攻击生成器，攻击注入器，受害者注入器监视模块，受害者机器监视模块和攻击注入报告生成。该工具可以解决大多数漏洞（或）安全流。
2014-02-09 cs.CR cs.NI
Evaluation of Static Analysis on Web Applications
Web服务正在成为业务关键组件，通常部署有可能被恶意利用的关键软件错误。Web漏洞扫描器允许通过从攻击者的角度强调服务来检测Web服务中的安全漏洞。然而，研究和实践表明，不同的扫描程序在漏洞检测方面的表现是不同的。本文提出了一个定性的评估Web应用程序中发现的安全漏洞。一些著名的漏洞扫描器已被用于识别Web服务实现中的安全漏洞。已经观察到许多漏洞，这证实了许多服务是在没有进行适当的安全测试的情况下部署的。此外，在回顾和考虑了几篇文章后，检测到的漏洞的差异和观察到的大量误报突出了Web漏洞扫描器在检测Web服务中的安全漏洞方面的局限性。此外，这项工作将讨论的静态分析方法，发现安全漏洞的Web应用程序，并补充它与成熟的研究成果或解决方案。这些漏洞包括破坏的访问控制、跨站点脚本、SQL注入、缓冲区溢出、不受限制的文件上传、破坏的身份验证等。Web应用程序正在成为企业的关键任务组件，可能存在黑客可以恶意利用的多个软件漏洞。少数漏洞扫描器已被用于检测Web服务应用程序中的安全漏洞，并发现了许多漏洞，从而证实了许多在线应用程序在没有进行充分安全测试的情况下启动。
2022-12-13 cs.CR
CyberForge: Verified Vulnerability Injection at Repository Level for Cybersecurity Agent Training
National Institute of Standards and Technology（美国国家标准与技术研究院）；Université Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；CNRS（法国国家科学研究中心）；University of Maryland, College Park（马里兰大学帕克分校）
本研究提出CyberForge框架，通过向真实C/C++项目注入漏洞生成经验证的代码仓库级安全训练数据，微调后可提升智能体在SEC-bench和PatchEval上的漏洞修复性能。
2026-08-10 cs.AI cs.CR cs.SE
Machine Learning Based Network Vulnerability Analysis of Industrial Internet of Things
保护工业物联网（IIoT）设备至关重要，因为一旦发生攻击，可能会造成破坏性后果。机器学习和大数据分析是分析和保护物联网（IoT）技术的两个强大杠杆。通过扩展，这些技术也可以帮助提高IIoT系统的安全性。在本文中，我们首先介绍了常见的IIoT协议及其相关漏洞。然后，我们运行一个网络脆弱性评估，并讨论利用机器学习来对抗这些脆弱性。接着，文献回顾了现有的入侵检测解决方案，使用机器学习模型。最后，我们讨论了我们的案例研究，其中包括一个真实世界的测试平台，我们已经建立了进行网络攻击和设计的入侵检测系统（IDS）的细节。我们部署后门，命令注入和结构化查询语言（SQL）注入攻击系统，并演示如何基于机器学习的异常检测系统可以很好地检测这些攻击。我们已经通过代表性的指标来评估性能，以便对方法的有效性有一个公正的观点。
2019-11-13 cs.CR cs.LG cs.NI
ContractShield: Bridging Semantic-Structural Gaps via Hierarchical Cross-Modal Fusion for Multi-Label Vulnerability Detection in Obfuscated Smart Contracts
University of Information Technology（信息技术大学）；Vietnam National University Ho Chi Minh City（越南国家大学胡志明市分校）；VNU-HCM Information Security Center（胡志明市越南国家大学信息安全中心）；Singapore Institute of Technology（新加坡理工学院）
ContractShield通过三级融合机制有效关联多互补特征，提升智能合约漏洞检测鲁棒性，实现89%的Hamming得分和五种主要漏洞类型的91%F1-score。
2026-04-03 cs.CR
SQL Injection Jailbreak: A Structural Disaster of Large Language Models
本文提出针对大语言模型外部属性的SQL注入越狱攻击方法SIJ，在开源和闭源模型上均实现极高攻击成功率，同时暴露新漏洞并提出Self-Reminder-Key自适应防御方法验证有效。
2025-05-21 cs.CR
VUDENC: Vulnerability Detection with Deep Learning on a Natural Codebase for Python
Humboldt-Universität zu Berlin（柏林洪堡大学）；University of Paderborn（帕德博恩大学）；University of Bern（伯尔尼大学）
