VOLCANO: Detecting Vulnerabilities of Ethereum Smart Contracts Using Code Clone Analysis
基于区块链技术（BT）的以太坊智能合约使区块链网络上的同行之间的货币交易独立于中央授权机构。以太坊智能合约是部署为去中心化应用程序的程序，具有区块链共识协议的构建块。这使消费者能够在透明和无冲突的环境中达成协议。然而，这些智能合约中存在一些安全漏洞，对应用程序及其消费者构成潜在威胁，并在过去造成了巨大的经济损失。本文提出了一个框架和实证分析，使用代码克隆检测技术来识别智能合约中的漏洞及其变化。我们的实证分析是使用Nicad代码克隆检测工具在大约5万个以太坊智能合约的数据集上进行的。我们在两个数据集上评估了VOLCANO，一个数据集具有已确认的漏洞，另一个数据集具有从Etherscan收集的大约50k个随机智能合约。与两种公开可用的静态分析器检测智能合约中的漏洞相比，我们的方法在覆盖率和效率方面都有所改进。据我们所知，这是第一项使用克隆检测技术来识别以太坊智能合约中的漏洞及其演变的研究。
2022-03-01 cs.CR
WhisperFuzz: White-Box Fuzzing for Detecting and Locating Timing Vulnerabilities in Processors
WhisperFuzz提出首个结合静态分析的白盒模糊测试器，通过提取微架构状态转换并测量执行时间，检测并定位处理器时序漏洞，在RISC-V处理器中发现12个新漏洞。
2024-03-14 cs.CR
Detecting Cross-Site Scripting Vulnerabilities through Automated Unit Testing
防止跨站脚本（XSS）攻击的最佳实践是应用编码器来清理不受信任的数据。为了平衡安全性和功能性，应该应用编码器来匹配网页上下文，例如HTML主体、JavaScript和样式表。一个常见的编程错误是使用错误的编码器来清理不受信任的数据，使应用程序容易受到攻击。我们提出了一个安全的单元测试方法来检测XSS漏洞所造成的不受信任的数据的不正确编码。XSS漏洞的单元测试是在每个网页中自动构建的，然后由单元测试执行框架进行评估。一个基于语法的攻击生成器用于自动生成测试输入。我们评估我们的方法在一个大型的开源医疗记录应用程序，证明我们可以检测到许多0天的XSS漏洞，误报率非常低，基于语法的攻击生成器具有更好的测试覆盖率比行业最佳实践。
2018-04-02 cs.CR
Detecting DDoS Attack on SDN Due to Vulnerabilities in OpenFlow
软件定义网络（SDN）是一种网络范式转变，它促进了全面的网络可编程性，以应对新兴的新技术，如云计算和大数据。SDN有助于简化和集中的网络管理，使其能够在动态场景中运行。此外，SDN使用OpenFlow协议用于控制器与其交换机之间的通信。OpenFlow创建了网络攻击的漏洞，特别是分布式拒绝服务（DDoS）。DDoS攻击是从连接到SDN交换机的受损主机发起的。在本文中，我们介绍了一个时间和空间效率的解决方案，这些受损主机的识别。我们的解决方案消耗更少的计算资源和空间，并且不需要任何特殊设备。
2020-02-02 cs.CR
Detecting speculative data flow vulnerabilities using weakest precondition reasoning
本文提出了一种基于最弱前置条件推理的方法，用于检测推测执行中的数据流漏洞Spectre-STL和Spectre-PSF，并在litmus tests上验证了其有效性。
2025-04-27 cs.CR cs.LO
Automated Detecting and Repair of Cross-Site Scripting Vulnerabilities
防止跨站脚本（XSS）攻击的最佳实践是应用编码器来清理不受信任的数据。为了平衡安全性和功能性，应该应用编码器来匹配网页上下文，例如HTML主体、JavaScript和样式表。一个常见的编程错误是使用错误类型的编码器来清理不受信任的数据，使应用程序容易受到攻击。我们提出了一个安全的单元测试方法来检测XSS漏洞所造成的不受信任的数据的不正确编码。XSS漏洞的单元测试在每个网页中构建，然后由单元测试执行框架进行评估。设计了一个基于语法的攻击生成器来自动生成测试输入。我们还提出了一个漏洞修复技术，可以自动修复检测到的漏洞在许多情况下。这种方法的评估已经进行了一个开源的医疗记录应用程序，超过200个网页编写的JSP。
2018-04-03 cs.CR
Detecting software vulnerabilities using Language Models
最近，深度学习技术因其准确识别易受攻击的代码模式的能力而获得了大量关注。然而，当前最先进的深度学习模型，如卷积神经网络（CNN）和长短期记忆（LSTM）需要大量的计算资源。这导致一定程度的开销，使得它们的实现不适合在实时设置中部署。这项研究提出了一种新的基于transformer的漏洞检测框架，简称为VulDetect，这是通过微调预训练的大语言模型，（GPT）的各种基准数据集的脆弱代码。我们的实证研究结果表明，我们的框架是能够识别脆弱的软件代码的准确性高达92.65%。我们提出的技术优于SyseVR和VulDeBERT，这两种最先进的漏洞检测技术
