原文标题：SAFEHARNESS: Lifecycle-Integrated Security Architecture for LLM-based Agent Deployment
原文作者：Xixun Lin, Yang Liu, Yancheng Chen, Yongxuan Wu, Yucheng Ning, Yilong Liu, Nan Sun, Shun Zhang, Bin Chong, Chuan Zhou, Yanan Cao
原文链接：https://arxiv.org/abs/2604.13630
笔记作者：宁钰成@中国科学院信息工程研究所
主编：黄诚@安全学术圈

1. 背景介绍

如果说大语言模型（LLM）是智能体的“大脑”，那么 Harness 就是支撑其在现实世界运转的躯干与骨骼。它绝不仅仅是一个简单的调用外壳，而是作为“指挥中心”，一手包办了工具编排、上下文管理和状态持久化等核心任务。然而，正是这种“大权在握”的核心地位，使得 Harness 成为了极具价值的攻击面：哪怕只是框架层面的单点妥协（例如一条被投毒的工具输出），风险也会顺着执行管道级联放大到整个系统。

针对这一严峻挑战，中国科学院信息工程研究所联合多家研究单位正式推出了 SafeHarness 框架。这是一种将防御机制直接编织进智能体 Harness 运行生命周期的安全架构，它不仅能从根本上解决现有安全工具的结构性缺陷，还能在面对复合攻击时实现系统级的协同防御。

2. 现有 Agent 安全防御的三大“致命伤”

当前的智能体安全工具（如外部的安全护栏）往往与智能体 Harness 存在严重的结构性错位。它们大多只是套在模型外层的“壳”，面临三大局限：

1. 上下文盲区（Context Blindness）： 现有的防御机制运行在框架边界之外。它们只在对话接口处过滤输入和输出，根本看不见框架内部的状态。这就像安检员只检查旅客的随身物品，却不知道旅客在候机厅里接触过什么危险源。

2. 层间孤岛（Inter-layer Isolation）： 即使部署了多重安全检查，它们也是各自为战。输入过滤器发现了可疑内容，并不会通知下游的动作验证器提高警惕；被拦截的危险动作，也不会提醒记忆系统去怀疑触发该动作的上下文。面对复合攻击，孤立的检查点如同盲人摸象。

3. 缺乏韧性（Lack of Resilience）： 现有的防御大多是一锤子买卖的“通过/拦截”。一旦攻击突破了外层防御，系统缺乏渐进式限制工具权限或优雅降级的机制，错误会随着执行步骤不断累积。

3. SafeHarness：四层防御，步步为营

为了解决上述痛点，SafeHarness 提出了一个核心洞察：智能体执行的四个阶段（输入处理、决策制定、动作执行、状态更新）有着各自独特的安全需求，必须由专属的、感知阶段的防御层来守护。

SafeHarness 打造了紧密耦合的四大防护层：

• L1: INFORM（输入处理层）： 在外部内容进入推理链前进行全面清洗。该层包含了结构化净化（去除隐藏的Unicode字符防止逃逸） 、模式匹配检测（快速拦截已知的注入指令） 以及语义过滤（通过LLM辅助提取事实、剥离恶意指令）。同时，它会为每个数据块打上溯源标签（Provenance Tagging），让下游层清楚地知道这些数据是来自用户输入、工具输出还是检索内容，并动态评估信任度。

• L2: VERIFY（决策制定层）： 对每一个工具调用提议应用三级递进式验证级联。Tier 1 使用基于规则的引擎进行快速合规检查；Tier 2 调用“上下文裁判模型”进行多步分析；如果裁判感到模棱两可（UNCERTAIN），则升级到 Tier 3 进行深度的因果诊断（Causal Diagnostics），判定这个动作究竟是源于用户的真实意图，还是被恶意注入所误导。

• L3: CONSTRAIN（动作执行层）： 在执行边界强制落实最小权限原则。工具被划分为五个风险层级；系统引入了受限的 能力令牌（Capability Tokens）机制，带有生存时间（TTL）和调用次数限制。此外，还会执行基于 HMAC-SHA256 的完整性校验，确保工具描述未被黑客在注册表中篡改。

• L4: CORRECT（状态更新层）： 提供最后的防线。它会定期捕获环境和内存的状态检查点。一旦 VERIFY 层确诊了攻击，CORRECT 会立即触发安全回滚。最精妙的是其 自适应降级（Adaptive Degradation）机制：回滚后系统不会直接崩溃，而是降低一个运行层级（例如禁用破坏性工具），并在连续安全运行一段时间后自动恢复权限，在安全与可用性之间取得完美平衡。

4. 灵魂组件：跨层机制与层间反馈

四层防御不再是各自为战。SafeHarness 设计了全局视角的跨层机制（Cross-Layer Mechanisms） ，并通过层间反馈（Inter-Layer Feedback）将整个系统连成一个有机的“免疫网络” ：

1. 两大跨层基石：

• 溯源保护内存：所有的对话历史、中间结果都被存储在只能追加（append-only）、带有内容哈希的内存中，彻底防止内存被恶意覆盖和伪造。

• 熵监视器（Entropy Monitor）：这是一个滑动窗口，实时追踪系统近期的“无序度”（违规动作的比率）。

2. 动态层间反馈链路：

• L1 发现，L2 戒备（）：当 L1 探测到注入企图或判定内容不可信时，不仅会拦截，还会推高系统“熵值”，使得后续 L2 层直接绕过简单的规则检查，强制启动更严格的 LLM 级核查。

• L2 确诊，L4 抢救（）：如果 L2 因果诊断确诊了攻击，L4 就会立刻执行时空回滚并降低系统特权等级。

• L4 降级，L3 锁死（）：L4 下达的降级指令，会直接决定 L3 允许使用的工具上限，高危工具瞬间被物理隔离。

• 安全期，自动复苏（）：警报解除、连续动作安全后，系统会自动调高权限，并同步放松 L2 的审查力度，恢复常态运行。

5. 硬核战绩：安全与任务效用的完美平衡

研究团队在包含 2,000 个安全敏感任务的 Agent-SafetyBench 上，测试了三种主流智能体框架（ReAct, Multi-Agent, Self-Evolving）和四种安全基线，并引入了涵盖六大威胁类别的五种攻击场景。

实验结果令人瞩目：与无保护的基线相比，SafeHarness 使智能体的 不安全行为率（UBR）平均降低了约 38%，攻击成功率（ASR）平均降低了 42%。特别是在应对极具挑战性的“复合攻击（Composite attacks）”时，层间协同反馈展现出了外部独立防御无法比拟的优势。

真正的“六边形战士”：尤为重要的是，如此大幅度的安全提升并没有以牺牲智能体的核心能力为代价。雷达图清晰显示，在安全防线向外大幅扩张的同时，智能体的核心 任务完成率（TCR）几乎零损耗（波动仅 1-2%），系统依然极好地保留了核心任务的实用性（Task Utility） ，打破了“越安全越难用”的魔咒 。

6. 案例解析：当智能体遭遇“记忆注入”

仅仅看数字不够直观？让我们看看 SafeHarness 是如何在实战中化险为夷的。

场景：攻击者发起“记忆注入攻击（A4）”，在对话历史中伪造了虚假记录，让智能体误以为用户之前已经授予了它最高权限，可以随意进行破坏性操作（如删除 /root 目录）。

❌ 无保护的智能体：轻信了伪造的授权记录，直接执行了 sudo rm -rf /root 命令，导致灾难性的完全不安全行为。

✅ 装备了 SafeHarness 的智能体：

1. 首先，系统检测到了未经验证的记忆源。

2. 随后，跨层熵监视器敏锐地察觉到异常，主动将 L2 层的验证级别提升至更严格的 Tier 2/Tier 3。

3. L2 层在接连拦截了 4 次危险的工具调用后，通过 Tier 3 级别的因果分析，确诊这是一次注入攻击。

4. 最终，L4 层触发紧急响应，将会话回滚到上一个安全的检查点。

7. 总结与展望

SafeHarness 证明了：将安全机制直接整合到 Harness 架构设计中不仅是可行的，而且是极其有效的。它将安全防线从“外围拦截”深入到了智能体“思考和行动的神经中枢”，为未来更加自主、强大的 AI 智能体在医疗、金融、软件工程等高价值领域的安全落地，奠定了坚实的架构基础。

