SandBlaster: Reversing the Apple Sandbox
为了限制恶意软件在Mac OS X和iOS上的破坏，苹果使用了沙箱，这是一个内核级的安全层，为系统调用提供了严格的约束。沙箱特别适用于Apple iOS，它通过在沙箱配置文件中定义规则来防止应用执行潜在危险的操作。调查Apple内置的沙箱配置文件很困难，因为它们是以二进制格式编译和存储的。我们提出SandBlaster，一个软件包，能够反向/反编译苹果二进制沙箱配置文件，以其原始的人类可读SBPL（沙箱配置文件语言）格式。我们使用SandBlaster来反转iOS 7、8和9的所有内置Apple iOS二进制沙箱配置文件。据我们所知，我们的工具是第一个提供Apple沙箱完全反转的工具，揭示了Apple沙箱配置文件的内部工作原理，并为对Apple安全机制感兴趣的安全研究人员和专业人士提供了必要的支持。
2016-08-15 cs.CR cs.OS
Red-Teaming the Agentic Red-Team
Cracken；Information Protection Department, Lviv Polytechnic National University（利沃夫理工学院信息保护系）
本文首次深入分析主流进攻性安全代理系统的安全漏洞，揭示其设计缺陷可导致API密钥泄露、持久化控制及宿主机失陷，并提出架构级缓解设计原则。
2026-08-18 cs.AI cs.CR
The Ethics of Autonomous AI Agents for Offensive Security
TU Wien（维也纳技术大学）；University of Klagenfurt（克雷格福大学）
研究使用自主人工智能代理进行进攻性安全时的伦理问题，分析道德归因在多方的扩散及技术对利益相关者的影响，通过研究其不确定性等特性及攻防成本不对称性，为现有框架不适用于此情况提供分层建议。
2026-08-10 cs.AI cs.CR
Understanding Hackers' Work: An Empirical Study of Offensive Security Practitioners
针对白帽黑客短缺导致软件安全测试覆盖不足的问题，该研究对12名安全从业者开展数据驱动的定性研究，通过主题分析梳理其工作流程、思维与挑战，为自动化安全测试工具研发提供建议与新方向。
2023-08-23 cs.CR cs.SE
The Implications of Linguistic Illegibility for LLM Security
Harvard University（哈佛大学）
该研究指出LLM存在语言不可读性问题，提出其会导致依赖语言自我报告的安全机制不可靠，建议采用污点跟踪等沙箱机制提升LLM安全性。
2026-10-08 cs.CR cs.LG
Investigating the Ecosystem of Offensive Information Security Tools
互联网格局正在增长，同时变得更加多样化。服务通过计算机和网络执行，关键数据以数字方式存储。这为用户带来了自由，为运营商带来了灵活性。数据更易于管理和分发。然而，连接到网络的每个设备都可能容易受到网络攻击。安全解决方案，如防病毒软件或防火墙，已广泛建立。然而，某些类型的攻击不能仅靠防御措施来防止。攻击性安全描述了安全专业人员使用网络犯罪分子的方法和工具的做法。这使他们能够在漏洞成为真正攻击的切入点之前找到漏洞。此外，遵循网络犯罪分子的方法使安全专业人员能够适应犯罪分子的观点，并可能发现以前被忽视的攻击角度。由于网络犯罪分子经常使用免费提供的安全工具，因此了解这些工具可以为专业人员提供更多的见解。这项工作的分类和比较工具有关的可维护性，可用性和技术细节的指标。一般来说，在最初阶段有几个行之有效的工具，而在最初违反之后的阶段则缺乏各种工具。
2020-12-16 cs.CR
Beyond Success Rate: Cost-Aware Evaluation of Offensive and Defensive Security Agents
研究通过成本-成功率视角评估语言模型安全代理，在攻防挑战中比较固定成本下模型性能，发现红蓝队任务扩展模式不同，进攻性CTF性能与测试时计算量有关，防御性SOC调查更依赖工具使用等，强调安全代理基准应考量经济效率与运营契合度。
2026-07-28 cs.AI cs.CR
Benchmarking Practices in LLM-driven Offensive Security: Testbeds, Metrics, and Experiment Design
TU Wien（维也纳技术大学）
本文分析了大语言模型驱动的攻击的攻击安全领域的基准测试实践，综述19篇论文的18个原型及测试平台，提出扩展测试平台、建立基线等建议，指出CTF挑战难代表真实渗透场景。