2023-02-23 cs.CR
GPTScan: Detecting Logic Vulnerabilities in Smart Contracts by Combining GPT with Program Analysis
Nanyang Technological University（南洋理工大学）；MetaTrust Labs（MetaTrust实验室）；East China Normal University（华东师范大学）；Xi’an Jiaotong University（西安交通大学）；Singapore Management University（新加坡管理大学）
本文提出GPTScan，将GPT作为代码理解工具与静态分析结合，通过场景-属性匹配和静态确认检测智能合约逻辑漏洞，在保持高精确率和召回率的同时实现快速低成本的审计。
2024-05-06 cs.AI 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
Are Free Android App Security Analysis Tools Effective in Detecting Known Vulnerabilities?
人们对保护Android生态系统的兴趣日益浓厚，这催生了许多帮助应用程序开发人员构建安全应用程序的努力。这些努力产生了能够检测应用程序中的漏洞（和恶意行为）的工具和技术。然而，没有对这些工具和技术在检测已知漏洞方面的有效性进行评估。缺乏此类评估使应用程序开发人员在选择安全分析工具来保护其应用程序时处于不利地位。在这方面，我们评估了Android应用程序漏洞检测工具的有效性。我们审查了64个工具，并根据Ghera基准测试捕获的42个已知的独特漏洞对14个漏洞检测工具（附带还有5个恶意行为检测工具）进行了经验评估，这些漏洞由易受攻击的应用程序和安全应用程序组成。在评估的24个观察结果中，主要观察结果是现有的Android应用程序漏洞检测工具检测已知漏洞的能力非常有限-所有评估的工具加在一起只能检测42个已知独特漏洞中的30个。如果安全分析工具要帮助开发人员构建安全的应用程序，就需要付出更多的努力。我们希望本次评估的结果能够帮助应用程序开发人员选择合适的安全分析工具，并说服工具开发人员和研究人员识别和解决其工具和技术中的局限性。我们也希望这次评估能够在软件工程和安全社区中引发一场对话，要求对安全分析工具和技术进行更严格、更明确的评估。
2019-08-05 cs.CR cs.SE
Detecting Vulnerabilities from Issue Reports for Internet-of-Things
Electrical and Computer Engineering（电气与计算机工程）；McGill University（麦吉尔大学）
针对物联网问题报告的漏洞检测空白，提出结合ML与LLM的NLP技术及微调BERT两种方法，在21个Eclipse IoT项目中实验，SVM模型取得0.65的AUC，为准确检测IoT漏洞奠定基础。
2025-11-03 cs.AI cs.CR cs.SE
Statically Detecting Vulnerabilities by Processing Programming Languages as Natural Languages
LASIGE, Faculdade de Ciências, Universidade de Lisboa（里斯本大学理学院 LASIGE 实验室）；INESC-ID, Instituto Superior Técnico, Universidade de Lisboa（里斯本大学高等技术学院 INESC-ID 研究所）
Web应用程序由于广泛采用和快速部署周期的结合，仍然是黑客最喜欢的目标，这通常会导致引入高影响漏洞。静态分析工具对于在程序源代码中自动搜索错误，支持开发人员删除错误非常重要。然而，构建这些工具需要对如何发现漏洞的知识进行编程。本文提出了一种替代方法，在该方法中，工具学习自动检测缺陷，通过诉诸人工智能的概念，更具体地说，自然语言处理。该方法采用序列模型来学习基于注释语料库来表征漏洞。然后，利用该模型来发现和识别源代码中的漏洞。它在DEKANT工具中实现，并通过大量PHP应用程序和WordPress插件进行了实验评估。总体而言，我们发现了属于12类输入验证漏洞的数百个漏洞，其中62个是零日漏洞。
2019-10-12 cs.CL cs.CR cs.PL
A Hybrid Graph Neural Network Approach for Detecting PHP Vulnerabilities
Imperial College London（帝国理工学院）；University of Malaya（马来亚大学）
