10:40arXiv cs.LG@Yiteng Peng, Dongwei Xiao, Zhibo Liu, Zhenlan JI, Shuai WangHERTA是首个针对全同态加密(FHE)框架的自动化测试工具。它利用蜕变测试方法,设计了基于FHE语义的新型蜕变关系,以检测多层软件栈中的实现错误。在3个主流工业框架上的评估中,HERTA发现了21个先前未知的漏洞,部分已被开发者确认修复。分析表明这些漏洞对FHE服务的完整性和可用性构成严重安全威胁。论文全同态加密HERTA漏洞检测自动化测试FHE安全推荐理由:这个工具能自动找出FHE框架的隐藏bug,已经发现了21个,开发者都确认了。搞隐私计算的值得一看。原文
10:38arXiv: DeepSeek@Arastoo Zibaeirad, Marco Vieira精选研究提出CWE-Trace框架,基于834个手动整理的Linux内核样本(覆盖74个CWE)评估LLM的漏洞检测能力。实验发现数据污染对性能无实质帮助:84%的污染样本不携带可用记忆信号。微调仅改变输出阈值(DFI范围-85.5至+94.8 pp),而不改变底层决策策略,模型在历史数据和截止后数据上表现一致。最佳检测准确率仅52.1%(高出随机2.1个百分点),CWE排名Top-1准确率低于1.3%,表明当前LLM缺乏可靠的安全推理能力。论文CWE-TraceLinux内核漏洞检测推理模型Fine-tuning推荐理由:这篇论文用800多个Linux内核漏洞样本做了严谨测试,发现LLM微调后只是改分数线,不是真懂安全。检测率刚过50%,别指望它们当安全审计员。原文
09:23arXiv: DeepSeek@Zhengxiong Luo, Mehtab Zafar, Dylan Wolff, Abhik Roychoudhury精选Code-Augur提出安全规范优先范式,将漏洞检测智能体的隐性假设显式化为安全规范,并通过运行时反证持续细化。在真实项目上,Code-Augur比Claude Mythos等专用模型检测到更多漏洞。它基于Sonnet和DeepSeek等通用LLM构建,发现了22个关键开源项目的新漏洞。该方法通过模糊测试触发断言,揭示漏洞或修正规范,提升检测可信度。论文Code-Augur漏洞检测智能体安全规范Sonnet推荐理由:这篇论文让AI漏洞检测不再黑箱——Code-Augur会生成明确的安全假设,再用模糊测试验证,已经在真实项目里挖出22个新漏洞,比专用模型还管用。原文