2025-06-16 cs.AI cs.CR
An Empirical Evaluation of LLMs for Solving Offensive Security Challenges
本研究开发了人在回路和完全自动化两种工作流，评估大语言模型解决CTF挑战的能力，发现LLMs成功率高于普通人类，为网络安全教育及系统评估攻击性安全能力提供了参考。
2024-02-19 cs.CR
Artificial Intelligence as the New Hacker: Developing Agents for Offensive Security
New Mexico Institute of Mining and Technology（新墨西哥矿业技术学院）
本文提出自主攻击性安全智能体 ReaperAI，结合 GPT-4、RAG、任务驱动渗透测试框架与高级提示，在 Hack The Box 等平台验证漏洞利用能力，并讨论伦理与运营挑战。
2024-05-09 cs.AI cs.CR
Automation-Exploit: A Multi-Agent LLM Framework for Adaptive Offensive Security with Digital Twin-Based Risk-Mitigated Exploitation
Università degli Studi di Salerno（萨莱诺大学）
本文提出自动化-漏洞利用框架，通过多智能体系统在复杂黑盒场景中实现自适应进攻性安全，利用数字孪生技术缓解风险，有效解决内存漏洞等安全问题。
2026-04-24 cs.CR
StealthBench: Measuring Operational Stealth in Autonomous Offensive-Security Agents
研究人员推出StealthBench基准，通过含三个LLM的评判小组评估自主进攻性安全智能体的OPSEC表现，发现无模型安全成功率超54%，证实OPSEC失败具系统性，该基准用于支持相关智能体开发与监控。
2026-07-30 cs.AI cs.CR
System M: A Program Logic for Code Sandboxing and Identification
执行不受信任代码的安全敏感应用程序通常通过将代码的语法与已知的正确值进行比较来检查代码的完整性，或者对代码进行沙箱化以包含其影响。系统M是一种新的程序逻辑，用于推理这种安全敏感的应用程序。系统M扩展了Hoare类型论（HTT）来追踪安全属性，并包含两个新的推理原则。首先，它的类型系统将逻辑相等内在化，便于对检查代码完整性的应用程序进行推理。第二，限制规则仅基于计算的沙箱的知识将效应类型分配给计算。我们证明了系统M相对于一个步骤索引的基于跟踪的语义模型的可靠性。我们说明了这两个新的推理原则的系统M通过验证Memoir，以前提出的可信计算系统，以确保状态的连续性隔离的安全敏感的应用程序的设计的主要完整性属性。
2015-01-22 cs.CR cs.LO cs.PL
Enhancing Robustness of AI Offensive Code Generators via Data Augmentation
University of Naples Federico II（那不勒斯费德里科二世大学）；University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）
本文提出对攻击性代码的自然语言描述添加扰动并用于数据增强，评估并提升了三种先进AI代码生成器在扰动输入下的鲁棒性。
2024-10-19 cs.CL cs.CR cs.LG
Recognition Without Mitigation: Ethical Frameworks in Autonomous Offensive-LLM Agent Research
TU Wien（维也纳工业大学）
本文分析利用大语言模型进行进攻性安全研究的论文，探讨伦理考量的表达与合理性，揭示学术社区在创新与伦理责任之间的平衡现状。
2026-09-04 cs.CR
CYBERSECEVAL 3: Advancing the Evaluation of Cybersecurity Risks and Capabilities in Large Language Models
本文发布LLM网络安全评估基准CYBERSECEVAL 3，覆盖8类风险并新增三项攻击性安全能力测试，基于Llama 3及同期前沿模型比较有无缓解措施时的风险。
2024-09-06 cs.CR cs.LG
RedTeamLLM: an Agentic AI framework for offensive security