本文提出DeepTective，一种结合门控循环单元和图卷积网络的混合深度学习方法，用于检测PHP代码中的SQLi、XSS和OSCI漏洞，在合成数据集上近乎完美，在真实数据集上F1达88.12%，并发现4个WordPress插件新漏洞。
2020-12-16 cs.CR cs.LG
BlockScope: Detecting and Investigating Propagated Vulnerabilities in Forked Blockchain Projects
由于区块链生态系统的开源性质，新的区块链通常会分叉或部分重用经典区块链的代码。例如，流行的Dogecoin，Litecoin，Binance BSC和Polygon都是比特币/以太坊的变体。因此，这些“分叉”区块链可能会遇到类似的漏洞，这些漏洞在分叉或随后的提交获取过程中从比特币/以太坊传播。在本文中，我们对分叉区块链项目中传播的漏洞进行了系统的研究。为了促进这项研究，我们提出了BlockScope，这是一种新的工具，可以有效地检测多种类型的克隆漏洞，并输入现有的比特币/以太坊安全补丁。具体来说，BlockScope采用了基于相似度的代码匹配，并设计了一种新的计算代码相似度的方法，以覆盖所有语法范围的变体（即，1型、2型和3型）克隆。此外，BlockScope自动提取并利用补丁代码的上下文来缩小搜索范围，并仅定位潜在相关的代码进行比较。我们的评估表明，BlockScope实现了良好的准确率和高召回率，均为91.8%（比ReDeBug高1.8倍）。BlockScope允许我们在比特币和以太坊的16个分叉项目中的13个项目中发现101个以前未知的漏洞，其中16个来自Dogecoin，6个来自Litecoin，1个来自Binance，4个来自Optimism。我们已经向他们的开发人员报告了所有漏洞;其中40个已经修补或接受，66个已经确认或正在等待，只有4个被拒绝。我们进一步研究了发现的…
2023-02-21 cs.CR
On the Effectiveness of Function-Level Vulnerability Detectors for Inter-Procedural Vulnerabilities
针对函数级深度学习漏洞检测器难以覆盖跨函数成因的问题，本文构建InterPVD数据集并提出VulTrigger，证实过程间漏洞普遍且现有检测器对其待修补函数的检测效果明显较弱。
2024-01-20 cs.CR cs.SE
Short Paper: Static and Microarchitectural ML-Based Approaches For Detecting Spectre Vulnerabilities and Attacks
University of Massachusetts Dartmouth（马萨诸塞大学达特茅斯分校）
Spectre入侵利用了现代处理器中的推测执行设计漏洞。这些攻击违反了程序中的隔离原则，以获取未经授权的私人用户信息。当前最先进的检测技术利用微体系结构特征或易受攻击的推测性代码来检测这些威胁。然而，这些技术是不够的，因为Spectre攻击已经被证明是更隐蔽的，最近发现的变种绕过了当前的缓解机制。侧通道在处理器缓存中生成不同的模式，并且敏感信息泄漏取决于易受Spectre攻击的源代码，其中攻击者使用这些漏洞，例如分支预测，这会导致数据泄露。以前的研究主要采用微体系结构分析来检测Spectre攻击，这是一种反应式方法。因此，在本文中，我们提出了第一次全面评估的静态和微架构分析辅助机器学习方法来检测Spectre脆弱的代码片段（预防）和Spectre攻击（反应）。我们评估的性能权衡采用分类检测幽灵的漏洞和攻击。
2022-10-26 cs.CR cs.LG
NFTDELTA: Detecting Permission Control Vulnerabilities in NFT Contracts through Multi-View Learning
Hainan University（海南大学）
本文提出NFTDELTA框架，通过静态分析和多视角学习检测NFT合约权限漏洞，识别241个漏洞，包括214个绕过认证重入漏洞，精度达97.92%。
2026-04-16 cs.CR
CoinWatch: A Clone-Based Approach For Detecting Vulnerabilities in Cryptocurrencies
加密货币近年来变得非常流行。成千上万的新加密货币已经出现，提出了新的和新颖的技术，改进了比特币的区块链数据结构和共识机制的核心创新。然而，加密货币是网络攻击的主要目标，因为它们可以在交易所匿名出售，并且大多数加密货币的代码库都是公开的。一个特别的问题是加密货币中代码克隆的流行，这可能会放大安全威胁。如果在一种加密货币中发现漏洞，它可能会传播到其他克隆的加密货币中。在这项工作中，我们提出了一个系统的解决方案，我们提出了CoinWatch（CW）。考虑到输入端报告的漏洞，CW使用代码演化分析和克隆检测技术来指示可能存在漏洞的加密货币。我们使用4个CVE在1094种加密货币上应用了CW，并在384个项目中获得了786个真实漏洞，这些漏洞已被开发人员确认并成功报告为CVE扩展。
2020-10-28 cs.CR
