What are Weak Links in the npm Supply Chain?
现代软件开发经常使用第三方软件包，这引发了对供应链安全攻击的担忧。许多攻击者针对流行的包管理器，如npm，以及他们的用户进行供应链攻击。2021年，利用开源软件供应链进行的安全攻击同比增长650%。需要主动的方法来预测高风险供应链攻击的软件包漏洞。这项工作的目标是帮助软件开发人员和安全专家通过实证研究npm包元数据来测量npm供应链薄弱环节信号，以防止未来的供应链攻击。在本文中，我们分析了163万个JavaScript npm包的元数据。我们提出了软件供应链中安全漏洞的六个信号，例如安装脚本的存在，与过期的电子邮件域相关的维护者帐户，以及不活动的软件包与不活动的维护者。我们的一个案例研究从安装脚本信号中识别出11个恶意软件包。我们还发现了2，818个与过期域名相关的维护者电子邮件地址，允许攻击者通过接管npm帐户来劫持8，494个软件包。我们通过470名npm软件包开发人员的调查获得了关于我们弱链接信号的反馈。大多数开发人员支持我们提出的六个弱链接信号中的三个。开发人员还表示，他们希望在使用第三方软件包之前获得有关弱链接信号的通知。此外，我们还讨论了软件包开发人员建议的八个新信号。
2022-02-14 cs.CR cs.CY cs.SE
Security Issues in Language-based Software Ecosystems
生态系统（LBE），即：基于单一程序设计语言的软件生态系统是非常常见的。例子包括JavaScript的npm生态系统和Python的PyPI。这些环境鼓励包之间的代码重用，并结合实用程序-包管理器-用于自动解决依赖关系。然而，使这些系统流行的相同方面-易于发布代码和导入外部代码-也产生了新的安全问题，到目前为止几乎没有研究。我们提出了一个系统的研究困扰LBE的安全问题。这些问题是这些生态系统工作方式所固有的，无法通过修复软件包或实用程序中的软件漏洞来解决，例如，包管理器工具，构建这些生态系统。我们从各个方面系统地描述了最近的安全攻击，包括攻击策略，向量和目标。我们对npm和PyPI生态系统的表征和深入分析表明，这些生态系统代表了最大的LBE，覆盖了近100万个包，这表明这些生态系统为攻击者提供了一个合适的环境，可以进行隐形攻击。总的来说，我们认为（i）完全自动检测恶意软件包可能是不可行的;但是（ii）帮助开发人员评估包括外部依赖项的风险的工具和指标将大大有助于防止攻击。
2021-11-30 cs.CR
Towards Measuring Vulnerabilities and Exposures in Open-Source Packages
本研究定量分析开源软件仓库与包管理器中漏洞的频率与演变，提出CVE映射方法，并展示其在不同编程语言中的分布，以评估开源生态的安全风险。
2023-05-09 cs.CR cs.SE
GoLeash: Mitigating Golang Software Supply Chain Attacks with Runtime Policy Enforcement
KTH Royal Institute of Technology（皇家理工学院）；Gran Sasso Science Institute（格兰萨索科学研究所）
针对Go语言生态的软件供应链攻击风险，研究提出包级最小权限策略执行系统GoLeash，比传统沙箱检测更精准，抗混淆且开销可接受。
2026-10-16 cs.CR cs.SE
Towards the Detection of Malicious Java Packages
开源软件供应链攻击旨在通过毒害开源软件包来感染下游用户。消费这种工件的常见方式是通过包存储库，并且正在研究开发检测这种攻击的审查策略。尽管Java生态系统很受欢迎，但在供应链攻击的背景下，它是一个较少探索的生态系统。在本文中，我们提出了恶意行为的指标，可以通过分析Java字节码静态观察。然后，我们评估这些指标及其组合在检测恶意代码注入时的表现。我们通过将三个来自真实世界示例的恶意有效负载注入libraries.io中十大最受欢迎的Java库来做到这一点。我们发现，分析常量池中的字符串和字节码指令中的敏感API有助于通过显着减少信息来检测恶意Java包，从而使手动分类成为可能。
2022-10-08 cs.CR
Backstabber's Knife Collection: A Review of Open Source Software Supply Chain Attacks
软件供应链攻击的特征在于将恶意代码注入到软件包中，以危害链下游的相关系统。近年来，许多供应链攻击利用了软件开发过程中越来越多地使用开源，这是由依赖管理器提供的，依赖管理器在整个软件生存周期中自动解析、下载和安装数百个开源软件包。本文介绍了一个包含174个恶意软件包的数据集，这些软件包被用于对开源软件供应链的实际攻击，并通过流行的软件包存储库npm，PyPI和RubyGems分发。这些数据包的日期从2015年11月到2019年11月，是手动收集和分析的。本文还提出了两个一般的攻击树，提供一个结构化的概述技术注入恶意代码到下游用户的依赖树，并在不同的时间和不同的条件下执行这样的代码。这项工作旨在促进开源和研究社区未来开发预防和检测保障措施。