Laboratoire de Recherche de l’EPITA（EPITA研究实验室）；ICube, UMR 7357（ICube研究中心）；Université de Strasbourg（斯特拉斯堡大学）；CNRS（国家科学研究中心）
提出 RedTeamLLM 智能体框架，通过总结、推理和行动流程自动化渗透测试，并在 CTF 挑战中验证其推理能力与安全应用价值。
2025-05-11 cs.AI cs.CR cs.CY
Offensive Robot Cybersecurity
该论文提出利用机器学习和博弈论实现自动化进攻性安全方法，通过理解攻击者策略和识别漏洞来提升机器人网络安全，并设计自主防御的认知引擎架构。
2025-06-18 cs.CR cs.RO
Towards Effective Offensive Security LLM Agents: Hyperparameter Tuning, LLM as a Judge, and a Lightweight CTF Benchmark
New York University（纽约大学）；New York University Abu Dhabi（纽约大学阿布扎比分校）；Indian Institute of Technology Kanpur（印度理工学院坎普尔分校）；International Institute of Information Technology Hyderabad（国际信息技术学院海得拉巴分校）
本文系统研究了驱动代理成功的关键因素，提出CTFJudge框架和CTF Competency Index指标，分析超参数对性能的影响，并开放CTFTiny基准供研究。
2026-04-09 cs.AI cs.CR
A Secure Experimentation Sandbox for the design and execution of trusted and secure analytics in the aviation domain
UBITECH（UBITECH 公司）；SUITE5（SUITE5 公司）；ENGINEERING Ingegneria Informatica S.p.A.（工程信息公司）
航空业以及与之相关的行业已经成熟，可以进行大数据分析形式的创新。可用的大数据技术的数量正在不断增长，而与此同时，现有的技术也在快速发展并具有新的功能。然而，大数据时代带来了如何有效处理信息安全的关键挑战，同时管理来自异构数据源的大量快速变化的数据。虽然出现了多种技术，但需要在多种安全要求、隐私义务、系统性能和对大型数据集的快速动态分析之间找到平衡。本文介绍了ICARUS平台的ICARUS安全实验沙箱。ICARUS平台旨在提供一个支持大数据的平台，旨在成为航空数据和情报市场的“一站式商店”，提供可信和安全的“沙箱”分析工作空间，允许以可信和公平的方式探索，集成和深入分析原始和衍生数据。为此，ICARUS平台产品中设计并集成了一个安全实验沙箱，可以提供一个可以完全保证数据安全性和机密性的复杂环境，允许任何感兴趣的各方利用该平台在封闭实验室条件下进行分析实验。
2021-11-18 cs.AI cs.CR cs.LG
An In-memory Embedding of CPython for Offensive Use
我们提供了一个CPython的嵌入，它完全在内存中运行，而不“接触”磁盘。这种内存嵌入可以直接从内存中加载Python脚本，而不是从磁盘上的文件中加载这些脚本。仅驻留在内存中的恶意软件更难检测或缓解。我们希望我们的工作能被安全研究人员用来快速开发和部署攻击性技术，这些技术是安全产品难以分析的，因为这些指令是字节码，只能在执行前由解释器翻译成机器码。我们的工作有助于安全研究人员和企业红队谁发挥进攻。Red Teams希望为他们的定期活动快速制作恶意软件原型，并且不希望他们的恶意软件在完成目标之前被事件响应（IR）团队检测到。红队也很难从磁盘上的文件在生产中运行恶意软件，因为现代企业安全产品会模拟，检查或隔离这些文件，因为这些文件没有声誉。我们的工作还帮助企业Hunt和IR团队了解这种攻击的可行性。我们的方法已经在生产中使用了一年多，满足了客户快速模拟威胁参与者的任务、技术和程序（TTP）的需求。
2021-05-04 cs.CR cs.SE
ScopeJudge: Cost-Aware Pre-Execution Gating for Offensive Security Agents
dreadnode
研究进攻性安全代理中预执行门控，引入ScopeJudge数据集，含4897个工具调用。评估八个法官模型在五种转录策略下表现，发现静态策略不足，推荐成本敏感和召回优先操作点，以支持自主安全代理的实时监控和可扩展监督。
2026-08-03 cs.CR