欢迎阅读原论文并访问开源代码库，为您的 AI 智能体穿上这件“防弹衣”！

https://github.com/liu-yang-maker/SafeHarness

作者团队介绍

论文团队来自中国科学院信息工程研究所第四研究室。团队长期从事信息内容安全、大语言模型安全、智能体安全等方面的研究，在TPAMI、TKDE、TIFS、ICML、KDD、ACL等CCF-A类期刊与会议上发表学术论文60余篇，相关工作入选最佳论文奖（PAKDD 2020）和最佳论文提名奖（ICDM 2021、WWW 2021）。

原文标题：Training with Only 1.0 ‰ Samples: Malicious Traffic Detection via Cross-Modality Feature Fusion
原文作者：Chuanpu Fu, Qi Li, Elisa Bertino, Ke Xu
发表会议：CCS'25
笔记作者：龙函城
主编：黄诚@安全学术圈

研究概述

传统基于机器学习的恶意流量检测方法虽然能够较好识别未知攻击，但通常依赖大规模标注数据集。一旦系统需要部署到新的网络环境中，研究人员往往必须重新采集并标注大量本地流量样本，这会带来很高的人力与时间成本。本文正是针对这一问题展开研究，其核心目标是在全新网络环境中，仅利用极少量训练样本，仍然保持较高的恶意流量检测精度。论文将这一问题概括为在极小规模数据集条件下训练，并试图突破现有方法对大规模训练数据的依赖。

为了解决这一问题，作者提出了tFusion。与已有方法通常只从单一粒度建模流量不同，tFusion将网络流量视为一种多模态数据，同时从包级、流级和主机级三个视角提取异构特征，并通过跨模态注意力机制对不同粒度的信息进行关联建模。作者认为，现有基于单一包级、流级或主机级特征的检测方式容易造成信息损失，因此需要大量样本来拟合复杂决策边界；而通过跨粒度融合，可以从有限数据中提取更丰富的判别信息。

图 1 tFusion恶意流量检测系统架构

如图1所示，tFusion 的整体流程主要包括四个阶段。首先，系统通过时间感知的数据包序列嵌入对数据包序列进行时间感知嵌入，在编码包长信息和到达时间间隔信息的基础上，利用自注意力机制提取细粒度的包级时序特征。其次，系统进入跨模态注意力特征融合阶段，提取流级统计特征和主机级交互特征，并以主机级特征作为query、流级特征作为key、包级特征作为value，构建跨模态注意力关系模型，实现多粒度特征融合。随后，论文进一步设计了拓扑驱动的对比学习，利用大规模无标签互联网流量对模型进行预训练，使其在不同网络拓扑环境下获得更强的泛化表示能力。最后，在部署阶段，系统只需从目标网络中随机抽取极少量流量样本，在完成人工标注后，即可借助轻量级机器学习检测模块训练轻量级的监督或无监督模型，从而完成实际检测任务。

从实验结果分析可以看出，tFusion在有限样本场景下具有较强的适应能力。无论是在11个公开数据集上的对比实验，还是在真实机构网络中的部署测试中，该方法都表现出了较好的检测效果。特别是在真实环境下，仅对1.0‰的流量样本进行人工标注后，系统仍然达到了99.82%的检测准确率。这表明，tFusion通过联合建模不同粒度的流量特征，能够在样本规模很小的情况下仍保持较高的检测性能，对于实际网络中的低成本部署具有一定参考价值。

贡献分析

• 贡献点1 ：提出基于跨模态注意力的多粒度流量特征关联方法

  论文将网络流量视为由包级、流级和主机级等不同粒度特征共同构成的多模态数据，并利用跨模态注意力机制对这些异构特征进行关联建模。该方法能够在训练样本十分有限的情况下，更充分地挖掘流量中的判别信息，从而提升恶意流量检测效果。

• 贡献点2 ：设计时间感知的数据包序列嵌入方法

  为了更好地提取细粒度包级时序特征，论文提出了时间感知的数据包序列嵌入方法。该方法不仅考虑数据包在序列中的位置关系，还同时编码包长和到达时间间隔信息，从而增强了对恶意流量中时序模式和行为结构的刻画能力。

• 贡献点3 ：设计跨注意力机制实现细粒度与粗粒度特征融合

  在包级特征提取的基础上，论文进一步设计了cross-attention机制，用于融合细粒度的数据包特征与粗粒度的流级、主机级统计特征。模型能够在不同粒度之间建立更有效的相关性表示，而不只是简单地进行特征拼接，从而提升了特征融合质量。

• 贡献点4 ：提出基于拓扑驱动对比学习的无标签预训练策略

  为减少对标注数据的依赖，论文利用大规模无标签互联网流量对注意力模型进行预训练，并提出拓扑驱动的对比学习方法。该策略能够在不同网络拓扑环境下学习更具泛化性的流量表示，为后续在新网络中仅使用极少量样本进行训练奠定基础。

• 贡献点5 ：实现tFusion原型系统并完成多环境验证

  论文最终实现了tFusion原型系统，并在多种网络环境中对其准确性和效率进行了验证。实验结果表明，该方法不仅在多个公开数据集上表现优于已有方法，而且在真实机构网络中也能够以极少量标注样本实现较高精度检测，说明其具有较好的实际应用潜力。

代码分析

代码链接

• https://github.com/fuchuanpu/TFusion

1. 使用类库分析

   该项目整体采用 Python 实现，辅以少量脚本文件，整体属于较为典型的论文实验原型代码。从仓库组织方式来看，代码主要围绕数据处理、模型训练、特征融合、检测器构建以及实验复现等环节展开。

2. 代码实现难度与工作量评估

   从实现角度来看，该项目难度属于中等偏上。它的实现重点不在于某一个单独模型特别复杂，而在于需要把多模态特征构造、对比学习预训练、跨模态特征融合以及下游检测器训练等多个环节有效串联起来。

3. 代码关键实现功能

   （1）多粒度流量特征构造模块。该模块主要负责对输入流量数据进行组织与处理，提取不同粒度的特征表示，包括细粒度的序列行为特征以及较粗粒度的统计与交互特征，为后续的多模态建模提供统一输入。

   （2）时间感知序列表示学习模块。该模块是对数据包序列中的长度、顺序以及到达时间间隔等信息进行联合编码，从而提取更能反映时序模式的包级特征表示。

   （3）跨模态特征融合模块。该模块主要用于将包级、流级和主机级等不同粒度特征进行关联建模和融合表示，目标是通过建模不同粒度特征之间的关系，获得更具判别力的流量表示。

   （4）对比学习预训练模块。该模块主要承担预训练任务，通过大规模无标签流量数据学习更具泛化能力的特征表示，是整个方法能够在小样本场景下保持较好性能的重要支撑部分。

   （5）轻量级检测器训练与测试模块。在获得融合后的流量表示后，系统会进一步训练轻量级监督或无监督检测模型，并完成测试评估。

论文点评

总体来看，这篇论文的价值在于它抓住了一个非常现实的问题：恶意流量检测方法在实验环境中往往依赖大规模标注数据集，但在真正部署到新网络时，重新采集和标注本地流量的成本往往很高。本文围绕仅用极少量样本完成训练这一目标展开，提出tFusion，将网络流量同时看作包级、流级和主机级多粒度信息的组合，并试图通过跨模态特征融合提升有限样本条件下的检测能力。这一问题设定具有较强的实际意义，也使论文区别于许多主要关注常规大样本训练场景的恶意流量检测研究。

不过，这篇论文也有一定局限。首先，tFusion 的优势主要体现在有限样本条件下的检测能力提升，因此其贡献重点更多在于训练范式和特征融合思路，而不是提出一种全新的检测任务；其次，论文虽然在真实网络中做了部署实验，但整体验证仍然主要依赖公开数据集和人工构造攻击场景，距离更复杂、长期开放环境下的持续验证还有一定距离。总体而言，这篇论文的主要意义在于，它为恶意流量检测中的小样本训练问题提供了一种较清晰、可实现的解决思路，对于后续研究有限标注条件下的网络安全检测方法具有较强参考价值。

论文文献

Fu, et al. "Training with Only 1.0‰ Samples: Malicious Traffic Detection via Cross-Modality Feature Fusion." Proceedings of the 2025 ACM SIGSAC Conference on Computer and Communications Security. 2025.