2020-05-19 cs.CR cs.SE
Securing the Software Package Supply Chain for Critical Systems
针对软件供应链安全威胁，提出基于Proof of Authority共识和多方签名的许可账本分发架构，保障关键系统在不破坏现有功能的前提下实现可验证的攻击防御。
2025-05-28 cs.CR cs.SE
QUT-DV25: A Dataset for Dynamic Analysis of Next-Gen Software Supply Chain Attacks
Queensland University of Technology（昆士兰科技大学）；Edith Cowan University（伊迪丝科文大学）
QUT-DV25数据集通过动态分析方法，识别出此前被标记为无害的恶意PyPI包，为下一代软件供应链攻击检测提供了新的研究基础。
2026-02-11 cs.CR cs.SE
Malicious Package Detection using Metadata Information
本文提出基于元数据的恶意包检测模型MeMPtec，通过提取并分类包元数据特征，显著降低误报和漏报率，并增强对抗攻击抵抗力。
2024-02-12 cs.CR
Hidden Amplifiers: Cross-Level Risk in Software Supply Chains
Colorado State University（科罗拉多州立大学）
研究现代软件供应链中现有分析工具的分离问题，提出跨级别风险传播框架，通过统一风险公式联系代码级与生态系统级风险，评估发现隐藏放大器，揭示跨级别分析对供应链安全的新意义。
2026-07-08 cs.CR cs.SE
I Know What You Imported Last Summer: A study of security threats in thePython ecosystem
Python的流行在过去15年中迅速上升。它是当今一些最令人兴奋的技术中的主要语言。这种流行导致了一个大型的第三方软件包生态系统，通过pip软件包注册表提供，该注册表托管超过20万个软件包。这些第三方软件包可以在安装后使用软件包管理器（如pip）简单地导入软件包来重用。第三方软件的易用性带来了安全风险，使数百万用户处于危险之中。在这个项目中，我们研究生态系统来分析这种威胁。Python的成熟生态系统有许多弱点，我们在项目中强调了这些弱点。首先，我们展示了利用Python生态系统是多么微不足道。然后，我们系统地分析软件包，维护人员和公开报告的安全问题之间的依赖关系。大多数攻击只有在用户安装恶意软件包时才可能发生。因此，我们试图分析和评估攻击者使用的不同方法，以迫使不正确的下载。我们通过估计利用流行的Python包可能造成的潜在威胁来量化您的想法。我们还讨论了行业中用于防御此类攻击的方法
2021-02-11 cs.CR
Software Supply Chain Smells: Lightweight Analysis for Secure Dependency Management
KTH Royal Institute of Technology（皇家理工学院）；Université de Montréal（蒙特利尔大学）
本文提出软件供应链异味概念，设计评估Dirty-Waters工具，通过实证研究揭示Maven和NPM生态中依赖项安全问题的差异。
2026-03-30 cs.CR cs.SE
JavaSith: A Client-Side Framework for Analyzing Potentially Malicious Extensions in Browsers, VS Code, and NPM Packages
JavaSith 是一个客户端框架，结合运行时沙箱、静态分析和本地大语言模型，用于分析浏览器、VS Code 和 NPM 包中的潜在恶意扩展，并通过案例研究证明其能捕获逃避传统检测的隐蔽恶意行为。
2025-05-27 cs.CR
Trust Me, Import This: Dependency Steering Attacks via Malicious Agent Skills
National Yang Ming Chiao Tung University（国立阳明交通大学）；CISPA Helmholtz Center for Information Security（CISPA赫尔姆霍兹信息安全中心）；Institute of Science Tokyo（东京科学大学）
研究提出依赖引导攻击，通过恶意技能引导编码代理生成恶意包，无需修改模型或数据，展示出软件供应链中的新攻击面。
2026-05-10 cs.CR
DistillGuard: Malicious NPM Package Detection and API Attack Chain Analysis via Static Graph and LLM Distillation
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络空间安全学院）