How Do LLM Agents Actually Get the Flag? Trace-Level Provenance for Agentic Offensive Security Evaluation
NYU Tandon School of Engineering（纽约大学坦登工程学院）；NYU Abu Dhabi（纽约大学阿布扎比分校）；CISPA - Helmholtz Center for Information Security（CISPA亥姆霍兹信息安全中心）；International Institute of Information Technology Hyderabad（海得拉巴国际信息技术学院）；Indian Institute of Technology Tirupati（蒂鲁帕蒂印度理工学院）
针对现有CTF基准评估智能体进攻性安全能力时忽略轨迹的问题，本文提出CTF-ABACUS框架，通过追踪级审计验证漏洞利用，发现仅62%-87%的恢复Flag为真实利用，为优化基准设计提供依据。
2026-08-28 cs.AI cs.CR
Security - a perpetual war: lessons from nature
长久以来，人们一直在大自然中寻找灵感。仿生学一直是这类发明的推动力，比如维可牢胶带或“猫眼”--反光路标。与此同时，科学家们一直在开发生物启发的技术：遗传算法，神经和传感器网络等，虽然乍一看，没有直接的灵感背后的进攻和防御技术在互联网上看到的模式，在自然界中存在，仔细检查揭示了这两个世界之间的许多类比。僵尸网络、DDoS（分布式拒绝服务）攻击、IDS/IPS（入侵检测/防御系统）等，都采用了非常类似于生物王国中某些物种所采取的行动的策略。分析的主要结论是，安全界应该转向自然，寻找新的攻击和防御技术，为虚拟世界的安全。
2014-10-17 cs.CR
CTFExplorer: Evaluating LLM Offensive Agents Through Multi-Target Web CTF Benchmarking
CISPA - Helmholtz Center for Information Security（CISPA-海德堡信息安全研究中心）；NYU Tandon School of Engineering（纽约大学坦顿工程学院）；NYU Abu Dhabi（纽约大学阿布扎克分校）；IIIT Hyderabad（海得拉巴印度理工学院）
本文提出CTFExplorer基准测试，通过多目标网络CTF基准测试评估LLM进攻性代理，研究问题是如何在不确定环境下评估代理的战术推理能力，核心方法是引入多目标环境测试代理的探索、优先级和攻击链能力，主要贡献是开发了可评估代理行为的框架。
2026-05-20 cs.AI cs.CR cs.MA
OCCULT: Evaluating Large Language Models for Offensive Cyber Operation Capabilities
The MITRE Corporation（米特里公司）
该研究提出OCCULT轻量级评估框架，构建三类攻击性网络作战基准测试大语言模型的相关能力，发现DeepSeek-R1等模型在相关测试中表现显著提升，为评估AI网络威胁风险提供了新的可复现评估路径。
2025-02-18 cs.AI cs.CR
The Model Proposes, the Code Disposes: A Pre-Registered Ablation of a Verifier-and-Acceptance Stage in an LLM-Orchestrated Offensive-Security Agent
本研究通过预注册消融实验证明，在LLM编排的进攻性安全智能体中，由确定性代码强制执行的模型验证器阶段能显著抑制虚假报告并提高交付精确率，但未确立对实验室目标之外的泛化优势。
2026-09-15 cs.CR
Towards Optimal Agentic Architectures for Offensive Security Tasks
University College London（伦敦大学学院）
本文通过控制基准测试评估不同代理架构在进攻性安全任务中的性能，发现白盒模式和Web目标在检测效率上显著优于黑盒模式和二进制目标，且更广泛的协调能提升覆盖范围但需权衡成本与验证难度。
2026-04-20 cs.AI cs.CR
From Sandbox to Enforcement: Confidence-Qualified Threat Intelligence for Critical Infrastructure
Clone Systems（克隆系统公司）；Romanian National Cyber Security Directorate (DNSC)（罗马尼亚国家网络安全局（DNSC））；Bolton Technologies（博尔顿技术公司）；International Hellenic University（国际希腊大学）
