VulBinLLM: LLM-powered Vulnerability Detection for Stripped Binaries
本文提出 Vul-BinLLM 框架，通过结合反编译优化、扩展上下文记忆、上下文学习与思维链提示，有效检测剥离二进制文件中的漏洞，并在 Juliet 数据集上达到最先进性能。
2025-05-28 cs.CR
Detection of Wordpress Content Injection Vulnerability
内容管理软件（CMS）的普及正在大大增长的Web开发人员和商业人士，因为它的能力，易于访问，可扩展性和可用性的分布式网站内容。根据Built With的统计数据，32%的Web应用程序是使用WordPress（WP）开发的，而其他CMS则是如此。很明显，相当多的Web应用程序是用WP 4.7.0和4.7.1版本构建的。最近的一项研究表明，在上述两个版本的WP中发现了内容注入漏洞[2]。入侵者在CMS管理的应用程序中注入未经授权的内容是企业和网站所有者面临的严重问题之一。因此，检测漏洞成为这一时期的关键问题。在本文中，我们讨论了上述版本的WP内容注入的根本原因，并提出了一个检测模型，为给定的漏洞。一个工具，SAISAN已经按照我们预期的模型实现，并使用SAISAN对176个WP开发的Web应用程序进行了检查。与手动黑盒测试结果相比，我们实现了SAISAN结果的92%的准确性。
2017-11-07 cs.CR
AVIATOR: Towards AI-Agentic Vulnerability Injection Workflow for High-Fidelity, Large-Scale Code Security Dataset
National Institute of Standards and Technology, Software and Systems Division（美国国家标准与技术研究院软件与系统 division）；Université Grenoble Alpes, CNRS, LIG（格勒诺布尔阿尔卑斯大学，法国国家科学研究中心，LIG实验室）
本文提出AVIATOR，首个AI代理漏洞注入框架，通过协调AI代理、工具分析和迭代自我纠正，生成高保真漏洞数据，提升漏洞检测模型性能。
2026-10-27 cs.AI cs.CR
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
Vulnerability Localization Benchmark: Measuring Agentic Security Analysis at Repository Scale
Cisco Systems Inc.（思科系统公司）；Carnegie Mellon University（卡内基梅隆大学）；Yale University（耶鲁大学）
该研究提出VLoc Bench基准，包含500个真实漏洞，评估27个语言模型和4个静态分析工具在仓库规模上的漏洞定位能力，发现最强系统F1仅0.229，且定位能力与修复后可靠性不相关。
2026-09-15 cs.AI cs.CR
The Discovery, Disclosure, and Investigation of CVE-2024-25825
本文介绍了FydeOS中CVE-2024-25825默认凭据类漏洞的发现、披露及关联国家级行为体的调查过程，指出该漏洞非故意植入可能性高，并提出投毒代码场景下披露方式的新考量。
2025-06-26 cs.CR
The Vulnerability of LLM Rankers to Prompt Injection Attacks
The University of Queensland（昆士兰大学）；CSIRO（澳大利亚联邦科学与工业研究组织）
本文研究了大语言模型排序器对提示注入攻击的脆弱性，通过实验证明不同架构和设置下的攻击效果，并揭示了编码器-解码器架构的抗性。
2026-02-18 cs.CR
On deceiving malware classification with section injection
Federal University of Bahia（巴伊亚联邦大学）；University of South Florida（南佛罗里达大学）
我们研究如何修改可执行文件来欺骗恶意软件分类系统。这项工作的主要贡献是一种方法，在恶意软件文件中随机注入字节，并将其用作攻击以降低分类准确性，同时也用作防御方法，增加可用于训练的数据。它尊重操作系统文件格式，以确保恶意软件在我们注入后仍将执行，并且不会改变其行为。我们复制了五种最先进的恶意软件分类方法来评估我们的注入方案：一种基于GIST+KNN，三种CNN变体和一种门控CNN。我们在一个公共数据集上进行了实验，该数据集包含来自25个不同家族的9，339个恶意软件样本。我们的研究结果表明，恶意软件大小仅增加7%，就会导致恶意软件家族分类的准确性下降25%至40%。他们表明，自动恶意软件分类系统可能不像文献中最初报道的那样值得信赖。我们还评估了使用修改后的恶意软件和原始恶意软件来增加网络对上述攻击的鲁棒性。结果表明，重新排序恶意软件部分和注入随机数据的组合可以提高分类的整体性能。代码可在https://github.com/adeilsonsilva/malware-injection获得。
2022-08-12 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
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
On The Vulnerability of Anti-Malware Solutions to DNS Attacks