DistillGuard通过静态图语义分析与LLM知识蒸馏，实现轻量级恶意NPM包检测，准确率达95.3%，并揭示攻击阶段与八种API攻击链，提升供应链安全防御。
2026-09-25 cs.CR
Supply Chain Insecurity: Exposing Vulnerabilities in iOS Dependency Management Systems
University of Vienna, Faculty of Computer Science（维也纳大学计算机科学学院）；Christian Doppler Laboratory AsTra（阿斯特拉克里斯蒂安·多普勒实验室）
本文揭示iOS依赖管理系统中因内部依赖信息泄露导致的安全漏洞，通过分析CocoaPods等系统，展示攻击者如何利用暴露的包名和版本进行远程代码执行，并提出针对此类威胁的缓解措施。
2026-11-04 cs.CR
Software Distribution Transparency and Auditability
大量的用户群依赖于通过包管理器提供的软件更新。这为提高软件更新过程的安全性提供了一个独特的杠杆。我们提出了一个透明的软件更新系统，并实现了广泛部署的Linux包管理器，即APT。我们的系统能够检测有针对性的后门程序，而不会给维护人员带来开销。此外，在我们的系统中，源代码的可用性得到了保证，源代码和二进制代码之间的绑定使用可复制的构建进行验证，并且可以识别负责分发特定软件包的维护者。我们描述了一种新的“隐藏版本”的攻击对当前的软件透明性系统，并提出以及整合一个合适的防御。为了解决透明日志服务器的含糊攻击，我们引入了树根交叉日志记录，其中日志的Merkle树根被提交到一个单独操作的日志服务器。与其他系统相比，这大大放宽了运营商之间的合作要求。我们的实施是通过回放超过3000个Debian操作系统的更新在两年的过程中进行评估，证明其可行性和识别许多违规行为。
2017-11-20 cs.CR cs.OS
An Empirical Study of Vulnerable Package Dependencies in LLM Repositories
本文实证分析 52 个开源 LLM 的第三方依赖漏洞及维护活动，并与 Python 生态系统比较，揭示漏洞披露滞后和配置文件普遍含脆弱依赖的问题。
2025-08-29 cs.CR cs.SE
Taint-Based Code Slicing for LLMs-based Malicious NPM Package Detection
Ho Chi Minh City University of Technology (HCMUT), VNU-HCM（胡志明市理工大学）；Eastern International University（东方国际大学）；Univ. Grenoble Alpes, CNRS, Grenoble INP, VERIMAG, UMR 5104（格勒诺布尔阿尔卑斯大学）；PackGuard
提出基于污点代码切片的LLM框架，通过隔离安全相关数据流，将输入token数平均减少99.75%，在2537个包上达到87.04%的检测准确率，优于基线方法。
2026-06-16 cs.CR
"I wasn't sure if this is indeed a security risk": Data-driven Understanding of Security Issue Reporting in GitHub Repositories of Open Source npm Packages
本研究通过分析 45,466 个 npm 包的千万级 GitHub issue，结合人工标注与机器学习，揭示大量安全问题未被标记或妥善处理。
2025-06-09 cs.CR
Maven-Hijack: Software Supply Chain Attack Exploiting Packaging Order
KTH Royal Institute of Technology（皇家理工学院）；Universtité de Montréal（蒙特利尔大学）
本文提出利用Maven依赖打包顺序和JVM类解析机制的新型供应链攻击Maven-Hijack，通过真实项目验证可行性，并评估得出带重复类检测的Maven Enforcer插件是当前最实用有效的防御方案。
2025-10-29 cs.CR cs.SE
Defending the Core: A Centrality-Based Protection Strategy for Supply Chain Security in npm Dependency Network
针对npm依赖网络的中心节点易受攻击问题，提出基于中心性的节点加固与依赖权重警告双管齐下的防御策略，模拟证明仅对前1%节点实施严格安全协议并修剪30%结构次要边即可防止网络崩溃和级联恶意软件感染。
2026-06-15 cs.CR cs.NI
Towards Robust Detection of Open Source Software Supply Chain Poisoning Attacks in Industry Environments