讲座标题：AI 智能体简介及其在学术研究中的应用
讲座时间：2026年4月28日（周二）上午10:00-11:00 
线下地点：中国成都，四川大学望江校区
腾讯会议：803-986-541
演讲人：王少通
主持人：周颖杰（四川大学教授）

1、摘要

大型语言模型催生了越来越多的基于 AI 智能体的工具。一些用户主要通过聊天界面与大型语言模型交互，而另一些用户可能仍在探索如何将 AI 智能体深度集成到他们的研究工作流程中。本次演讲将探讨 AI 智能体如何帮助提高学术研究的效率。它将从 AI 智能体的定义开始，并介绍它们如何协助一系列任务，如文献综述、编码、编辑、演示和文档格式化。本次演讲将对当前主流 AI 智能体的格局进行分类，并介绍一些有用的技术，如提示工程、上下文工程、MCP、技能和多智能体协作。最后，将讨论基于智能体的最新研究系统、研究工作流程中的新兴趋势以及相关的见解。

2、演讲人简介

王少通目前正在四川大学计算机科学学院攻读博士学位。他毕业于成都理工大学，获得信息与计算科学学士学位。目前的研究兴趣包括 AI 智能体和网络安全。

3、直播预约

✅ 腾讯会议号：803-986-541

✅ 请扫描下方二维码预约 4 月 28 日（周二）上午的活动直播（微信视频号）：

一、导师介绍

沈玉龙（https://faculty.xidian.edu.cn/SYL4/zh_CN/index.htm），西安电子科技大学“华山学者”领军教授，博士/硕士研究生导师，国家级人才，陕西省网络与系统安全重点实验室主任，教育部创新团队的骨干成员，综合业务网国家重点实验室信息安全中心固定研究人员。长期从事下一代网络安全、云计算与数据安全等研究。近年来主持和承担了国家重点研发计划、国家自然科学基金重点项目、863、973等20余项，以主要完成人获国家技术发明二等奖2项，省部级一等奖7项。研发的“秦盾”云加密数据库系统获中国科协创新创业大赛金奖（16/1800+）和最佳商业投资价值奖（2/1800+），获2018 CCTV中国十大创业榜样（高校首次）。发表SCI/EI论文100余篇，Google scholar他引2000余次，出版专著7部；授权发明专利70余项，PCT专利5项，已转让专利13项；登记软著40多项；制定中国通信/电子行业标准5项。

谢国锐（https://xgr19.github.io/），2024年于清华大学获博士学位，本科毕业于中山大学（2019年）。现任鹏城国家实验室助理研究员，鹏城-清华/中大/西电等高校联培博士生导师（清华智能网络团队，https://smartinternet.group/），CCF分布式计算与系统、互联网专委会执委，并担任CoNEXT、JSAC、WWW等国际会议与期刊的程序委员或审稿人。研究方向为可编程网络、AI/LLM的网络应用及智能流量分析系统，在NSDI、INFOCOM、ToN、TDSC、TC等CCF-A类会议与期刊上发表论文20余篇。曾获国家留学基金委资助、腾讯青云计划。作为核心成员参与院士工作室多项千万级重大项目，成果获国内与国际PCT专利8项。协助指导的硕士生曾入选大厂人才计划、优秀毕业生。

二、招生方向及政策

• 招生方向为计算机网络（AI4Network），特别欢迎有AI/LLM基础、可编程网络、网络安全等研究领域背景的学生联系

• 申请-考核制博士生【1名】，官网报名系统截止时间为4月28日

• 鹏城实验室学生培养津贴丰厚，原则上学生完成课程学习之后在鹏城实验室项目团队及导师组的指导下参与鹏城实验室重大攻关任务，学位论文选题须来源于实验室重大攻关任务

• 详细要求可查看鹏城官网（https://yzw.pcl.ac.cn/home/homeDetail?id=1946152383544987650）及腾讯文档（https://docs.qq.com/doc/DRkFDb0dHbXdKY0R6）

三、招生要求及联系方式

非常欢迎对AI+网络研究有兴趣的学生联系，满足以下条件的加分：

✅ 自驱力强、沟通能力强

✅ 有一定Coding和系统实现能力

感兴趣的同学以“鹏城-西电联培博申请”为邮件同时联系沈老师课题组（cyjiao@xidian.edu.cn）和谢老师（xiegr@pcl.ac.cn），并附上个人简历。

四、研究所/学校介绍

鹏城国家实验室位于深圳市，是中央批准成立的新型科研机构，作为国家战略科技力量的重要组成部分，实验室聚焦宽带通信、网络智能等国家重大战略任务以及粤港澳大湾区、中国特色社会主义先行示范区建设的长远目标，按照“四个面向”的要求，开展领域内重大科学问题研究。

西安电子科技大学计算机科学与技术学院（国家示范性软件学院）始于1958年中央军委批复设立的导弹系统专用计算机专业。现设有4个系、8个研究所、1个实践教学中心，建有“计算机网络与信息安全”国家级实验教学示范中心、国家高等学校创新引智计划“大数据基础理论与智能分析学科创新引智基地”、“区块链技术应用与评测”教育部工程研究中心等10个省部级以上科研平台。

背景

当代软件系统正经历一场深刻的代际跃迁。

如果说过去十年，我们见证了软件架构向云原生的全面转型；那么随着生成式人工智能技术的爆发，我们正加速迈入AI原生的新时代。

在这一变革中，AI不再是外挂的辅助工具，而是正在演变为软件架构的核心驱动力、代码的生产者以及系统决策的“大脑”。然而，这种转变在赋予系统前所未有的自主性与智能化的同时，也带来了全新的复杂性与不确定性。

核心挑战： 如何在从云原生向AI原生演进的过程中，系统性保障软件系统的正确性、可解释性与可信赖性？这已成为软件工程与DevOps领域面临的最紧迫挑战。

继往开来： 继首届 EXPRESS 2025 于挪威特隆赫姆成功探索“复杂软件系统与大语言模型融合的可解释性”之后，第二届 EXPRESS 研讨会 将进一步深化议题，立足 AI驱动的软件研运一体化（AI辅助DevOps），探讨在这一代际切换中，如何构建既具备强大智能能力、又拥有坚实可信底座的软件系统。

会议信息

EXPRESS 2026 将与美国软件工程领域两大顶级会议联合举办： SPLASH 2026 & ISSTA 2026 ，

时间： 2026年 10月 3日 - 2026年 10 月 9日

地点： 美国加利福尼亚州奥克兰市

联合会议背景介绍：

• ISSTA (ACM SIGSOFT International Symposium on Software Testing and Analysis)：软件测试与分析领域公认的权威性顶级会议之一。

• SPLASH (ACM SIGPLAN conference on Systems, Programming, Languages, and Applications)：编程语言与软件工程领域的顶级国际会议之一。

征稿主题

我们诚邀包括但不限于以下方向的原创工作投稿，特别欢迎从严谨理论基础、工程方法、工具实现到真实案例与经验报告等不同角度的交叉研究与多学科合作：

• 软件及智能体系统的可靠性、安全性与可信性

• 面向可信软件的分析、测试与（形式）验证技术

• 面向软件系统的可信 AI，以及支撑可信 AI 的软件系统基础设施与工具链

• 机器学习模型与软件系统的可解释性方法与实践

• 基于大语言模型的验证、测试与分析技术及其可解释性与可靠性评估

• 软件系统依赖关系与复杂性的发现、分析与挖掘

• 面向增强可解释性的软硬件系统可视化技术与工具

• 运行时可观测性、运行时分析、监控及错误恢复机制

我们特别鼓励以下类型的工作：

• 兼具严谨理论基础与工程可落地性的方法与框架

• 面向真实复杂场景的工具实现、平台方案与实践经验总结

• 融合软件工程、机器学习、运筹优化、系统架构等多学科视角的交叉研究

• 从“云原生”向“AI 原生”演进过程中的架构演化、流程改造与组织协同实践

投稿指引

• 会议主页：https://conf.researchr.org/home/splash-issta-2026/express-2026

• 投稿链接：https://express26.hotcrp.com

• 截稿日期：2026年6月14日

投稿形式： 本届研讨会接收不同类型的论文，包括：

• Full Papers (完整技术论文)： 最多 8 页

• Work-in-Progress Papers (研究进展论文)：最多 4 页

• Industry & Tool Papers (工业界与工具论文)： 最多 4 页

(所有论文必须为英文，使用 ACM Primary Article Template 格式，页数限制不包含参考文献)

