Detecting Malicious Entra OAuth Apps with LLM-Based Permission Risk Scoring
本文提出基于LLM的权限风险评分方法，用于实时检测恶意Entra OAuth应用。
2025-12-14 cs.CR
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
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
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
Small World with High Risks: A Study of Security Threats in the npm Ecosystem
JavaScript的流行导致了一个通过npm软件包注册表提供的第三方包的大型生态系统。npm的开放性推动了它的发展，提供了超过80万个免费和可重用的软件包。不幸的是，这种开放的性质也会导致安全风险，最近发生的单个软件包破坏或攻击数百万台计算机上运行的软件的事件就是明证。本文通过系统地分析软件包之间的依赖关系、负责这些软件包的维护者以及公开报告的安全问题，研究了npm用户的安全风险。通过研究由于第三方依赖而运行易受攻击或恶意代码的可能性，我们发现单个软件包可能会影响整个生态系统的大部分。此外，极少数的维护者帐户可以被用来将恶意代码注入到大多数软件包中，这个问题随着时间的推移而增加。通过研究意外使用易受攻击代码的可能性，我们发现缺乏维护会导致许多软件包依赖于易受攻击的代码，即使在漏洞公开多年后也是如此。我们的研究结果提供的证据表明，npm遭受单点故障和未维护的软件包威胁大型代码库。我们讨论了几种缓解技术，如可信的维护者和总的第一方安全，并分析其潜在的有效性。
2019-06-07 cs.CR
Leveraging Large Language Models to Detect npm Malicious Packages
North Carolina State University（北卡罗来纳州立大学）；Socket, Inc（Socket公司）
本文提出 SocketAI 恶意代码审查工作流，实证评估 GPT-3/GPT-4 检测 npm 恶意包，结合静态分析预筛选，显著提升精确率、F1 并降低分析成本。
2025-01-06 cs.AI cs.CR
RecAGT: Shard Testable Codes with Adaptive Group Testing for Malicious Nodes Identification in Sharding Permissioned Blockchain
针对分片许可链的节点脆弱性问题，提出融合分片可测码、身份证明协议与自适应群测试的RecAGT方案，可低开销高效识别恶意节点且适配各类分片许可链。
2023-12-12 cs.CR cs.DC
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
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
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
Supporting the Detection of Software Supply Chain Attacks through Unsupervised Signature Generation
在软件供应链攻击中使用的木马化软件包构成了一种新的威胁。不幸的是，仍然缺乏允许自动和及时检测恶意软件包的可扩展方法，因此大多数检测都基于手工劳动和专业知识。然而，已经观察到，大多数攻击活动包括共享相同或相似恶意代码的多个包。我们利用这一事实来自动复制手动识别的已知恶意软件包集群，这些恶意软件包已用于现实世界的攻击，从而减少了对专家知识和手动检查的需求。我们的方法，AST聚类使用MCL模仿专业知识（ACME），产生有希望的结果与$F_{1}$得分为0.99。签名是基于集群中的特征代码片段自动生成的，随后用于扫描整个npm注册表以查找未报告的恶意软件包。我们能够识别并报告六个恶意软件包，这些软件包已经从npm中删除。因此，我们的方法可以通过减少体力劳动来支持分析人员，因此可以用来及时检测可能的软件供应链攻击。
2021-03-19 cs.CR
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
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
MOLOT System Card: Malicious Operational Logic Observation Transformer
False Positive Community
提出MOLOT系统，利用静态调用图的行为序列进行恶意代码检测，结合解释阶段定位可疑行为，在PyPI和npm包上评估，并发布Open Malicious-Code Bench基准。
2026-06-05 cs.CR cs.LG cs.SE
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
Cutting the Gordian Knot: Detecting Malicious PyPI Packages via a Knowledge-Mining Framework
Nanyang Technological University（南洋理工大学）；Nankai University（南开大学）；Sichuan University（四川大学）；Imperial Global Singapore（帝国理工学院新加坡校区）
PyGuard 通过知识挖掘框架提升 PyPI 恶意包检测准确率，实现 99.50% 准确率，识别 219 个新恶意包，展示语义理解在跨编程语言中的应用价值。
2026-01-27 cs.CR cs.SE
A Framework for Formal Specification and Verification of Security Properties of the Android Permissions System
Android是一种广泛部署的操作系统，它采用基于权限的访问控制模型。Android的Android系统（APS）负责协调来自应用程序的资源请求。APS是Android安全机制的重要组成部分。APS设计中的失败可能会导致漏洞，允许恶意应用程序对资源进行未经授权的访问。研究人员采用形式化的方法来分析APS的安全属性。由于Android是不断发展的，我们打算设计和实现一个框架，正式规范和验证APS的安全属性。特别是，我们打算提出一个APS的行为模型，它代表Android 10中引入的非二进制、上下文相关的权限和Android 11中引入的临时权限。
2022-03-18 cs.CR cs.OS
Towards Classifying Benign And Malicious Packages Using Machine Learning
针对现有动态分析工具无法自动区分开源软件包善恶的问题，提出从动态分析结果提取特征结合机器学习的分类方法，在npm近2000个包上实现0.91的AUC且误报率近0%。
2025-11-19 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
The Hitchhiker's Guide to Malicious Third-Party Dependencies
该研究针对开源软件供应链中恶意第三方依赖的安全问题，分析7个生态系统的攻击技术，给出风险缓解建议并披露攻击者的检测规避策略。
2023-10-06 cs.CR
CASHEWS: Source Preprocessor for LLM-based Malicious Package Detection
University of Wisconsin–Madison（威斯康星大学麦迪逊分校）；Socket Inc.（Socket公司）
CASHEWS是一个JavaScript预处理器，通过去混淆、提取模块和计算反向切片来精简代码，提高LLM恶意包检测覆盖率并降低假阴性率，使大规模分析更实用。
2026-09-17 cs.CR
The Range Shrinks, the Threat Remains: Re-evaluating LLM Package Hallucinations on the 2026 Frontier-Model Cohort
Anthropic；OpenAI；Google；DeepSeek
本文重新评估了2026前沿模型队列上大型语言模型（LLM）的包幻觉现象，发现尽管幻觉率有所降低，但仍然存在威胁，识别出一组127个包名（109个在PyPI，18个在npm）被所有评估模型一致生成，构成一个跨模型的供应链攻击面，同时发现Python与JavaScript幻觉的不对称性以及DeepSeek V3.2和GPT-5.4-mini之间的高相似性。
2026-08-11 cs.CR cs.LG cs.SE
Trusting code in the wild: Exploring contributor reputation measures to review dependencies in the Rust ecosystem
该研究基于 Rust 前 1,644 个软件包构建开发者协作网络并结合调查，评估贡献者声誉中心性信号对依赖审查优先级的作用。
2024-06-14 cs.CR cs.SE