针对 NPM 与 PyPI 供应链投毒，本文提出 OSCAR 动态检测流水线，结合沙箱执行、模糊测试和方面级行为监控，在工业部署中显著降低误报并发现大量恶意包。
2024-09-14 cs.CR cs.SE
A practical approach for updating an integrity-enforced operating system
可信计算定义了如何安全地测量、存储和验证控制计算机的软件的完整性。使它们难以在实践中应用的主要挑战之一是软件更新问题。具体地，操作系统更新导致完整性违反，因为它改变了远程验证器（例如完整性监视系统）所信任的公知初始状态。因此，远程计算机的完整性监控由于大量的误报而变得不可靠。我们通过在操作系统和软件存储库之间添加额外的间接层来解决这个问题。我们提出了一个可信的软件存储库（TSR），一个安全的代理，克服了以前的方法的缺点，通过消毒软件包。清理包括修改不安全的安装脚本和添加数字签名，以使软件包可以安装在操作系统中，而不会破坏其完整性。TSR利用屏蔽执行，即，英特尔SGX，实现净化过程的机密性和完整性保证。TSR对包管理器是透明的，并且不需要在软件包构建和分发过程中进行任何更改。我们的评估表明，在SGX内部运行TSR是可行的，因为与没有SGX的本机执行相比，它在包清理期间仅引起约1.18倍的性能开销。TSR支持Alpine Linux的主要和社区存储库中99.76%的可用软件包，同时将总存储库大小增加了3.6%。
2021-01-05 cs.CR
Importing Phantoms: Measuring LLM Package Hallucination Vulnerabilities
University of Waterloo（滑铁卢大学）；NVIDIA Corporation（英伟达公司）
本研究分析了LLM在多种编程语言中的包幻觉行为，发现幻觉率受模型选择、编程语言、模型规模和任务具体程度影响，且与代码生成性能存在权衡，为防御软件供应链攻击提供了基础。
2025-01-31 cs.CL cs.CR cs.LG
Pinning Is Futile: You Need More Than Local Dependency Versioning to Defend against Supply Chain Attacks
本文通过反事实分析与模拟量化 npm 生态中版本锁定的安全与维护影响，发现锁定直接依赖反而可能增加恶意包暴露风险，并提出集体锁定策略及对 npm 的具体改进建议。
2025-02-10 cs.CR cs.SE
Lexo: Eliminating Stealthy Supply-Chain Attacks via LLM-Assisted Program Regeneration
Brown University（布朗大学）；MIT（麻省理工学院）
Lexo通过LLM辅助程序再生技术，有效消除隐蔽的供应链攻击，实现高效、兼容的恶意代码清除。
2025-12-16 cs.CR
Operational Runtime Behavior Mining for Open-Source Supply Chain Security
University of Glasgow（格拉斯哥大学）
提出HeteroGAT-Rank系统，通过异构图注意力学习挖掘开源软件运行时行为模式，辅助人工威胁调查。
2026-05-25 cs.CR
Unveiling Malicious Logic: Towards a Statement-Level Taxonomy and Dataset for Securing Python Packages
The University of Alabama（阿拉巴马大学）；University of Dhaka（达卡大学）；Auburn University（奥本大学）
本文提出语句级恶意包分类和数据集，通过细粒度指标分类和序列模式挖掘，提升Python包的安全检测与防御能力。
2025-12-14 cs.CR
OSPtrack: A Labeled Dataset Targeting Simulated Execution of Open-Source Software
针对开源软件漏洞检测多关注静态代码分析、忽视运行时指标的问题，研究创建涵盖五个生态系统的综合数据集，含9461份包报告（1962份恶意）及静态和动态特征，助力运行时检测、模型训练与供应链安全强化。
2024-11-28 cs.CR
A Large-scale Fine-grained Analysis of Packages in Open-Source Software Ecosystems
本研究针对开源软件生态中的包管理器，通过大规模分析5万余合法、千余恶意软件包的细粒度信息，揭示了两类包的特征差异，验证了细粒度信息对恶意包的检测价值。
2024-04-17 cs.CR cs.SE
SpellBound: Defending Against Package Typosquatting