WACANA: A Concolic Analyzer for Detecting On-chain Data Vulnerabilities in WASM Smart Contracts
本文提出 WACANA，通过细粒度模拟链上数据表与 API，并结合覆盖率引导的具体与符号执行，提升 WASM 智能合约漏洞检测的准确性和实用性。
2024-12-05 cs.CR cs.SE
MultiCFV: Detecting Control Flow Vulnerabilities in Smart Contracts Leveraging Multimodal Deep Learning
Hainan University（海南大学）
MultiCFV通过融合多模态特征提升智能合约控制流漏洞检测与代码克隆识别的准确性
2026-01-15 cs.CR
The Performance of Machine and Deep Learning Classifiers in Detecting Zero-Day Vulnerabilities
Texas Tech University（德克萨斯理工大学）；University of Debrecen（德布勒森大学）
零日攻击和漏洞的检测是一个具有挑战性的问题。因此，对网络管理员来说，高精度地识别它们是至关重要的。准确性越高，防御机制就越强大。在理想情况下（即，100%的准确性），系统可以检测零日恶意软件，而不必担心错误地将良性文件标记为恶意软件或使破坏性恶意代码作为非恶意代码运行。本文研究了不同的机器学习算法，以了解它们检测零日恶意软件的能力。通过对34个机器/深度学习分类器的测试，我们发现随机森林分类器的准确率最高。本文提出了几个关于机器和深度学习算法在检测零日恶意软件时的性能的研究问题，误报和漏报率为零。
2019-11-21 cs.CR cs.LG
SAGA: Detecting Security Vulnerabilities Using Static Aspect Analysis
提出SAGA方法，通过符号控制流图和领域特定语言定义静态切面，检测Python代码中的多种安全漏洞，在108个漏洞数据集上达到100%敏感度和99.15%特异度。
2026-07-02 cs.CR cs.SE
Security Vulnerability Detection Using Deep Learning Natural Language Processing
Ball State University（鲍尔州立大学）；Illinois State University（伊利诺伊州立大学）
几十年来，在软件被利用之前检测软件中的安全漏洞一直是一个具有挑战性的问题。传统的代码分析方法已经被提出，但通常是无效和低效的。在这项工作中，我们将软件漏洞检测建模为一个自然语言处理（NLP）问题，将源代码视为文本，并使用最近先进的深度学习NLP模型，辅以书面英语的迁移学习，来解决自动化软件venerability检测问题。为了进行培训和测试，我们对NIST NVD/SARD数据库进行了预处理，并使用$C$程序设计语言构建了一个包含123种漏洞的10万多个文件的数据集。大量的实验表明，该算法在安全漏洞检测中的准确率达到了93%以上。
2021-05-06 cs.AI cs.CR
A unit-based symbolic execution method for detecting memory corruption vulnerabilities in executable codes
本文提出一种基于单元的符号执行方法，通过仅对静态识别的测试单元执行符号执行并结合机器学习近似系统输入，有效缓解路径爆炸并检测四类内存损坏漏洞，在准确性和性能上优于同类工具。
2025-09-14 cs.CR cs.SE
deepSURF: Detecting Memory Safety Vulnerabilities in Rust Through Fuzzing LLM-Augmented Harnesses
Purdue University（普渡大学）
deepSURF结合静态分析与LLM引导的模糊测试，自动生成并增强测试工具，有效检测Rust不安全代码中的内存安全漏洞，在63个真实crate上重新发现30个已知错误并发现12个新漏洞。
2025-10-24 cs.CR cs.LG cs.SE
CodeHacker: Automated Test Case Generation for Detecting Vulnerabilities in Competitive Programming Solutions
Shanghai University of Finance and Economics（上海金融学院）；Northwestern Polytechnical University（西北工业大学）；Meituan（美团）；University of Toronto（多伦多大学）
提出CodeHacker框架，通过多策略对抗测试用例生成（压力测试、反哈希攻击、逻辑特定攻击）和校准阶段，有效暴露程序漏洞，提升测试集真负率并增强RL训练模型性能。
2026-06-02 cs.AI cs.CR cs.SE