针对关键基础设施威胁数据难以转化为可操作情报的问题，提出CG-CTI管道，将沙箱输出转为STIX 2.1并关联传感器，以置信度门控自动化执行，经评估验证其有效性与可审计性。
2026-10-07 cs.AI cs.CR
Okapi: Efficiently Safeguarding Speculative Data Accesses in Sandboxed Environments
本文提出Okapi，一种硬件/软件跨层架构，通过限制推测性数据访问和引入新指令，在沙箱环境中以低性能开销有效防御瞬态执行侧信道攻击。
2025-08-14 cs.AR cs.CR
D-CIPHER: Dynamic Collaborative Intelligent Multi-Agent System with Planner and Heterogeneous Executors for Offensive Security
NYU Tandon School of Engineering（纽约大学Tandon工程学院）；NYU Abu Dhabi（纽约大学阿布扎克分校）；Indian Institute of Technology Kanpur（印度理工学院坎普尔分校）
本文提出 D-CIPHER 多智能体框架，通过 Planner、异构 Executor、动态反馈与 Auto-prompter 协作求解 CTF，在三个基准上达到 SOTA 并覆盖更多 ATT&CK 技术。
2025-05-11 cs.AI cs.CR
Weird Machine Compositors: Exploiting AI Orchestration at the Expression Layer
Pillar Security
本研究揭示编排平台表达式沙箱的“怪异机器”本质，通过n8n的CVE绕过证明枚举阻断不可修复，并提出AST覆盖分析工具与策略反转等防御方案。
2026-09-29 cs.CR
Adversarial Reinforcement Learning for Offensive and Defensive Agents in a Simulated Zero-Sum Network Environment
Notre Dame College（诺特安德姆学院）；Department of Computer Science and Engineering（计算机科学与工程系）；Bangladesh University of Engineering and Technology（孟加拉工程与技术大学）
本研究构建模拟零和网络攻防环境，用深度Q网络训练攻防智能体，发现防御者可观察性与陷阱有效性显著阻碍攻击，且奖励塑形和训练调度对稳定性关键，防御者持续占优，为网络安全对抗强化学习提供可复现基准。
2025-10-03 cs.AI cs.CR cs.LG
PTHelper: An open source tool to support the Penetration Testing process
PTHelper 是一个模块化开源工具，通过集成先进工具与人工智能实现渗透测试流程自动化，以解决传统测试耗时且信息管理困难的问题。
2024-06-12 cs.CR
NYU CTF Bench: A Scalable Open-Source Benchmark Dataset for Evaluating LLMs in Offensive Security
New York University（纽约大学）；New York University Abu Dhabi（纽约大学阿布扎比分校）
针对LLMs解决网络安全CTF挑战能力未被全面评估的问题，该研究创建可扩展开源基准数据集NYU CTF Bench，构建全自动评估系统，评估5个LLMs性能，为LLMs在网络安全任务的应用奠定基础并提供平台。
2025-02-18 cs.AI cs.CR cs.CY
Hacking Neural Networks: A Short Introduction
关于神经网络安全问题的大量研究都集中在对抗攻击上。然而，存在着大量的简单攻击，人们可以对神经网络和神经网络进行攻击。在本文中，我们将简要介绍深度学习在安全领域的工作原理，并探讨利用的基本方法，同时还将探讨支持深度学习的工具所提供的攻击性功能。所有提出的攻击，如后门，基于GPU的缓冲区溢出或自动错误搜索，都伴随着简短的开源练习，任何人都可以尝试。
2019-12-01 cs.CR cs.LG
SoK: Explainable Machine Learning for Computer Security Applications
Delft University of Technology（代尔夫特理工大学）；University of Padua（帕多瓦大学）