基于单一程序设计语言的软件存储库的包管理器非常常见。例子包括npm（JavaScript）和PyPI（Python）。这些工具鼓励代码重用，使开发人员导入外部包变得微不足道。不幸的是，仓库的大小和发布软件包的容易程度促进了排印的实践：上传一个与一个非常流行的软件包名称相似的软件包，通常目的是捕获一些流行软件包的安装。错别字有严重的负面影响，导致开发人员导入恶意软件包，或者-正如我们所展示的-不包含最新安全更新的代码克隆。为了解决这个问题，我们提出了SpellBound，一个工具，用于识别和报告潜在的错误导入开发人员。SpellBound基于对npm和PyPI的深入分析，实现了一种新的排版检测技术。我们的技术利用名称之间的词汇相似性模型，并进一步结合了包流行度的概念。这种方法会在安装之前标记未知/很少使用的软件包将被安装在具有相似名称的流行软件包的位置的情况。我们在npm和PyPI上对SpellBound进行了评估，结果令人鼓舞：SpellBound在生成有限警告（占软件包安装总量的0.5%）的同时标记了typosquatting案例，并且开销很低（仅占软件包安装时间的2.5%）。此外，SpellBound允许我们确认已知的typosquatting案例，并发现一个备受瞩目的未知typosquatting案例，导致npm安全团队删除了一个包。
2020-03-06 cs.CR cs.SE
On the Feasibility of Cross-Language Detection of Malicious Packages in npm and PyPI
本研究提出一种基于语言无关特征的跨语言恶意包检测方法，通过训练模型捕捉 npm 和 PyPI 中恶意包的共性，成功检测出58个未知恶意包。
2023-10-14 cs.CR cs.SE
Harmless Yet Harmful: Neutral Prompting Attacks for Stealthy Hallucination Steering in Agent Skills
Department of Computer Science（计算机科学系）；National Yang Ming Chiao Tung University（阳明交通大学）；Department of Electronics and Electrical Engineering（电子与电气工程系）；School of Computing（计算学院）；Institute of Science Tokyo（东京科学研究所）
本文提出中性提示攻击（NPA），通过语义上看似无害的指令（如鼓励想象和详尽性）增加代码生成Agent的包幻觉倾向，从而引入软件供应链风险，并评估了其对多种编码LLM的有效性和逃避防御的能力。
2026-09-07 cs.CR cs.LG
Software Supply Chain Attribute Integrity (SCAI)
本文提出 SCAI 规范，定义一种数据格式用于捕获软件工件及其供应链的功能属性与完整性信息，并可作为现有软件供应链证明框架的扩展实现。
2023-05-26 cs.CR cs.SE
Signing in Four Public Software Package Registries: Quantity, Quality, and Influencing Factors
本研究针对三类共四个公共软件包注册表开展测量，分析签名的数量、质量与纵向趋势，并通过准实验明确强制要求、专用工具等因素对签名采纳的影响，凸显注册表管理与基础设施的重要性。
2024-04-14 cs.CR cs.SE
ConfuGuard: Using Metadata to Detect Active and Stealthy Package Confusion Attacks Accurately and at Scale
针对现有包混淆攻击防御存在误报率高、覆盖生态有限等问题，研究提出ConfuGuard检测器，利用包元数据识别良性包，支持7类注册表，误报率降至28%，已在工业场景检出630起真实攻击。
2025-08-01 cs.CR cs.SE
We Have a Package for You! A Comprehensive Analysis of Package Hallucinations by Code Generating LLMs
University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校）；University of Oklahoma（俄克拉荷马大学）；Virginia Tech（弗吉尼亚理工大学）
本文全面评估了代码生成LLM中的包幻觉现象，发现商业模型平均幻觉率为5.2%，开源模型为21.7%，并提出了有效的缓解策略以在保持代码质量的同时显著减少幻觉。
2025-03-02 cs.AI cs.CR cs.LG
You Can Run But You Can't Hide: Runtime Protection Against Malicious Package Updates For Node.js
本文提出一种 Node.js 运行时防护方法，通过自动将包能力限制在最小必要范围来抵御恶意包更新，实验表明可阻止 9/10 的历史攻击，且安装与运行时开销均低于 0.6 秒。
2023-05-31 cs.CR cs.PL
A Survey on Common Threats in npm and PyPi Registries