反恶意软件代理通常与其远程服务通信以共享有关可疑文件的信息。这些远程服务使用它们的最新信息和全局上下文（视图）来帮助对文件进行分类并指示它们的代理采取预定动作（例如，删除或隔离）。在这项研究中，我们提供了一个特定形式的反恶意软件代理和他们的服务，这完全发生在不安全的DNS协议之间的通信的安全分析。这些服务，我们称之为DNS反恶意软件列表（DNSAML）服务，会影响反恶意软件代理扫描的文件的分类，因此可能会由于DNS协议的已知完整性和机密性缺陷而使其消费者面临风险。通过分析一家知名CDN提供商提供给作者的大规模DNS流量数据集，我们确定了似乎利用DNSAML服务的反恶意软件解决方案。我们发现，这些解决方案部署在全球近300万台机器上，每天交换数亿个DNS请求。这些请求携带敏感的文件扫描信息，通常-正如我们所展示的-没有任何额外的保护措施来补偿DNS协议的不安全性。因此，这些使用DNSAML的反恶意软件解决方案容易受到DNS攻击。例如，能够篡改DNS查询的攻击者能够在扫描机器上不存在的情况下改变扫描文件的分类。我们展示了至少三种适用于反恶意软件解决方案的三种攻击，这些攻击可能导致反恶意软件代理的敏感信息泄露和不当行为，例如忽略检测到的威胁。最后，我们提出并审查了一套反恶意软件解决方案提供商的对策，以防止使用DNSAML服务所产生的攻击。
2021-09-23 cs.CR
Package Hallucination Attacks on Coding Agents through Prompt Injection in Rule Files
Duke University（杜克大学）
针对编码智能体依赖社区规则文件的漏洞，提出包幻觉攻击及进化优化框架PackHallu，通过注入恶意提示诱导替换依赖，实验证明高成功率与强迁移性，亟需加强安全防护。
2026-10-08 cs.AI cs.CR
Beyond Single Bugs: Benchmarking Large Language Models for Multi-Vulnerability Detection
BITS Pilani（比斯·比兰迪大学）；Virginia Tech（弗吉尼亚理工大学）
本文提出多漏洞检测基准测试，评估LLMs在不同漏洞密度下的性能，发现高密度下性能显著下降，尤其在Python和JavaScript中表现较差。
2025-12-26 cs.AI cs.CR
Can Neural Decompilation Assist Vulnerability Prediction on Binary Code?
Università degli Studi di Napoli Federico II（那不勒斯费德里科二世大学）
本文提出一种无需源代码的漏洞预测方法，通过神经反编译将二进制文件转为源代码后利用深度学习进行预测，在二分类和多分类分析中均超越现有技术。
2025-03-29 cs.AI cs.CR cs.LG
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
Intra-Section Code Cave Injection for Adversarial Evasion Attacks on Windows PE Malware File
本研究提出节内代码洞穴注入的Windows PE恶意软件对抗规避方法，搭配代码加载器保留恶意软件功能，针对MalConv和MalConv2检测器实现了远高于追加式攻击的规避率。
2024-03-11 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
MongoDB Injection Query Classification Model using MongoDB Log files as Training Data
Goa Business School, Goa University（果阿大学果阿商学院）
本文提出基于MongoDB日志数据的注入攻击分类模型，利用判别分析和机器学习方法，通过特征提取和模型训练，实现对NoSQL注入攻击的高准确率检测。
2026-01-17 cs.CR cs.DB cs.LG
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
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
Literature review on vulnerability detection using NLP technology
Hangzhou University of Electronic Science and Technology（杭州电子科技大学）
漏洞检测一直是软件安全领域最重要的任务。随着技术的发展，面对海量的源代码，自动分析和检测漏洞已成为当前的研究热点。对于源代码这样的特殊文本文件，利用当前最热门的一些自然语言处理技术进行建模，实现对源代码的自动分析和检测，已经成为漏洞检测领域最值得期待的研究之一。本文简要介绍了CodeBERT等一些新的文档和技术，并对以前的技术进行了总结。
2021-04-23 cs.AI cs.CR cs.SE
Rewrite to Reinforce: Rewriting the Binary to Apply Countermeasures against Fault Injection
错误注入攻击可以在软件中引起用于恶意目的的错误。通常，程序的脆弱点在其开发之后被检测到。因此，对于程序的用户来说，能够在不访问源代码的情况下对可执行文件应用最后一分钟的安全保证是至关重要的。在这项工作中，我们探讨了两种方法的基础上，二进制重写，在二进制文件中注入对策援助。第一种方法通过重新组装反汇编来注入对策，而第二种方法利用到高级别IR的完全转换并将其降低回目标架构。
2020-11-28 cs.CR
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
How Not to Detect Prompt Injections with an LLM
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