可解释人工智能（XAI）旨在提高机器学习（ML）管道的透明度。我们将日益增长（但分散）的研究微观世界系统化，这些研究开发和利用XAI方法进行防御和攻击性网络安全任务。我们确定了3个网络安全利益相关者，即，模型用户、设计者和对手，他们在ML管道中利用XAI实现4个不同的目标，即1）支持XAI的用户辅助，2）支持XAI的模型验证，3）解释验证和鲁棒性，以及4）攻击性使用解释。我们对文献的分析表明，许多XAI应用程序在设计时对如何将其集成到分析师工作流程中知之甚少--仅在14%的情况下进行了解释评估的用户研究。安全文献有时也未能理清各种利益相关者的作用，例如，通过向模型用户和设计者提供解释，同时也将它们暴露给对手。此外，在安全文献中，模型设计者的作用特别小。为此，我们为模型设计人员提供了一个说明性教程，演示了XAI如何帮助模型验证。我们还讨论了设计的可解释性可能是更好的选择的情况。系统化和教程使我们能够挑战几个假设，并提出可以帮助塑造XAI在网络安全领域研究未来的开放性问题。
2023-03-03 cs.CR cs.CY cs.LG
A New Framework for Cybersecurity Refusals in AI Agents
Gray Swan；Gray Swan AI；Carnegie Mellon University（卡内基梅隆大学）
提出首个针对AI代理在进攻性安全场景中建立拒绝边界的框架，包括拒绝原则、任务分类和评估方法，并发现8个前沿模型中6个拒绝率接近零。
2026-05-31 cs.AI cs.CR
Exploiting AI for Attacks: On the Interplay between Adversarial AI and Offensive AI
本文辨析 Adversarial AI 与 Offensive AI 两类安全威胁及其相互作用，阐明 AI 既可成为攻击目标，也可作为攻击任意目标的手段。
2025-09-29 cs.CR
Insights from Nature for Cybersecurity
过去几年恶意软件数量的惊人增长对安全界构成了严重挑战，需要紧急应对。然而，目前的对策似乎不再有效。因此，我们认为，现在是研究人员和安全专家转向自然，为防御系统寻找新灵感的时候了。大自然为物种提供了一整套进攻和防御技术，这些技术在数十亿年的进化过程中不断发展和改进。极其多样化的生活条件促使所设计的生物安全解决方案有很大的差异。在本文中，我们介绍了一种新的保护框架，在其中遇到的进攻和防御手段的共同的解决方案提出和介绍。生物启发的解决方案在网络安全的背景下进行了讨论，其中一些原则已经被采纳。整个基于自然的框架的部署应该有助于现代网络防御系统的设计和改进过程。
2015-01-18 cs.CR
Weaponizing Language Models for Cybersecurity Offensive Operations: Automating Vulnerability Assessment Report Validation; A Review Paper
Imam Abdulrahman Bin Faisal University（伊玛目阿卜杜勒拉赫曼·本·费萨尔大学）；Universiti Teknologi Malaysia（马来西亚工艺大学）；Inteli Dexer
本文综述了利用大型语言模型自动化漏洞评估报告验证的方法，旨在提高验证准确性并减少人工工作量。
2025-05-07 cs.AI cs.CR
TIP: A Decentralized Intent-Based Protocol for Declarative IoT Interoperability and Sandboxed Schema Adaptation
Universidad Nacional de Colombia - Sede de La Paz（哥伦比亚国立大学拉帕斯校区）
提出去中心化声明式协议TIP，通过意图驱动、混合发现、多准则评分和WASM沙盒动态适配，解决物联网异构系统互操作性问题。
2026-05-25 cs.CR cs.DC cs.NI
A Framework for Threats Analysis Using Software-Defined Networking
分析网络威胁的能力在安全研究中非常重要。传统的方法，涉及沙箱技术，仅限于模拟单个主机，遗漏本地网络攻击。这个问题是通过设计一个威胁分析框架来解决的，该框架使用软件定义网络来模拟任意网络。所提出的系统提供了灵活性，允许安全研究人员定义一个虚拟网络，能够捕获恶意行为，并恢复到初始状态之后。框架设计和常见的使用场景进行了描述。通过提供这个框架，我们的目标是减轻打击网络威胁的分析工作。
2020-07-16 cs.CR