软件工程师经常使用JavaScript和Python来完成前端和后端自动化任务。除了JavaScript和Python之外，还有几个框架可以进一步促进自动化任务。其中一些框架是节点管理器包（npm）和Python包索引（PyPi），它们是开源（OS）包库。npm和PyPi用于托管包的公共注册表允许任何具有验证电子邮件的用户发布代码。在向注册表发布时缺乏全面的扫描工具会产生安全问题。用户可以在注册表上报告恶意代码;然而，攻击者仍然可以造成损害，直到他们从平台上删除他们的工具。此外，多个包相互依赖，使得它们更容易受到依赖树中坏包的影响。大量的代码重用产生了开发人员必须考虑的安全构件，比如包的范围。这个项目将说明与操作系统注册表和包依赖结构相关的常见风险的高级概述。在操作系统软件包注册表中，有几种攻击类型，例如拼写错误和组合抢注。过时的软件包会带来安全风险，我们将研究npm环境中存在的技术滞后程度。在本文中，我们的主要贡献包括在OS注册表中的常见威胁的调查。之后，我们将提出对策，以减轻所提出的风险。这些补救措施将主要集中在机器学习（ML）的应用上，以检测可疑活动。据我们所知，以ML为重点的对策是针对所列安全问题首次提出的可能解决方案。此外，该项目是第一个对npm和PyPi威胁的调查，尽管有几项研究关注的是威胁的一个子集。
2021-08-21 cs.CR cs.SE
Taxonomy of Attacks on Open-Source Software Supply Chains
本文提出独立于语言和生态系统的开源软件供应链攻击分类法，以攻击树覆盖107种向量、94起事件和33项防护措施，并经专家与开发者调查验证。
2022-04-19 cs.CR cs.SE
Malicious Source Code Detection Using Transformer
Ben-Gurion University（本-古里安大学）
开源代码被认为是现代软件开发中的常见做法。然而，重复使用其他代码会使恶意攻击者能够访问广泛的开发人员社区，从而访问依赖于它的产品。这些攻击被归类为供应链攻击。近年来，越来越多的供应链攻击在软件开发过程中利用开源，自动或手动地中继下载和安装过程。多年来，已经发明了许多方法来检测易受攻击的软件包。但是，在包中检测恶意代码并不常见。这些检测方法可以大致分类为使用（动态）和不使用（静态）代码执行的分析。在这里，我们介绍了恶意源代码检测使用Transformers（MSDT）算法。MSDT是一种基于深度学习方法的新型静态分析，可检测源代码包的真实代码注入情况。在这项研究中，我们使用MSDT和一个包含60多万个不同函数的数据集来嵌入各种函数，并对生成的向量应用聚类算法，通过检测离群值来检测恶意函数。我们进行了广泛的实验，并证明了我们的算法能够检测到注入恶意代码的功能，精度@k值高达0.909。
2022-09-16 cs.CR cs.LG
Bridging Expert Reasoning and LLM Detection: A Knowledge-Driven Framework for Malicious Packages
Nanyang Technological University（南洋理工大学）；Singapore Management University（新加坡管理大学）；Sichuan University（四川大学）；Imperial Global Singapore（帝国理工学院新加坡校区）
IntelGuard通过整合专家推理与大语言模型，实现高准确率的恶意包检测，发现54个未报告恶意包。
2026-01-23 cs.CR cs.SE
What You See Is Not What You Execute: Memory-Based Runtime SBOM Generation for Supply Chain Security
Virginia Commonwealth University（弗吉尼亚联邦大学）；Volatility Foundation（Volatility基金会）
针对现有SBOM无法捕获运行时组件的问题，提出MEM-SBOM内存取证框架，从Python应用运行时状态直接生成SBOM，实现100%提取准确率并发现遗漏依赖。
2026-06-29 cs.CR cs.SE
Propagation-Based Vulnerability Impact Assessment for Software Supply Chains
提出基于分层工作列表的算法和VPSS动态指标，实现全生态系统调用图级漏洞传播分析，并在Java Maven生态系统的100个真实漏洞上验证了有效性。
2025-10-09 cs.CR cs.SE
Killing Two Birds with One Stone: Malicious Package Detection in NPM and PyPI using a Single Model of Malicious Behavior Sequence
Fudan University（复旦大学）；Tongji University（同济大学）
本文提出Cerebro模型，通过统一多语言恶意包知识和序列建模技术，有效检测NPM和PyPI中的恶意包，实现高效准确的恶意包识别。
2025-05-02 cs.CR cs.SE