本文揭示了KAD方案的结构性漏洞，并提出DataFlip攻击方法，能够有效绕过KAD防御，实现低检测率和高恶意行为诱导率。
2025-12-06 cs.AI cs.CR cs.LG
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
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
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
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
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
Tracing Vulnerable Code Lineage
本文介绍了来自MSR 2021 Hackcraft的结果。我们的团队调查包含已知安全漏洞的文件/项目，以及它们在开源软件中的存储库中的分布情况。这些安全漏洞可能通过代码重用传播，即使在不同版本的代码中修复了漏洞。我们利用World of Code基础设施从几乎完整的开源软件集合中发现文件级代码重复。本文描述了一种方法和一组工具，用于查找使用已知易受攻击文件的所有开源项目以及这些文件的任何以前版本。
2021-03-23 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
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
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
Developing Hands-on Labs for Source Code Vulnerability Detection with AI
Florida Agricultural and Mechanical University（佛罗里达农工大学）
随着信息和通信技术在我们生活中的作用逐渐增加，源代码安全成为防止恶意尝试的重要问题。此外，随着数据驱动技术的出现，现在人们越来越有兴趣利用机器学习和自然语言处理作为源代码保证方法来构建可信赖的系统。因此，培训我们未来的软件开发人员编写安全的源代码在这篇论文中，我们提出了一个框架，包括学习模块和动手实验，以指导未来的IT专业人员在软件开发生命周期的早期阶段培养安全编程习惯和减轻源代码漏洞。在这篇论文中，我们的目标是设计一套动手实验的学习模块，向学生介绍使用源代码和日志文件的安全编程实践。分析工具来预测和识别漏洞在安全编码教育框架中，我们将提高学生对源代码漏洞检测工具和缓解技术的技能和意识，将源代码漏洞的概念从函数API和库级别整合到不良编程习惯和实践中，利用深度学习NLP和用于日志文件分析的静态分析工具来介绍源代码漏洞的根本原因
2023-02-01 cs.AI cs.CR
Bad Memory: Evaluating Prompt Injection Risks from Memory in Agentic Systems
University of Washington（华盛顿大学）
研究基于内存的智能体系统中提示注入攻击，利用沙盒合成工作区评估两个系统四个模型，发现虽难用外部内容重写内存文件，但已植入的有效载荷可攻击当前及未来会话，揭示持久内存改变威胁模型并推动相关防御研究。
2026-07-17 cs.AI cs.CR cs.MA
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
High Recovery with Fewer Injections: Practical Binary Volumetric Injection Attacks against Dynamic Searchable Encryption
可搜索对称加密允许对加密数据库进行私有查询，但它也会导致信息泄漏。攻击者可以利用这些泄漏来发起注入攻击（Zhang等人，USENIX'16）来从查询中恢复底层关键字。现有的注入攻击的性能很大程度上依赖于泄漏信息或注入的量。在这项工作中，我们提出了两个新的注入攻击，即BVA和BVMA，利用二进制体积的方法。我们使对手注入更少的文件比现有的体积攻击，通过使用已知的关键字，并通过观察查询结果的体积来揭示查询。我们的攻击可以挫败经过充分研究的防御（例如，阈值对策、静态填充）而不利用目标查询和客户端数据库的分布。我们在现实世界的数据集与实际查询的经验评估建议的攻击。结果表明，我们的攻击在最好的情况下可以获得很高的恢复率（>80%），即使在大规模数据集和少量注入（<20个文件）下也可以获得大约60%的恢复率。
2023-02-11 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
Attacks on Local Searching Tools
Google桌面搜索是一个索引工具，目前处于beta测试阶段，旨在让用户快速，直观地搜索本地文件。通过支持与Google.com的正常网页类似的界面的本地web服务器提供主要界面。本地文件的索引在系统空闲时发生，并理解许多常见的文件类型。一个可选功能是Google Desktop可以将本地搜索结果的简短摘要与Google.com Web搜索集成。此摘要包括本地文件的30-40个字符的片段。我们发现了一个漏洞，该漏洞会将私有本地数据释放给未经授权的远程实体。使用两种不同的攻击，我们将私有本地数据的小片段暴露给远程第三方。
2011-08-12 cs.CR
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
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