LogicScan: An LLM-driven Framework for Detecting Business Logic Vulnerabilities in Smart Contracts
Beijing Institute of Technology（北京理工大学）；Nanyang Technological University（南洋理工大学）；Nankai University（南开大学）
LogicScan利用大语言模型和业务规范语言，通过挖掘链上协议的业务不变量，实现对智能合约业务逻辑漏洞的高效检测。
2026-02-03 cs.CR
Deemon: Detecting CSRF with Dynamic Analysis and Property Graphs
跨站点请求伪造（CSRF）漏洞是一类严重的Web漏洞，仅受到研究和安全测试社区的边缘关注。虽然已经在XSS和SQLi的对策和检测上花费了很多精力，但到目前为止，CSRF漏洞的检测仍然主要是手动执行的。在本文中，我们提出Deemon，据我们所知，第一个自动化的安全测试框架，发现CSRF漏洞。我们的方法是基于一个新的建模范式，捕捉Web应用程序的多个方面，包括执行跟踪，数据流，和架构层在一个统一的，全面的属性图。我们提出的范例，并展示了一个具体的模型可以自动使用动态跟踪。然后，使用图遍历，我们挖掘潜在的脆弱操作。使用模型中捕获的信息，我们的方法然后自动创建并进行安全测试，以实际验证发现的CSRF问题。我们用10个流行的开源Web应用程序来评估Deemon的有效性。我们的实验发现了14个以前未知的CSRF漏洞，这些漏洞可以被利用，例如，接管用户帐户或整个网站。
2017-08-29 cs.CR
IRIS: LLM-Assisted Static Analysis for Detecting Security Vulnerabilities
提出IRIS神经符号方法，结合LLMs与静态分析进行全仓库推理以检测安全漏洞，在CWE-Bench-Java数据集上检测出55个漏洞并发现4个未知漏洞。
2025-04-06 cs.CR cs.PL cs.SE
Uncover the Premeditated Attacks: Detecting Exploitable Reentrancy Vulnerabilities by Identifying Attacker Contracts
本文提出 BlockWatchdog 工具，通过识别攻击者合约和重入调用流来检测真正可利用的重入漏洞，并能发现 ERC 代币或自定义接口导致的新型重入漏洞，在 42 万余个以太坊合约中识别出价值约 9.086 亿美元的攻击。
2024-03-28 cs.CR cs.SE
Detecting Network Security Vulnerabilities and Proactive Strategies to Mitigate Potential Threats
在多层网络系统、自定义应用程序、Web服务和平台环境中，存储数据和信息资产对任何组织来说都是一项挑战。虽然有不同的方法来保护网络系统，但测试安全级别的最佳方法是进行渗透测试。在本文中，我们描述了我们如何进行现场渗透测试的特定网络，即192.168.3.0/24（案例研究）通过识别系统漏洞，使其渗透。在破坏系统后，必须找到关键数据（标志），表明我们成功渗透。作为专业的渗透测试人员，我们使用了互联网上恶意行为者使用的一系列渗透测试工具，如Nmap，Nessus，Sparta和Metasploit等。通常情况下，由于其在识别系统环境中安全漏洞方面的重要性，我们在侦察和扫描阶段而不是系统探索阶段投入了大量精力。漏洞分析突出了最关键的威胁，即令牌是获得访问的优势，即FTP服务，HTTP和人为错误。然而，包括系统是不够的，因为关键数据（标志）通常需要管理员权限。因此，团队经常检查系统，以找到将权限提升到根级别的方法。此外，一些关键数据（标志）需要解密算法或对捕获的数据包进行分析，以使其可读。我们找到了八个旗帜并确定了一个系统安全漏洞。建议针对已识别的漏洞采取缓解策略，以确保给定网络免受未来攻击。
2022-12-22 cs.CR
A Model-Driven-Engineering Approach for Detecting Privilege Escalation in IoT Systems
访问控制模型中的软件漏洞可能代表系统中的严重威胁。事实上，OWASP将破坏访问控制列为十大漏洞中严重程度第5位。在本文中，我们研究了一个新兴的智能家居平台，SmartThings的权限模型，并探讨了一种方法，在其权限模型中检测权限升级。我们的方法是基于模型驱动工程（MDE）除了静态分析。与单独的静态分析相比，这种方法可以更好地覆盖权限升级检测，并利用分析携带额外权限详细信息的自由格式文本。我们的实验结果表明，在物联网应用程序中检测过特权漏洞的准确性非常高
2022-05-23 cs.CR cs.SE
Detecting Code Vulnerabilities with Heterogeneous GNN Training
针对现有GNN代码漏洞检测方法难以捕捉边类型特征的问题，提出过程间抽象图表示与异质注意力GNN模型，在多语言漏洞数据集上取得优于现有方法的准确率，且误报率较低。