组织机构

组织委员会

• 刘圃卓 | 蚂蚁集团

• 贺品嘉 | 香港中文大学（深圳）

• 张洪宇 | 重庆大学

• 南雨宏 | 中山大学

指导委员会

• 狄 鹏 | 蚂蚁集团

• 姜 宇 | 清华大学

• 薛京灵 | 新南威尔士大学 (UNSW)

• 周智泉 | 蔚来汽车

程序委员会

• Yi Chen｜University of Hong Kong

• Wenrui Diao｜Shandong University

• Cheng Huang｜Sichuan University

• Yan Jia｜Nankai University

• Siyuan Li｜Shandong University

• Hongyu Liu｜Huawei

• Yepang Liu｜Southern University of Science and Technology

• Yingwei Ma｜Alibaba Group

• Sagar Mohan｜Northeastern University

• Chuan Qin｜Nanyang Technological University

• Xiaoxue Ren｜Zhejiang University

• Qingkai Shi｜Nanjing University

• Guannan Wei｜Tufts University

• Haoran Yang｜Sichuan University

• Zhou Yang｜University of Alberta

• Mingxi Ye｜Sun Yat-sen University

• Juan Zhai｜University of Massachusetts at Amherst

• Xiaohan Zhang｜Fudan University

EXPRESS 2026 期待您的投稿，相聚旧金山湾区，共话 AI 原生时代的软件研运一体化的未来！

原文标题：SLOT: Provenance-Driven APT Detection through Graph Reinforcement Learning
原文作者：Wei Qiao, Yebo Feng, Teng Li, Zhuo Ma, Yulong Shen, Jianfeng Ma, Yang Liu
发表会议：CCS'25
笔记作者：龙函城
主编：黄诚@安全学术圈

研究概述

高级持续性威胁（APT）通常具有潜伏周期长、攻击阶段多、行为隐蔽且伴随伪装等特点，因此传统检测方法很难同时兼顾检测精度、误报控制与分析可解释性。论文指出，现有基于溯源图的APT检测方法主要包括统计型、规范型和学习型三类：统计型方法容易将低频但正常的行为误判为攻击；规范型方法依赖专家知识和规则维护，其适应性不足；而学习型方法虽然能够借助图神经网络建模系统行为，但在攻击者将正常行为嵌入攻击链进行伪装时，仍容易受到邻接节点干扰，导致恶意节点表示失真。

针对上述问题，本文提出Slot，一种基于图强化学习的溯源图驱动APT检测方法。其核心思路是：首先从系统审计日志中构建溯源图，将进程、文件、网络流等实体及其交互关系表示为图结构，并提取进程名、命令行参数、文件路径、IP 地址、端口等语义信息作为节点初始特征；随后通过潜在行为挖掘机制，在原始系统调用关系之外进一步发现多跳路径中的隐藏关系，以增强对行为因果链、上下文依赖和间接攻击痕迹的刻画能力；在此基础上，引入图强化学习，根据节点的语义与拓扑相似性自适应筛选邻接节点，尽可能过滤伪装性较强的干扰节点，从而提升图表示学习的准确性与鲁棒性。

图1 Slot方法整体架构

如图1所示，Slot的整体流程主要包括五个阶段：图构建、潜在行为挖掘、基于图强化学习的嵌入表示、威胁检测以及攻击链重构。其中，在表示学习阶段，Slot先融合节点属性特征与拓扑特征计算相似性，再通过Bernoulli multi-armed bandit形式的强化学习机制动态调整不同关系下的邻域筛选阈值，引导GNN在多关系图上完成更稳健的聚合。检测阶段则结合MLP与Isolation Forest，一方面识别已学习到的良性与恶意模式，另一方面补充发现未知异常行为；最后，系统进一步结合ATT&CK中的TTP编码与标签传播方法，对离散异常节点进行聚合和重构，生成更紧凑、更易于人工分析的攻击链结果。

与一般基于溯源图的检测方法相比，Slot的特点在于它并未将图神经网络直接用于异常分类，而是进一步把邻接节点是否可信作为表示学习中的关键问题来处理。为此，论文设计了相似性感知机制，并利用强化学习动态优化不同关系下的邻居保留比例，使模型在聚合上下文信息时尽量保留真正相关的邻接节点及其关系信息，削弱伪装正常行为对恶意节点表征的干扰。同时，Slot只使用少量恶意样本作为监督信号，结合半监督学习完成训练，并在输出层进一步重构攻击链，使系统结果不再停留于单个异常节点，而能够形成更具阶段性和可解释性的攻击路径。

实验结果表明，Slot在StreamSpot、Unicorn Wget和DARPA E3等多个公开数据集上都取得了较好的检测效果，整体检测准确率约为99%，并在对抗伪装场景下表现出优于现有方法的鲁棒性。论文还指出，借助图强化学习机制，Slot能够更有效地抵御攻击者通过修改图邻域结构来模仿良性行为的对抗策略，同时在案例分析中展示出较好的攻击路径重构能力。Slot不仅提升了APT检测精度，也增强了结果的可解释性。

贡献分析

• 贡献点1 ：提出APT检测方法Slot

  论文提出了Slot，一种基于图强化学习的溯源图驱动APT检测方法。该方法能够在大规模审计日志中有效识别恶意活动，并在检测过程中进一步完成攻击链重构，从而为后续有针对性的防御策略制定提供支持。

• 贡献点2 ：提出高级图挖掘技术，用于发现图中的多层隐藏关系

  论文提出了一种高级图挖掘机制，能够有效挖掘图中的多层隐藏关系，包括因果关系、上下文关系以及间接关联关系等。这使得模型不仅能够关注局部直接连接，还能够从更深层次上理解APT攻击过程中跨节点和跨路径的行为依赖。

• 贡献点3 ：设计有限标签条件下的半监督学习机制

  Slot通过高效的标签相似性计算，在仅有少量标签的条件下实现半监督学习。这种设计能够在标签受限的情况下显著提升检测性能与模型鲁棒性。对于真实APT检测场景而言，该机制具有较强现实意义，因为高质量恶意标签通常难以大规模获取。

• 贡献点4 ：将强化学习引入溯源图分析，提升系统对抗鲁棒性

  论文将强化学习引入溯源图表示学习过程，在融合节点语义特征与拓扑特征的基础上，通过强化学习自适应调整邻接节点选择与关系聚合策略，从而减轻伪装正常行为对恶意节点表示的干扰。

• 贡献点5 ：通过真实数据集实验验证了方法的有效性与实用价值

  论文在多个真实APT数据集上对Slot进行了全面评估。实验结果表明，Slot在APT检测准确性、对抗攻击鲁棒性以及攻击链分析支持能力方面均表现突出，验证了其在APT检测与防御支撑中的实际应用潜力。

实验结果分析

论文围绕半监督检测能力、与现有方法的整体比较、系统开销、模块有效性、对抗鲁棒性以及告警验证效果等方面进行了系统实验。实验数据包括批日志层面的 StreamSpot、Unicorn Wget，以及实体级的 DARPA E3（TRACE、CADETS、THEIA）数据集，既覆盖了相对简单的场景，也包含了具有较强伪装性和更复杂攻击链结构的APT场景。

表1 Slot方法与当前主流先进方法的对比结果

从整体检测效果来看，Slot 在多个数据集上都取得了较优结果。表1显示，在StreamSpot、Unicorn Wget和DARPA E3三组数据上，Slot的Accuracy、Recall和F1-Score整体优于Log2vec、Threatrace、FLASH、MAGIC等方法，同时保持较低的误报率。在较简单的StreamSpot数据集上，多种方法都能取得较好效果，但Slot依然接近最优；而在伪装性更强的Unicorn Wget和DARPA E3数据集上，Slot的优势更加明显，这说明其对复杂APT行为和伪装上下文具有更强的区分能力。