Large-Scale Analysis of Style Injection by Relative Path Overwrite
相对路径覆盖（RPO）是一种最新的技术，即使在不存在样式接收器或标记注入漏洞的情况下，也可以将样式指令注入到站点中。它利用了浏览器和Web服务器如何解释相对路径的差异（即，路径混淆），以使HTML页面引用本身作为样式表;一个简单的文本注入漏洞以及浏览器在解析CSS资源时的宽容，导致攻击者能够注入将由浏览器解释的样式指令。尽管样式注入可能看起来没有脚本注入那么严重，但它已经被证明可以实现一系列攻击，包括秘密泄露。在本文中，我们提出了第一个大规模的网络研究，以衡量的流行程度和意义的风格注入使用RPO。我们的工作表明，Alexa Top 10，000中约有9%的网站包含至少一个易受攻击的页面，其中超过三分之一的页面可以被利用。我们详细分析了成功利用的各种障碍，并提出了补救建议。与脚本注入相比，存在相对简单的对策来减轻样式注入。然而，我们发现一系列流行的内容管理系统（CMS）可被利用，这证明人们似乎对这种攻击媒介知之甚少。
2020-02-14 cs.CR
On the Vulnerability of Backdoor Defenses for Federated Learning
Tongji University（同济大学）；Pennsylvania State University（宾夕法尼亚州立大学）
联邦学习（FL）是一种流行的分布式机器学习范例，它能够在不共享客户端数据的情况下联合训练全局模型。然而，其重复的服务器-客户端通信为后门攻击提供了空间，目的是在呈现特定触发模式时误导全局模型进入有针对性的错误预测。为了应对这种对联邦学习的后门威胁，已经提出了各种防御措施。在本文中，我们研究了当前的防御机制是否真正中和后门的威胁，从联邦学习在一个实际的设置，提出了一个新的联邦后门攻击方法可能的对策。与传统的基于后门注入的训练（在触发数据上）和重新缩放（恶意客户端模型）不同，所提出的后门攻击框架（1）直接修改（小比例）局部模型权重以通过符号翻转注入后门触发器;（2）与客户端模型联合优化触发模式，从而更持久和隐蔽地规避现有防御。在一个案例研究中，我们从三个主要类别研究了最近的联邦后门防御的优点和缺点，并在实践中训练联邦模型时为从业者提供建议。
2023-01-19 cs.AI cs.CR cs.LG
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
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
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
VCAO: Verifier-Centered Agentic Orchestration for Strategic OS Vulnerability Discovery
VCAO通过博弈论方法优化操作系统漏洞发现，利用多代理系统在资源约束下实现高效漏洞检测，相比传统方法提升漏洞发现效率并降低误报率。
2026-04-09 cs.CR cs.GT cs.OS
Exploring Secure Machine Learning Through Payload Injection and FGSM Attacks on ResNet-50
The University of Toledo（托莱多大学）；Youngstown State University（扬斯敦州立大学）；Islington College（伊斯灵顿学院）
本研究通过FGSM对抗攻击和载荷注入测试ResNet-50，发现其准确率不变但置信度异常，且注入成功率高，揭示模型脆弱性并强调防御需求。
2025-01-18 cs.CR cs.LG
Defending Against Indirect Prompt Injection Attacks With Spotlighting
Microsoft（微软公司）
本文提出聚光灯技术（spotlighting），通过转换输入提供来源信号，帮助LLM区分多输入源，有效防御间接提示注入攻击，实验显示攻击成功率从50%以上降至2%以下且对任务效能影响极小。
2024-03-20 cs.CL cs.CR cs.LG
AutoVulnPHP: LLM-Powered Two-Stage PHP Vulnerability Detection and Automated Localization
Beijing Electronic Science and Technology Institute（北京电子科技学院）；Nankai University（南开大学）；The 15th Research Institute of China Electronics Technology Group Corporation（中国电子科技集团公司第十五研究所）
AutoVulnPHP通过结合两阶段漏洞检测与细粒度自动定位，利用LLM提升PHP漏洞检测的准确性和定位精度，首次构建大规模PHP漏洞数据集并验证其实际应用效果。
2026-01-07 cs.CR cs.SE
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
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
Contextualizing Sink Knowledge for Java Vulnerability Discovery
Georgia Institute of Technology（佐治亚理工学院）；Samsung Research（三星研究院）；University of Waterloo（滑铁卢大学）
GONDAR框架通过利用sink API语义进行针对性漏洞发现，通过CWE扫描和LLM静态过滤识别可利用的sink调用点，并通过探索和利用代理协作发现更多漏洞。
2026-04-19 cs.CR