识别潜在的易受攻击的代码对于提高我们软件系统的安全性非常重要。然而，软件漏洞的手动检测需要专业知识并且是耗时的，并且必须由自动化技术支持。目的：这种自动化漏洞检测技术应该实现高准确性，将开发人员直接指向易受攻击的代码片段，扩展到真实世界的软件，跨特定软件项目的边界进行概括，并且不需要或仅需要适度的设置或配置工作。方法：在本文中，我们将介绍VUDENC（Vulnerability Detection with深度学习on a Natural Codebase），这是一个基于深度学习的漏洞检测工具，可以自动从大型真实Python代码库中学习易受攻击代码的特征。VUDENC应用word 2 vec模型来识别语义相似的代码标记并提供矢量表示。然后，使用长短期记忆单元（LSTM）网络对易受攻击的代码令牌序列进行细粒度分类，突出显示源代码中可能包含漏洞的特定区域，并为其预测提供置信度。结果如下：为了评估VUDENC，我们使用了来自不同GitHub存储库的1，009个可修复性提交，这些存储库包含七种不同类型的漏洞（SQL注入，XSS，命令注入，XSRF，远程代码执行，路径泄露，Open重定向）用于培训。在实验评测中，VUDENC的召回率为78%-87%，准确率为82%-96%，F1评分为80%-90%。VUDENC的代码、漏洞的数据集和word 2 vec模型的Python语料库都可以复制。结论…
2022-01-20 cs.CR cs.LG cs.SE
The Obvious Invisible Threat: LLM-Powered GUI Agents' Vulnerability to Fine-Print Injections
University of Notre Dame（圣母大学）；Northeastern University（东北大学）；University of Washington（华盛顿大学）；Virginia Tech（弗吉尼亚理工大学）；Johns Hopkins University（约翰斯·霍普金斯大学）
本文针对LLM驱动的GUI智能体的隐私安全风险展开研究，分析了六种利用视觉显著性差异和上下文完整性检测能力不足的攻击类型，通过实验验证了智能体和人类用户的脆弱性，并提出防御策略。
2025-04-15 cs.CL cs.CR cs.HC
TaintRadar: Semantic-Aware Taint-Style Vulnerability Detection via Augmented Code Property Graphs
University of Michigan-Dearborn（密歇根大学迪尔伯恩分校）
研究针对静态漏洞分析的局限，提出TaintRadar方法，通过增强代码属性图的三个语义分析层改进污点分析，在合成基准和实际系统评估中减少误报、提高准确率，重新发现多数已知CVE并找出多个零日漏洞，提升了静态污点分析的多方面性能。
2026-07-21 cs.CR
RAT: Reinforcement-Learning-Driven and Adaptive Testing for Vulnerability Discovery in Web Application Firewalls
Shahrood University of Technology（沙赫鲁德工业大学）
针对现有WAF黑盒漏洞测试效率低的问题，提出结合强化学习与自适应搜索的RAT方法，通过攻击样本聚类高效发现绕过模式，在绕过载荷发现数量和首枚载荷发现效率上均显著优于现有最优方法。
2023-12-13 cs.AI cs.CR cs.IR
Automated Vulnerability Detection Using Deep Learning Technique
National Taiwan University（国立台湾大学）；National Yang Ming Chiao Tung University（阳明交通大学）
本文提出结合 CodeBERT 向量表示与 LSTM 的深度学习方法，用于自动检测 Python 代码中的 SQL 注入漏洞，性能优于现有 SAST 工具。
2024-10-29 cs.AI cs.CR cs.SE
Revisiting the Performance of Deep Learning-Based Vulnerability Detection on Realistic Datasets
University of Waterloo（滑铁卢大学）
本文构建真实场景漏洞数据集Real-Vul，评估四种深度学习漏洞检测模型，揭示其在实际代码库中精确率和F1分数大幅下降，并针对过拟合问题提出数据增强方法，最多可提升30%性能。
2024-07-03 cs.AI cs.CR cs.LG
Taint-Style Vulnerability Detection and Confirmation for Node.js Packages Using LLM Agent Reasoning
Carnegie Mellon University（卡内基梅隆大学）；Google（谷歌）
本文提出LLMVD.js，通过LLM代理实现Node.js包的污点式漏洞检测与验证，有效率达84%，优于传统方法，无需注解或报告。
2026-04-22 cs.AI cs.CR cs.SE