Securing Generative AI Agentic Workflows: Risks, Mitigation, and a Proposed Firewall Architecture
本文针对生成式AI智能体工作流的安全风险，提出集成多种安全服务并利用GenAI增强防御的防火墙架构，以保障系统安全部署。
2025-06-10 cs.CR
Security Analysis of the Open Banking Account and Transaction API Protocol
本文利用AnBx形式化建模及OFMC和Proverif工具，结合NatWest沙箱实际测试，对英国开放银行账户与交易API协议进行了无限会话的安全性分析与验证。
2025-05-03 cs.CR
Systemization of Knowledge (SoK)- Cross Impact of Transfer Learning in Cybersecurity: Offensive, Defensive and Threat Intelligence Perspectives
本文全面综述了迁移学习在网络安全攻击、防御和威胁情报等领域的应用，强调其在提升检测准确率与隐私保护等方面的作用，并提出了未来研究路线图。
2023-09-12 cs.CR
Security Considerations for Artificial Intelligence Agents
Perplexity
本文探讨了前沿AI代理的安全性问题，分析了代理架构对代码-数据分离、权限边界和执行可预测性的影响，并提出了针对间接提示注入、混淆代理行为和长流程级联故障的防护措施。
2026-04-05 cs.AI cs.CR cs.LG
Text generation for dataset augmentation in security classification tasks
针对安全分类任务中正类样本不足导致分类器性能下降的问题，评估GPT-3文本生成用于数据增强，发现其微调策略在样本受限时显著提升多种安全检测分类器的性能。
2023-10-22 cs.CL cs.CR
Autonomous LLM Agents & CTFs: A Second Look
Politecnico di Torino（托尔托纳理工大学）；Università di Torino（托尔托纳大学）；Huawei Technologies France（华为法国技术）
本文重新审视了大语言模型代理在自动化进攻性安全任务中的表现，通过在30个基于网络的CTF挑战中测试不同架构的代理，发现通用代理在性能上与定制架构相当，并揭示了当前代理在某些类别中的持续障碍。
2026-04-29 cs.AI cs.CR
SpotCheck: On-Device Anomaly Detection for Android
近年来，从隐私和财务角度来看，PC已被移动设备取代，用于许多安全敏感操作。虽然安全机制部署在各个级别，但这些机制经常受到以前看不见的恶意软件的压力。因此，需要能够进行新颖性检测的附加保护层。在这项工作中，我们提出了SpotCheck，一个异常检测器，旨在运行在Android设备上。它对应用程序执行进行采样，并将可疑应用程序提交给恶意软件沙箱进行更彻底的处理。我们比较内核主成分分析（KPCA）和变分自编码器（VAE）的应用程序执行表示的基础上著名的系统调用跟踪，以及一种新的方法，基于内存转储。结果表明，使用VAE时，SpotCheck达到了与以前实现的网络异常检测相当的有效性水平。有趣的是，这也适用于内存转储方法，从而放弃了对连续应用程序监控的需求。
2021-02-25 cs.CR
A Trustless Architecture of Blockchain-enabled Metaverse
Metaverse重新点燃了人类通过融合虚拟和现实世界来进一步打破时空障碍的愿望。然而，安全和隐私威胁阻碍了我们建立一个乌托邦。一个元宇宙包含各种技术，同时继承它们的陷阱，从而暴露出大的攻击面。区块链于2008年提出，被认为是元宇宙的关键构建块。它使用防篡改的分散式分类账实现透明和可信的计算环境。目前，区块链支持去中心化金融（DeFi）和非可替代令牌（NFT）。然而，区块链的力量尚未得到充分利用。在这篇文章中，我们提出了一种新的基于区块链的Metaverse的无信任架构，旨在通过整合硬件和软件组件来提供有效的资源整合和分配。为了实现我们的设计目标，我们提供了一个按需可信计算环境（OTCE）技术的基础上本地信任评估。具体地说，该架构采用超图来表示一个虚拟实境，其中每个超边连接一组具有一定关系的用户。然后，可以基于图分析技术来评估每个用户组的信任级别。基于信任值，每个组可以根据需要确定其安全计划，不受无关节点的干扰。此外，OTCE支持大规模和灵活的应用环境（沙箱），同时保持强大的安全保障。
2022-12-16 cs.CR cs.DC