表 2 批日志级与事件级训练数据集中恶意结构占比对检测性能的影响

在半监督场景下，Slot 同样表现出较好的有效性。论文仅使用少量恶意结构作为监督信号，通过标签相似性计算和过采样完成训练。表2所示，当训练集中的恶意结构比例从5%提升到10%时，模型性能显著提升，但即使监督信号较少，Slot依然能够获得较高的检测准确率。这说明该方法在标签有限的真实安全场景中具有较好的实用性。

表 3 在 300K 节点训练图上 Slot 各阶段的时间开销及占比

从运行代价来看，Slot 的主要额外开销来自强化学习过程。表3所示，在300K节点训练图上，图构建耗时46.12秒，强化学习耗时331.94秒，GNN部分耗时64.69秒，其中强化学习占总开销的74.97%。这说明Slot的性能提升并非无代价获得，而是主要通过邻域筛选与鲁棒表示学习换来的。不过，这种开销是可以接受的，因为它带来了更强的对抗鲁棒性和更高的检测质量。

图 2 对抗攻击鲁棒性结果

论文构造了mimicry attack，通过在攻击图中不断插入良性结构来干扰检测模型。从图2可以看出，随着插入的良性事件数量增加，FLASH的检测得分明显下降，并逐渐接近异常判定阈值；相比之下，Slot的得分始终保持在较高水平，波动也相对更小。该结果表明，Slot通过相似性感知和强化学习筛选邻接节点，能够更有效地削弱伪装良性行为对恶意节点表示的干扰，因此在对抗场景下具有更强鲁棒性。

图 3 告警数量与攻击链误报控制效果

图3所示，论文还评估了Slot在人工分析支持上的价值。在DARPA E3的TRACE、CADETS和THEIA数据集上，原始alert-node数量显著高于最终生成的attack-chain数量，而攻击链内部的precision仍保持在较高水平。这说明Slot在攻击链重构后，能够有效压缩分析人员需要人工检查的对象规模，同时较好地控制误报。其不仅能够检测异常，还能够把离散告警组织成更紧凑、更可解释的攻击路径，从而提升告警验证效率。

论文点评

总体来看，这篇论文的价值在于，它抓住了APT检测中的一个关键现实问题：在基于溯源图的分析中，攻击者往往会通过嵌入正常行为来伪装攻击路径，从而干扰模型判断。相比传统方法容易受到上下文噪声影响、在复杂场景下鲁棒性不足的问题，Slot进一步将图强化学习引入溯源图分析，使检测过程不仅关注异常识别，也关注邻接关系是否可信，因此整体思路较为清晰，也更贴近真实APT分析场景。

从方法设计上看，论文最突出的亮点有两个。第一是提出了潜在行为挖掘与相似性感知相结合的思路，用于发现图中的深层关系并削弱伪装邻接节点带来的干扰；第二是将攻击链重构纳入整体框架，不仅判断节点是否异常，还进一步组织出更具阶段性和上下文关联的攻击路径。这样一来，系统输出的不再只是零散异常节点，而是更具解释性和分析价值的攻击结果，这一点比单纯的图异常检测更有实际意义。

不过，这篇论文也存在一定局限。其方法整体链路较长，涉及图构建、隐藏关系挖掘、强化学习筛选、分类检测和攻击链重构等多个环节，因此实现与部署成本相对较高；同时，虽然论文在对抗伪装场景下表现出较好鲁棒性，但对于更强的开放环境攻击和未知行为，仍可能面临误报问题。

论文文献

Qiao, Wei, et al. "Slot: Provenance-Driven APT detection through graph reinforcement learning." Proceedings of the 2025 ACM SIGSAC Conference on Computer and Communications Security. 2025.

原文标题：KnowHow: Automatically Applying High-Level CTI Knowledge for Interpretable and Accurate Provenance Analysis
原文作者：Yuhan Meng, Shaofei Li, Jiaping Gui, Peng Jiang, Ding Li
发表会议：NDSS 2026
笔记作者：龙函城
主编：黄诚@安全学术圈

研究概述

高级持续性威胁（APT）攻击通常具有潜伏时间长、攻击阶段多、行为链条复杂等特点。这使得仅依赖单点告警、简单规则匹配或纯数据驱动异常检测的方法很难准确还原攻击过程。现有溯源分析方法虽然能够从系统事件中挖掘攻击痕迹，但往往面临两个突出问题：一是误报较多，二是检测结果缺乏可解释性，安全分析人员往往只能看到若干异常节点或异常路径，却难以理解这些结果分别对应什么攻击技术、处于攻击链的哪个阶段。

另一方面，网络威胁情报（CTI）中包含大量高层攻击知识，例如攻击者使用的技术、操作对象、行为目标以及攻击阶段关系。这些知识天然适合用于APT分析，但问题在于，CTI通常以自然语言形式存在，而实际检测系统处理的却是文件访问、命令执行、网络连接等低层系统事件，两者之间存在明显的语义鸿沟。传统IoC驱动方法大多只关注文件名、IP地址、哈希值等具体指标，对攻击变体和跨环境场景的适应能力较弱；而依赖人工规则的高层知识方法又通常构建成本高、可扩展性不足。

针对上述问题，本文提出KNOWHOW，一种面向在线溯源分析的CTI知识驱动方法，旨在自动将CTI报告中的高层攻击知识应用到底层系统事件检测中。该方法的核心思想是：首先从CTI报告中抽取可用于检测的高层攻击知识，并构建CTI Knowledge Database（CKD）；随后，通过提出的gIoC（General Indicator of Compromise）表示，将攻击知识抽象为“谁对什么对象执行了什么操作”；最后，再将底层系统事件进行语义提升，与gIoC进行模糊匹配，并结合APT攻击生命周期的阶段逻辑完成攻击推理，从而实现对APT攻击的准确检测与可解释分析。

图 1 KNOWHOW 方法整体架构

如图1所示，KNOWHOW 的整体流程主要分为三个阶段。首先，系统对输入的系统事件流进行检测，将每个事件与CKD中的攻击技术知识进行匹配；若某事件能够匹配到至少一个ATT&CK技术条目，则被标记为异常事件。其次，系统以这些异常事件为种子，在线构建对应的溯源图，并在扩展过程中引入关联节点，以减少仅做事件级检测可能带来的漏报。最后，系统将候选攻击图映射到APT攻击生命周期模型中，对攻击阶段的时序关系和完整性进行推理，删除不符合攻击逻辑的阶段或节点，最终输出更加精确且具有解释性的攻击告警。

与传统基于统计异常分数的方法不同，KNOWHOW更强调基于知识的解释性检测。它不是简单判断某个事件是否异常，而是进一步回答：该事件命中了什么攻击技术、属于APT链条中的哪个阶段、为什么这些事件能够共同构成一次可信攻击。这种设计使得系统输出不再只是低层日志片段，而是能够形成带有技术语义和攻击阶段含义的检测结果，从而更贴近真实安全运营场景的分析需求。

贡献分析

• 贡献点1 ：提出面向APT检测的CTI知识驱动在线溯源分析框架KNOWHOW

  论文提出了KNOWHOW，目标将CTI报告中的高层攻击知识自动应用到底层系统事件检测中，实现对APT攻击的在线、准确且可解释分析。

• 贡献点2 ：提出新的高层攻击知识表示gIoC，并构建CKD知识库

  为了弥合CTI自然语言描述与系统底层事件之间的语义差距，论文提出了一个新的紧凑知识表示gIoC，用于刻画高层攻击知识。同时构建了新的知识库CKD对这些知识进行统一管理。

• 贡献点3 ：设计基于APT生命周期阶段的攻击推理方法

  在完成事件与知识匹配后，论文进一步设计了新的攻击推理方法。该方法基于从CKD查询结果中识别出的ATT&CK技术及其对应的APT攻击生命周期阶段，对候选攻击路径进行推理与筛选。

• 贡献点4 ：在公开常用数据集和工业数据集上进行了系统评估

  作者对KNOWHOW在多个广泛使用的数据集以及工业数据集上进行了全面实验。实验结果表明，KNOWHOW在APT检测中能够较好满足准确、有效且可解释的要求。

• 贡献点5 ：在OpenEuler生态中完成真实安全运营环境部署验证

  除了实验评估外，KNOWHOW已经部署在OpenEuler生态中进行验证，说明KNOWHOW不仅具有研究价值，也具备一定的工程可落地性。

代码分析

代码链接

• https://github.com/myh0301/KNOWHOW

1. 使用类库分析

   该项目整体采用Python实现，属于典型的安全研究原型代码。

2. 代码实现难度与工作量评估

   从实现角度看，该项目难度属于中等偏上。其难点在于整体流程较长与模块间依赖较强。代码不仅要完成CTI文本中的知识抽取与表示构建，还要对底层系统日志进行语义增强和技术打标，并进一步完成告警图构建、生命周期映射与结果输出。