2025-02-24 cs.CR
Understanding the Effectiveness of Large Language Models in Detecting Security Vulnerabilities
本文通过评估16个预训练LLMs在5个安全数据集、5,000个代码样本上的表现，系统研究了LLMs检测安全漏洞的有效性，发现其平均准确率为62.8%，在过程内漏洞上优于CodeQL，并证明逐步分析提示可显著提升性能。
2024-10-23 cs.CR cs.PL cs.SE
Detecting Protracted Vulnerabilities in Open Source Projects
University of Toronto（多伦多大学）；Queen’s University（女王大学）
本文研究了长期未解决的漏洞（PCVEs），提出DeeptraVul方法，通过整合开发 artifacts 和代码信号，提高对长期漏洞的检测率，达到90%的覆盖。
2026-03-28 cs.CR cs.SE
SmartGraphical: A Human-in-the-Loop Framework for Detecting Smart Contract Logical Vulnerabilities via Pattern-Driven Static Analysis and Visual Abstraction
Universiti Kebangsaan Malaysia（马来西亚国立大学）；CoinFa Blockchain Research Lab（CoinFa区块链研究实验室）
本文提出SmartGraphical框架，结合自动化静态分析与可视化结构，通过人机协作检测智能合约逻辑漏洞，经实证研究证明其在识别复杂安全威胁方面优于现有方法。
2026-03-27 cs.CR
SkillSecurer: Detecting and Patching Prompt-Injection Vulnerabilities in AI Agent Skills
Politecnico di Torino（都灵理工大学）
针对智能体技能易受提示注入攻击的问题，提出全智能体框架SkillSecurer，通过红蓝智能体生成、检测、定位并修复漏洞，实现100%注入检测率，并发现超17%热门技能存在潜在风险。
2026-09-15 cs.CR
Did You Forkget It? Detecting One-Day Vulnerabilities in Open-source ForksWith Global History Analysis
University of Rennes（雷恩大学）；Inria（法国国家信息与自动化研究所）
本文提出一种全球历史分析方法，用于检测开源fork中的单日漏洞，通过传播漏洞信息和自动化影响分析，发现135个高严重性漏洞。
2026-10-08 cs.CR cs.SE
PsybORG+: Modeling and Simulation for Detecting Cognitive Biases in Advanced Persistent Threats
针对传统措施难以防御的高级持续性威胁，本研究提出多智能体仿真环境PsybORG⁺，可建模受认知漏洞影响的APT行为，配套的认知漏洞分类模型预测准确率不低于0.83，为利用攻击者认知偏差防御APT提供支撑。
2024-08-13 cs.CR
Virtualization-based Penetration Testing Study for Detecting Accessibility Abuse Vulnerabilities in Banking Apps in East and Southeast Asia
Singapore Management University（新加坡管理大学）；MIE-SPPU Institute of Higher Education（MIE-SPPU高等教育学院）；i-Sprint Innovations Pte. Ltd（i-Sprint创新私人有限公司）；Promon（普罗蒙）
本研究通过虚拟化渗透测试检测东亚和东南亚银行应用中的可访问性滥用漏洞，分析现有防护措施并提出防范策略。
2026-01-29 cs.CR cs.SE
Detecting Logic Vulnerabilities Across the Contract and Device Layers of Blockchain-Enabled IoT With Multi-Agent Heterogeneous Graph Attention
Faculty of Data Science, City University of Macau（澳门城市大学数据科学学院）；Guangzhou University（广州大学）
针对区块链物联网中合约与设备层逻辑漏洞，提出多智能体异构图注意力框架MA-HGAT，统一建模多类工件，支持多种检测任务并实现轻量级边缘部署。
2026-09-17 cs.CR
Stacco: Differentially Analyzing Side-Channel Traces for Detecting SSL/TLS Vulnerabilities in Secure Enclaves
