安全学术圈

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。

本文提出了一种创新性的轻量级、高鲁棒性的HTTPS网站指纹攻击方法

本研究提出了 HONEYKUBE，一个基于微服务架构的 Web 蜜罐，通过采用真实的应用程序作为基础框架并主动注入漏洞，有效增强了系统的隐蔽性和攻击交互性。

本研究首次提出基于LLM的协议模糊测试框架ChatAFL，通过自然语言交互提取协议语法与状态知识，避免了传统方法依赖人工编写规范的局限性。

本文采用SJTU-AN21（）和ISCXVPN2016（）两个数据集对模型进行评估，实验围绕处理真实世界原始流量的效果、识别不同网络服务的表现以及与现有方法的性能对比这三个研究问题进行展开。