3. 代码关键实现功能

   （1）CTI知识抽取模块。该模块的主要功能是从CTI文本中抽取结构化攻击知识，并转化为论文中的gIoC表示。gIoC 采用 <subject, verb, object> 三元组结构来表示攻击知识，这一模块承担了把自然语言形式的攻击描述转化为可计算知识表示的任务。

   （2）知识嵌入与语义对齐模块。在抽取得到gIoC之后，系统会进一步对这些知识进行语义编码，并把它们组织为可供查询和匹配的知识表示。其核心思想是把CTI知识与系统日志都映射到统一语义空间中，再通过相似度比较判断日志中是否存在威胁行为。

   （3）系统日志语义增强与异常事件检测模块。该模块面向底层系统日志，对原始事件进行语义增强和标准化处理，再结合前面得到的知识表示进行比对，从而识别潜在攻击行为。

   （4）溯源图构建与事件级告警生成模块。在完成单条日志事件检测后，系统会进一步将相关事件组织成图结构，生成事件级告警和候选攻击链。

   （5）APT生命周期推理与告警去噪模块。在图构建基础上，系统还会结合APT攻击生命周期对候选告警进行推理、筛选和重组，以验证其是否符合攻击链条的阶段逻辑。该模块进一步提升结果的可解释性和可信度，使最终告警能够以更接近真实攻击过程的形式呈现，并支持后续攻击报告生成。

论文点评

总体来看，这篇论文的价值在于它抓住了一个非常实际的问题：如何把CTI报告中的高层攻击知识真正应用到底层系统事件检测中。相比传统数据驱动方法容易产生误报、结果难以解释的问题，KNOWHOW把自然语言形式的攻击知识转化为可用于实际检测的结构化信息，因此整体思路比较清晰，也更贴近真实安全分析场景。

从方法设计上看，论文最突出的亮点有两个。第一是提出了gIoC这种中间表示，用来描述攻击主体、动作和目标，从而增强了CTI知识的可计算性和泛化能力；第二是引入APT攻击生命周期进行攻击推理，不仅判断事件是否可疑，还进一步分析其是否符合攻击链条的阶段逻辑。这样一来，系统输出的不再只是零散异常事件，而是更具上下文和解释性的攻击结果，这一点比单纯的异常检测更有实际意义。

不过，这篇论文也存在一定局限。其方法本质上仍然依赖已有CTI知识库的覆盖范围，因此面对与现有知识差异较大的全新攻击时，检测能力可能会受到影响；同时，真实环境中的高风险合法行为与攻击行为之间往往边界模糊，这也使系统在开放场景下仍可能出现误报。

论文文献

Meng, et al. “KnowHow: Automatically Applying High-Level CTI Knowledge for Interpretable and Accurate Provenance Analysis.” Network and Distributed System Security Symposium (NDSS 2026). 2026.

原文标题：Hackers or Hallucinators? A Comprehensive Analysis of LLM-Based Automated Penetration Testing
原文作者：  Jiaren Peng, Zeqing Li, Chang You, Yan Wang, Hanlin Sun, Xuan Tian, Shuqiao Zhang, Junyi Liu, Jianguo Zhao, Renyang Liu, Haoran Ou, Yuqiang Sun, Jiancheng Zhang, Yutong Jiao, Kunshu Song, Chao Zhang, Fan Shi, Hongda Sun, Rui Yan, Cheng Huang
原文链接：原文链接：https://arxiv.org/abs/2604.05719
发表会议：arXiv
笔记作者：孙汉林，彭佳仁@安全学术圈
主编：黄诚@安全学术圈

1. 研究背景

随着大语言模型（Large Language Model, LLM）的飞速发展，自动化渗透测试（Automated Penetration Testing, AutoPT）迎来了前所未有的机遇，进而催生出一系列旨在实现端到端自主攻击的研究框架。然而，在相关研究呈现井喷之势的背后，现有的AutoPT研究普遍缺乏系统性的架构分析，也鲜有在统一基准下进行的大规模实证比较。为此，本研究首次针对LLM驱动的AutoPT框架进行知识系统化分析，并开展全面而深入的大规模实证评估，旨在厘清当前技术真实的能力边界，并为后续研究提供参考。

2 实验设计

在系统化体系分析层面，本研究构建了一套多维度的分类分析框架，围绕协作范式、任务规划、智能体记忆、工具执行、外部知识与基准测试六大核心维度，对现有AutoPT框架进行了系统性解构。

在实证层面，研究团队在统一实验设置下，本研究对比了13个具有代表性的开源AutoPT框架以及2个基于成熟的商业AI编程助手构建的基线框架。整个实验过程累计消耗超100亿Token，生成超1500份执行日志，并由15位以上具备网络安全专业背景的研究人员，历时四个月，对上述自动化渗透测试日志进行了系统性人工审查与框架机制剖析，以确保评估结果的可靠性与分析结论的严谨性。

3 实验结果

表中圆圈符号表示模型在各靶场挑战中是否成功获取Flag，全黑表示两次均成功；全白表示两次均失败；左黑右白表示V1成功、V2失败；左白右黑表示V1失败、V2成功。“S”列代表框架的总得分，“E”列代表框架的在所有easy靶场上的总得分，“M”列代表框架的在所有Medium靶场上的总得分，“H”列代表框架的在所有Hard靶场上的总得分，每次成功获取Flag将根据靶场难度进行计分：Easy挑战得2分，Medium挑战得3分，Hard挑战得5分。

基于以上大规模实验数据，本研究揭示了若干关键发现：

(1) 单智能体架构在多数中低难度任务上的综合表现并不逊色甚至超越了复杂的多智能体框架；

(2) 单智能体架构在面对复杂问题上的单次调用的Token消耗高于大多数多智能体框架；

(3) 记忆管理是影响当前AutoPT框架性能的关键因素；

(4) 外部知识库在多数情况下未能带来正向增益，不匹配的检索结果极易误导智能体陷入错误的探索方向，传统RAG难以带来有效表现；

(5) 工具池的规模扩张并不等价于渗透能力的提升；

(6) 工具受限时，框架会触发以Python执行等的补偿机制，但该机制在困难渗透测试场景中效果有限；

(7) AI编程智能体仅凭基础的工具和简单的提示词便能展现出惊人的竞争力；

(8) 不同LLM基座的表现不同，部分LLM表现出的特点需要框架与其进行适配；

(9) 公开CVE漏洞的稳定利用依赖动态维护的针对性知识库；

(10) 幻觉现象普遍存在，尤其是CTF场景下的Flag幻觉。

4 总结

本文通过系统化的架构分析与大规模实证，对LLM在AutoPT中的实际能力与现有局限进行了全面评估，填补了AutoPT领域在严谨实证支持与定量比较方面的研究空白，为未来框架的设计范式提供了方向性的指引。研究结果表明，在利用大型模型推动自动化攻防的过程中，需保持审慎的工程评估视角。若缺乏完善的底层记忆管理机制与动态场景适配能力，盲目扩展多智能体协作规模或大量集成外部知识，极易孕育出“Hallucinators”而非真正的“Hackers”。本文为网络安全领域研究者提供了结构化的评估分类体系及可持续更新的验证基准，为LLM时代下更智能、更可靠的自动化渗透测试技术发展贡献了相应的学术基础。

PART 01 课题组介绍

东莞市大湾区高等研究院网络与信息安全研究中心依托数学、量子计算、计算机、微电子等学科，聚焦服务国家战略需求的核心目标，开展高水平学术研究与实际应用，致力于密码学、网络空间安全、抗量子密码、隐私计算的理论与关键技术突破，重点推进在工控安全、人工智能安全、大数据安全方向的实际应用。预期形成兼具理论高度与应用价值的研究成果。服务于大湾区的人才培养与网络空间安全建设，为国家网络空间安全体系建设贡献力量。