英特尔Software Guard Extension（SGX）提供软件应用程序安全区，以保护其机密性和完整性免受恶意操作系统的攻击。SSL/TLS协议是用于保护传输层网络通信的事实标准，已被广泛部署用于安全通信信道。然而，在本文中，我们表明，新交所和SSL之间的婚姻可能不会一帆风顺。特别是，我们考虑一类侧信道攻击对SSL/TLS实现在安全飞地，我们称之为控制流推理攻击。在这些攻击中，恶意操作系统内核可以执行强大的内核中人攻击，以在页面、高速缓存行或分支级别收集飞地程序的执行痕迹，同时将其自身定位在两个通信方的中间。我们工作的中心是一个差分分析框架，称为Stacks，用于动态分析SSL/TLS实现并检测可被用作解密预言机的漏洞。令人惊讶的是，我们在检查过的所有SSL/TLS库的最新版本中发现了可利用的漏洞。为了验证检测到的漏洞，我们开发了一个内核中的攻击者来演示Bleichenbacher对SGX飞地中运行的最新OpenSSL库的攻击（在Graphene的帮助下），并完全打破了由4096位RSA公钥加密的PreMasterSecret，只有57286次查询。我们还针对在Graphene-SGX中运行的最新GnuTLS和mbedTLS的开源SGX实现（即，mbedTLS-SGX），并表明它只需要48388和25717查询，分别打破一个块的AES密文。经验评估表明，这些内核中的人攻击可…
2017-09-26 cs.CR
VulEval: Towards Repository-Level Evaluation of Software Vulnerability Detection
提出仓库级评估系统VulEval，通过函数级检测、依赖预测和仓库级检测三项任务及大规模数据集，填补了过程间漏洞检测评估的空白。
2024-04-24 cs.CR cs.SE
Artificial Intelligence-Based Smart Grid Vulnerabilities and Potential Solutions for Fake-Normal Attacks: A Short Review
Carnegie Mellon University（卡内基梅隆大学）
智能电网系统对电力行业至关重要，但其复杂的架构设计和操作使其面临许多网络安全威胁，例如数据篡改，数据窃听和拒绝服务等。基于人工智能（AI）的技术在检测各种计算机设置中的网络攻击方面正变得越来越流行，并且已经做出了若干努力来保护各种系统。由于最近出现了复杂的对抗系统，如生成对抗网络（GAN），目前的AI系统正在被暴露和征服。这篇简短评论的目的是概述一些保护智能电网系统的举措，它们的障碍，以及未来可能的人工智能研究方向
2022-02-14 cs.AI cs.CR
CKG-LLM: LLM-Assisted Detection of Smart Contract Access Control Vulnerabilities Based on Knowledge Graphs
Hainan University（海南大学）
本文提出CKG-LLM框架，利用大语言模型能力将自然语言漏洞模式转化为知识图谱查询，提升智能合约访问控制漏洞检测性能。
2026-04-14 cs.CR
Yama: Precise Opcode-based Data Flow Analysis for Detecting PHP Applications Vulnerabilities
针对PHP应用漏洞检测中数据流分析精度不足的问题，提出基于PHP操作码的上下文敏感、路径敏感的过程间分析方法Yama，在复杂语义分析中真阳性率达99.1%，还在真实项目中发现38个零日漏洞并公开相关代码与规则。
2024-10-16 cs.CR
Detecting and Understanding Vulnerabilities in Language Models via Mechanistic Interpretability
University of Alicante（阿利坎特大学）
本文提出一种基于机制可解释性（MI）的方法，通过提取任务子集、生成对抗样本并结合MI技术，定位并理解LLMs中的漏洞，在GPT-2 Small模型上验证了其有效性。
2024-07-29 cs.CL cs.CR cs.LG
A Sink-driven Approach to Detecting Exposed Component Vulnerabilities in Android Apps