Why Charles Can Pen-test: an Evolutionary Approach to Vulnerability Testing
在现实世界的复杂应用程序中发现漏洞是一项艰巨的任务：一个漏洞可能会影响一行代码，但它会危及整个应用程序的安全性。更糟糕的是，漏洞可能只在应用程序正常运行时不会出现的特殊情况下才会出现。人们普遍认为，最先进的渗透测试工具在挖掘漏洞方面发挥着至关重要的作用，并且经常使用。然而，渗透测试仍然主要是一种人为驱动的活动，其有效性仍然取决于驱动工具的安全分析师的技能和独创性。在本文中，我们提出了一种自动发现基于事件的系统，如Web和移动应用程序中的漏洞的技术。我们的方法是基于一个合作，共同进化和合同驱动的搜索策略，迭代地（i）执行一个池的测试用例，（ii）确定最有前途的，（iii）从他们产生新的测试用例。该方法使进化算法的协同组合，其中几个“物种”有助于解决问题：一个物种，测试物种，进化以找到目标测试用例，即，指令集，其执行导致易受攻击的语句，而其他种类，称为合同种类，进化以选择触发漏洞所需的过程调用的参数。为了评估我们的方法的有效性，我们实现了一个工作原型，并运行它对案例研究和基准Web应用程序。实验结果证实，我们的工具自动发现并执行了一些注射缺陷攻击，这是国家的最先进的Web扫描仪无法达到。
2020-12-09 cs.CR cs.SC
Decoupling Reconnaissance and Exploitation: Measuring the Capability Boundaries of LLM-Based Web Penetration Testing
University of Science and Technology of China（中国科学技术大学）；Suzhou Institute for Advanced Research, University of Science and Technology of China（中国科学技术大学苏州先进研究院）；Nanjing University of Science and Technology（南京理工大学）；Research Institute, Runjian Co., Ltd（润杰有限公司研究院）
提出解耦评估框架分离侦察与利用阶段，发现LLM代理在准确漏洞上下文下功能成功率可达90.0%，但自主侦察召回率仅约50.0%，揭示了能力差距。
2026-06-25 cs.AI cs.CR
AWE: Adaptive Agents for Dynamic Web Penetration Testing
Stux Labs（Stux实验室）
AWE通过内存增强的多代理框架，在动态网络渗透测试中实现高准确性和效率，针对注入类漏洞取得显著成果。
2026-03-01 cs.AI cs.CR
WARD: Adversarially Robust Defense of Web Agents Against Prompt Injections
National University of Singapore（新加坡国立大学）；University of Science（科学大学）；Vietnam National University, Ho Chi Minh City（越南国家大学，胡志明市）
WARD通过WARD-Base和WARD-PIG数据集及A3T框架，实现高效鲁棒的Web代理防御，有效应对提示注入攻击，保持低误报率和高效运行。
2026-05-14 cs.AI cs.CR
Decoding Latent Attack Surfaces in LLMs: Prompt Injection via HTML in Web Summarization
Manipal University Jaipur（斋浦尔马尼帕尔大学）
本研究探讨利用不可见HTML元素进行提示注入攻击的问题，构建含280个网页的数据集评估模型，发现Llama 4 Scout和Gemma 9B IT分别有29%和15%的注入样本导致摘要变化，揭示漏洞并提供评估框架与基准。
2025-11-11 cs.AI cs.CR
Breaking Semantic-Aware Watermarks via LLM-Guided Coherence-Preserving Semantic Injection
University of New South Wales（新南威尔士大学）；Griffith University（格里菲斯大学）
本文提出CSI攻击，利用LLM引导的语义操纵破坏语义水印的绑定，揭示当前语义水印设计在面对LLM驱动的语义扰动时的安全漏洞。
2026-02-25 cs.CR cs.CV cs.LG
Zero-Shot Embedding Drift Detection: A Lightweight Defense Against Prompt Injections in LLMs
Algoverse AI Research（Algoverse AI研究院）；Berkeley（伯克利大学）
本文提出ZEDD，通过量化嵌入空间中良性与可疑输入之间的语义变化，实现对直接和间接提示注入的检测。该方法无需模型内部访问或先验知识，具有低工程开销，能高效部署于多种LLM架构，准确率达93%以上。
2026-01-18 cs.AI cs.CL cs.CR