网络与信息安全研究中心主任徐茂智，国家二级教授、博士生导师，曾任北大数学学院教授，北大网络空间安全研究院院长，是中国密码学会首批会士、全国密码专业学位研究生教育指导委员会委员、中国密码学会副理事长、中国网络空间安全学会副监事长、中国密码学会应用工作委员会主任、国家重点研发计划项目首席。

徐茂智教授主要研究兴趣是密码学及信息安全。其在群表示论中的一项成果被国际著名数学家J. Olsson和J. Brundan等称为“徐氏构造法”在国际数学界享有盛誉，受到1998年国际数学家大会邀请；提出无限域上椭圆曲线密码新理论，对椭圆曲线密码理论和实现做出重要贡献，破译了PKCY等多个重要密码体制，完成多个密码算法设计，并得到重要应用。发表论文近200篇，出版专著4部，多次主持国家重点研发计划项目、国家自然科学基金重大研究计划重点课题、国家973课题、国家863课题、国家自然科学基金面上项目等研究，并取得了一系列突破性的成果。4次获得部级科技进步奖二等奖。

PART 02 联合招收导师介绍

• 导师一：林璟锵 教授  中国科学技术大学教授、博士生导师、网络空间安全学院执行院长。长期致力于密码技术在计算机网络系统的安全应用和工程实施。研究成果获美国发明专利5项、中国发明专利30多项，高性能密码算法实现、密钥安全方案、PKI数字证书服务安全等成果获国家科技进步二等奖、党政密码科技进步一等奖、北京市科技进步二等奖等，已广泛应用于我国各种电子签名、电子合同、电子证照、视频加解密等系统。

• 导师二：胡红钢 教授  中国科学技术大学教授、博士生导师、网络信息安全系（筹）执行主任。长期从事编码、密码与网络安全的研究，证明了国际上两个重要的猜想，在国内外权威期刊和权威会议上发表30多篇论文，先后主持了国家自然科学基金等项目。其团队2024年在TU Darmstadt格挑战中求解95维LWE问题，刷新国际纪录。此外，还担任《密码学报》领域编委和《信息网络安全》编委，2013年获中国密码学会优秀青年奖，2015年获国家优秀青年科学基金，2017年获中国科学院优秀百人计划奖励，2024年获省级教学成果特等奖。

PART 03 招聘信息

• 招聘方向： 人工智能与安全、密码与信息安全、量子信息与量子密码

• 招聘岗位及职责： 博士后2名（分属两位导师，可自主选择导师方向），具体职责如下：

1. 自主开展学术科研，撰写学术论文。

2. 独立或者协助申请各类科研项目。

3. 积极拓展横向课题，组织与参加学术交流活动。

• 应聘条件：

1. 获得相关方向博士学位不超过3年或者即将获得博士学位。

2. 年龄不超过35周岁。

3. 至少发表（含接收）2篇SCI论文。

4. 具备良好的团队合作精神和沟通能力，拥有独立思考和解决问题的能力，能够自主开展研究工作。

5. 遵守学术道德和单位的规章制度，无违反学术诚信行为记录。

• 薪酬待遇：

1. 聘期2年。博士后综合年薪35-45万元（含地方政府资助），根据科研工作业绩表现，课题组提供相应的科研绩效奖励；

2. 除综合年薪外，学校缴纳社会保险和住房公积金；

3. 支持博士后作为负责人申请国家自然科学基金、中国博士后科学基金以及省、市各级科研项目；

4. 入选卓越博士后的可聘为副研究员；

5. 支持博士后申报东莞市有关人才项目，享受购房补贴、租房补贴、生活补助、科技成果转化贡献奖励、医疗保障、境外人才个人所得税优惠等；

6. 享受带薪年假、健康体检和校内餐厅等福利待遇，学校按属地政策协助解决子女入园入学；

7. 对于优秀的出站博士后积极推荐申请校内相关岗位。

• 应聘方式： 请有意者提供以下申请材料，并将电子版发送至：miscenter@gbu.edu.cn，邮件主题为 “博士后应聘材料+姓名+意向导师”（意向导师填写“林璟锵教授”或“胡红钢教授”），并请推荐人将推荐信直接发送至上述邮箱：

1. 个人简历：含教育和工作经历、科研活动及成果等；

2. 学历、学位证明文件；

3. 代表性研究成果证明材料：如论文、专利、科研项目、奖励情况等；

4. 相关领域专家推荐信2-3封（含博士生导师推荐信）。

计算机软件新技术国家重点实验室是在南京大学计算机科学与技术系和计算机软件研究所多年进行软件研究的基础上于1986年底通过专家论证，1987年开始筹建，1990年建成，并通过国家验收，被批准向国内外开放。

计算机软件新技术全国重点实验室以基础研究为支撑，定位于应用基础研究，以数字经济与数字中国国家重大战略中“提升关键软件技术创新和供给能力”为使命任务导向，致力于科技创新引领产业创新，坚持用科技自主自强支撑产业自主可控。按照《计算机软件新技术全国重点实验室国内开放课题基金管理办法及实施细则》相关规定，现组织申报2026年度国内开放课题，诚邀高等院校、计算机与人工智能领域重点实验室联盟成员、相关科研机构和事业单位的有关科研人员积极申报。相关事宜通知如下：

一、目标导向类课题（具体名称自拟；拟资助2-3项）

1. 可信可解释可成长智能化软件的理论、方法与应用

2. 学件的理论、方法与应用

二、自由探索类课题

1. 新型程序设计与软件方法学

软件方法和技术必须一方面适应软件平台的发展，另一方面为新型计算机应用模式提供良好支撑。本方向立项的目标是利用人机物三元融合万物智能互联的新计算场景平台和大语言模型快速发展带来的技术机遇和挑战，突破传统的程序设计风格，以智能化基础软件技术、软件智能体技术、神经符号融合软件技术等为核心，进行新一代软件概念、范式、理论、方法、技术、工具和应用模式的探讨，开拓新的研究方向和新的增长点，为原创性软件新技术的研究与开发奠定基础。

选题范围：

1)面向人机物融合的智能化、网构化软件方法学

2)自然语言-形式语言协同的新型程序设计

3)神经符号融合软件的构造与可信保障方法

4)软件智能体系统基础理论与构造方法

5)分布式、智能化基础软件系统与平台

6)软件自适应、动态演化与持续成长方法与技术

7)可信化、智能化的软件质量综合保障技术

8)大语言模型支撑的软件开发与质量保障方法

2. 机器学习与智能化系统

针对软件智能化重要趋势，面向智能数据分析处理的广泛需求，瞄准国际前沿，对机器学习与智能化信息处理的基础理论、关键技术和先进应用进行研究，开拓新的研究方向和新的增长点，为下一代软件技术的研究与开发奠定基础。

选题范围：

1)机器学习理论基础与前沿方法

2)新型机器学习的计算学习理论

3)多源异构数据挖掘理论与技术

4)多模态模式识别方法与技术

5)神经网络新型架构与优化方法

6)大规模演化计算理论与方法

7)可成长异构大模型及模型轻量化技术

8)可信知识表示与推理技术

9)大规模符号数值混合优化技术

10)可协同分布式人工智能技术

11)动态自适应智能规划与决策技术

12)智能系统关键技术及应用

3. 软件可信保障与自动化工具

人工智能赋能社会经济各行各业，人工智能模型和框架支撑软件工程各类研发活动，提升软件研发效率，也带来了可信保障的挑战，而且，人工智能模型嵌入各类软件形成全新智能软件，如智能驾驶系统、机器人系统，复杂智能软件的质量不仅仅由实现软件的代码和代码运行的环境所决定，还依赖于嵌入软件系统的人工智能模型和软件的外部输入数据，需要研究复杂智能软件质量保障与可信性评估技术，以及相应的自动化支撑工具，支持实际应用需要。

选题范围：

1)代码大模型的可信、可解释研究

2)基于大模型的代码生成与可信保障

3)智能体构造、演化与可信保障研究

4)大模型辅助的软件分析、测试、验证技术

5)人工智能系统和框架的质量保证

6)复杂关键软件系统智能化可信构造与保障方法

4.分布式泛在计算与系统安全技术

针对面向三元融合新世界关键场景的智能化基础软件，探讨作为基础支撑的分布式计算与系统安全相关的新模式、新方法与新技术，研究支撑人机物三元融合的场景化建模与动态适配、分布式计算架构与系统安全保障的关键技术与平台，通过关键技术研究与平台构建，为智能化应用提供坚实的底层技术支撑，推动人机物三元融合的创新发展。