Android应用程序可以公开其组件，以便与其他应用程序协作。然而，这种便利性使应用程序容易受到暴露组件漏洞（ECV）的影响，其中组件内的危险API（通常称为sink）可以由其他（恶意）应用程序触发。在先前的工作中，检测这些ECV使用与检测中的ECV有关的一组汇。在本文中，我们认为，一个更全面，更有效的方法应该开始系统的选择和分类的特定功能汇（VSinks）。VSink的集合比以前的作品中使用的要大得多。基于这些VSinks，我们的sink驱动方法可以通过两个步骤检测应用程序中不同类型的ECV。首先，VSink和他们的类别是通过一个典型的前向可达性分析。其次，基于每个VSink的类别，使用相应的检测方法通过定制的后向马尔可夫分析来识别ECV。我们还设计了一个半自动引导的分析和验证功能，用于仅限系统的广播检查，以消除一些误报。我们在一个名为ECVDetector的工具中实现了我们的sink驱动方法，并使用顶级1K Android应用程序对其进行了评估。使用ECVDetector，我们成功地识别了我们定义的所有四个ECV类别中的49个易受攻击的应用程序。据我们所知，其中大部分是以前未公开的，如非常流行的Go SMS Pro和Clean Master。此外，ECVDetector的性能很高，处理每个组件平均只需9.257秒。
2014-05-24 cs.CR
VIPER-MCP: Detecting and Exploiting Taint-Style Vulnerabilities in Model Context Protocol Servers
The State Key Laboratory of Blockchain and Data Security, Zhejiang University（浙江大学区块链与数据安全国家重点实验室）；Beijing University of Posts and Telecommunications（北京邮电大学）；Lanzhou University（兰州大学）
本文提出VIPER-MCP，一种用于模型上下文协议服务器的端到端自动漏洞审计框架，能够检测污点式漏洞并动态验证其可利用性，通过生成具体的概念验证提示。该框架引入了两种新技术：一种是双阶段静态分析策略中的锚查询，增强了标准污点警报的功能性上下文；另一种是反馈驱动的提示进化机制，通过双变异调度和适应度评分的种子选择，逐步优化自然语言提示以达到易受攻击的sink。
2026-08-13 cs.CR
Triggering and Detecting Exploitable Library Vulnerability from the Client by Directed Greybox Fuzzing
Zhejiang University（浙江大学）；Central University of Finance and Economics（中央财经大学）
本文提出LiveFuzz方法，基于定向灰盒模糊测试检测客户端程序触发库漏洞的可利用性，无需证明概念，通过目标元组扩展DGF技术，引入抽象路径映射机制和风险自适应突变策略，提升路径覆盖率和漏洞暴露速度。
2026-04-05 cs.CR cs.SE
Securing Code Understanding: Detecting Natural Backdoor Vulnerability in Code Language Models
Nanjing University（南京大学）；Nanyang Technological University（南洋理工大学）；Soochow University（苏州大学）；Tsinghua University（清华大学）
本研究系统探究代码语言模型中的自然后门漏洞，通过44种场景证明其普遍性，分析其与注入后门的差异及迁移性，并提出检测方法ScanNBT。
2026-06-09 cs.CR cs.SE
Detecting Privilege Escalation in Polyglot Microservices via Agentic Program Analysis
Columbia University（哥伦比亚大学）；Johns Hopkins University（约翰霍普金斯大学）
本文提出Neo框架，结合LLM和经典程序分析，解决微服务中特权提升检测的复杂性问题，发现24个零日漏洞，精度和召回率均优于现有方法。
2026-05-15 cs.AI cs.CR cs.SE
Demystifying and Detecting Agentic Workflow Injection Vulnerabilities in GitHub Actions
Huazhong University of Science and Technology（华中科技大学）；AI Security Lab（360人工智能安全实验室）；Macquarie University（麦考瑞大学）
本文研究GitHub Actions中代理工作流注入漏洞，提出两种核心模式P2A和P2S，并设计TaintAWI工具，发现519个潜在漏洞，其中343个为零日漏洞，已优先披露并获得修复。
2026-05-08 cs.CR
Buzz to Boom: Detecting Message Progression Vulnerabilities in Electron Applications via Segmented Directed Fuzzing
Johns Hopkins University（约翰斯·霍普金斯大学）
研究针对 Electron 应用程序中消息进展漏洞的检测，提出 Proton 分段定向模糊测试框架，沿消息传递边界分解模糊测试，从各进程合成崩溃输入验证利用，经对 589 个应用评估发现 23 个零日漏洞，推动相关修复并获致谢与赏金。
2026-07-24 cs.CR
