安全学术圈

本文提出的预测性上下文敏感模糊测试方法，通过函数克隆实现碰撞规避，并结合静态数据流分析进行克隆点预测，既解决了传统上下文模糊测试中的碰撞与状态爆炸问题，又显著提升了漏洞发现能力。

文章的研究显示，广泛使用的商用LLM可能被滥用以生成钓鱼网站和电子邮件。

本文提出了一个名为黑盒身份验证（BBIV）的新挑战，旨在确认第三方 LLM 是否与私有 LLM 匹配。

论文引入了 KARE，一个新颖的框架，它将知识图谱（KG）的社区级检索与 LLM 的推理相结合，以增强医疗保健预测。

本文提出SymAgent，将KG概念化为动态环境，将复杂推理任务转化为多步交互过程，使KG深度参与推理。

本文首次将“逆向损失”引入到联邦学习数据重构攻击的风险量化评估中，不仅构建了统一的风险评估框架，还基于理论推导提出了实用的防御策略。

大型语言模型（LLMs）在代码生成和补全任务中展现出巨大潜力，包括硬件设计领域。

文章对当前流行的大语言模型（LLMs）的代码分析能力进行了全面评估。

申请受理的截止日期为2025年7月25日

构建高质量漏洞数据集是评估安全工具、推动安全研究的重要基础

2025年8月1日（周五） 前

本研究表明，俄罗斯审查基础设施所导致的附加伤害比以往研究所揭示的更为广泛。

本文提出了 DeepGo，一种面向预测优化的定向灰盒模糊测试方法。

本文首次尝试研究典型VLP模型的对抗迁移性。系统地评估了现有的攻击方法，并揭示了尽管它们在白盒设置中表现出色，但仍然表现出较低的迁移性。

本文提出了 HoneyPLC，一个高交互、可扩展且可收集恶意软件的蜜罐，其达到了与真实 PLC 设备相当的性能水平，显著推动了该领域的技术发展水平。

本文首次提出了 CleanSheet，一种无需篡改训练流程，仅通过分析训练数据即可发起的模型劫持攻击方法。

本文针对俄罗斯国家主网中的审查组件TSPU展开系统研究，通过设计独特的测量方法并结合境内与远程实验，揭示了TSPU在互联网流量干预中的工作机制、触发规则与部署位置。

本文提出了Oscar框架，一种面向多标签网页浏览场景的精细化网页指纹识别方法。

本文创新性地提出“以攻为守”的防御范式，通过释放有毒输出来对抗模型提取攻击。