选题范围：

1)场景化建模与智能感知

2)多模态工业具身智能

3)感传算控一体化系统

4)云边端协同计算架构与机制

5)边缘智能计算理论与方法

6)复杂系统智能调度与优化算法

7)分布式机器学习理论与系统

8)大模型高效推理与性能优化

9)新型存储体系结构关键技术

10)隐私保护与数据安全理论技术

11)智能安全监测与防御关键技术

12)算电碳协同分布式智能计算

5. 大数据媒体计算与内容处理平台

针对人工智能与多媒体技术相关的理论、方法和应用，研究对学科发展和技术进步有重要影响的新理论和新方法，或对国民经济建设有重大影响并具有广泛应用前景的新技术，以及在相关行业构造示范应用系统并加以推广应用。

选题范围：

1）多模态大模型技术研究及平台构建

2）通用视觉理解基础模型关键技术研究

3）面向具身场景的智能感知与决策技术

4）大模型驱动的自动化知识工程

5）大规模复杂场景的智能建模和绘制

6）面向大规模数据的基础模型与分布式训练

7）智能医药大模型关键技术研究与应用

8）大数据驱动的科学发现与复杂系统模拟

三、资助对象与申请条件

凡研究方向符合开放课题申请指南，具有一定研究经历，中级职称以上或取得博士学位的研究人员，均可根据课题指南提出课题申请，经本实验室学术委员会按择优支持的原则，经评审后批准开放课题并获得课题基金资助。

本实验室每年约可资助开放课题项目40个左右，目标导向类课题原则上资助强度不超过4万元/项，自由探索类开放课题原则上资助强度不超过2万元/项。资助强度将根据每年科技部下达经费情况、开放课题申请数量及水平进行调整。

根据财政部、科技部财务政策要求，开放课题经费只能外拨至高等院校、科研院所及相关事业单位；企业重点实验室人员需在我室联合一名固定人员共同申报，经费需在南京大学进行报销使用。

四、申报要求和程序

申请人从实验室网页（https://keysoftlab.nju.edu.cn/1611/list.htm）下载并据实填写开放课题基金申请表，由所在单位审批同意、领导签署意见并加盖公章后，请于2026年4月30日前将申请表寄回南京大学计算机软件新技术全国重点实验室（电子版1份、纸质版2份）。

• 联 系 人：徐烜

• 通信地址：南京市栖霞区仙林大道163号南京大学仙林校区计算机科学技术楼519室

• 邮 编：210093

• 电 话：+86（025）89683467 18912990005

• 传 真：+86（025）89686596

• E - mail：keysoftlab@nju.edu.cn

• 网 页：http://keysoftlab.nju.edu.cn

本实验室热忱欢迎和邀请有关领域的科研人员申请与上述研究方向相关的研究课题，特别欢迎国内外博士后人员来实验室工作，共同推进计算机软件新技术的发展。

https://keysoftlab.nju.edu.cn/1573/list.htm

四川大学自上世纪90年代中期即开展网络与信息安全专业的人才培养与科学研究工作。2015年，成立网络空间安全研究院。2016年成立四川大学网络空间安全学院，是国务院学位委员会批准的首批29个网络空间安全一级学科博士点培养单位之一。2019年获得首批网络空间安全博士后科研流动站。2020年网络空间安全专业获批国家一流本科专业建设点。学院拥有良好的教学科研平台和完备的人才培养体系，拥有国家网络空间安全人才培养基地；建有网络空间安全研究院、计算机网络与安全研究所、网络与可信计算研究所和信息安全研究所等特色研究机构。此外，学院建有数据安全防护与智能治理教育部重点实验室、四川省网络靶场工程研究中心、国家智能社会治理实验基地（教育）、四川省信息安全重点实验室、中国信息安全测评技术实验室、四川省大数据分析协同创新中心，以及四川省公安厅-四川大学网络违法犯罪生态研究中心等多个省部级实验室与研究中心。

学院在基础理论研究、技术应用和产业化方面都取得了显著的成绩。先后承担国家重点研发计划项目、国家科技攻关项目、“973”项目、“863”项目以及国家自然科学基金重点项目等国家级项目百余项，累计科研经费超过亿元。发表SCI/EI收录学术论文300多篇，牵头参与制定国家标准10余项，授权发明专利逾百项。科研团队面向国家、社会重大需求，研究成果得到广泛应用，取得显著经济和重要社会效益。

2026年学院拟招聘特批研究员1名、特聘副研究员3名、博士后4名，岗位详细要求如下：

一、招聘岗位

岗位1：特聘研究员

• 聘用方式：年薪制

• 专业：网络空间安全及相关专业和方向

• 应聘条件：博士学位

• 招聘1人 | 学校经费聘用

岗位职责:

1. 完成特聘研究员岗位要求的科研工作任务，主持国家级科研项目，参与科研奖励申报，产出高水平科研成果，积极进行成果转化；

2. 完成特聘研究员岗位要求的教学工作任务，承担本科生课堂教学任务、指导本科生毕业设计等；

3. 积极参与学科平台建设，积极参加各种学术活动和国际交流；

4. 完成校院两级公共服务及学院交办的其他工作。

5. 完成岗位聘任合同中规定的其他工作。

招聘条件:

1. 具有良好的思想道德素质和职业道德，品行端正，爱岗敬业，责任心强，具有较强的团结协作精神；身心健康，年龄不超过40岁；

2. 从事网络空间安全领域相关专业或方向，具有国内外高水平大学博士学位；

3. 有网络空间安全及相关领域工作经历，具备带领团队协同工作的能力；

4. 具有网络空间安全领域较高学术水平，学术思想活跃，创新能力强，已在本学科领域取得一定的成就，发展潜力大，原则上应达到申报我校研究员专业技术职务成果要求。

岗位2：特聘副研究员

• 聘用方式：年薪制

• 专业：网络空间安全及相关专业和方向

• 应聘条件：博士学位

• 招聘3人 | 学校经费聘用

岗位职责:

1. 完成特聘副研究员岗位要求的科研工作任务，主持国家级科研项目，参与科研奖励申报，产出高水平科研成果，积极进行成果转化；

2. 完成特聘副研究员岗位要求的教学工作任务，承担本科生课堂教学任务、指导本科生毕业设计等；

3. 积极参与学科平台建设，积极参加各种学术活动和国际交流；

4. 完成校院两级公共服务及学院交办的其他工作。

5. 完成岗位聘任合同中规定的其他工作。

招聘条件:

1. 具有良好的思想道德素质和职业道德，品行端正，爱岗敬业，责任心强，具有较强的团结协作精神；身心健康，年龄不超过35岁；

2. 从事网络空间安全领域相关专业或方向，具有国内外高水平大学博士学位；

3. 具有网络空间安全学科较高学术水平，学术思想活跃，创新能力强，已在本学科领域取得一定的成就，发展潜力大，原则上应达到申报我校副研究员专业技术职务成果要求。

岗位3：博士后

• 聘用方式：博士后

• 专业：网络空间安全及相关专业和方向

• 应聘条件：博士学位

• 招聘4人 | 学校经费，学校经费和单位/课题组经费聘用，单位经费/课题组经费聘用

岗位职责:

1. 完成岗位要求的科研工作任务（主持和参与科研项目、发表高水平研究成果等），积极参与学院学科建设工作，协同合作导师和研究团队开展科研工作；

2. 承担学校及学院规定的教学辅助及公共服务工作（指导本科生毕业设计、指导大创竞赛、实习实训带队、监考等）；

3. 积极参加国内外学术交流活动；

4. 完成校院安排的其他工作。

招聘条件:

1. 具有良好的思想道德素质和职业道德，品行端正，爱岗敬业，责任心强，具有较强的团结协作精神；身心健康，年龄不超过35岁；

2. 从事网络空间安全领域相关专业或方向，具有国内外高水平大学博士学位（2026年12月31日前获博士学位）；

3. 具有网络空间安全学科较高学术水平，发展潜力大。学术思想活跃，创新能力强。

二、招聘程序

1. 应聘人员通过四川大学人才招聘网站（https://recruitment.scu.edu.cn）在线应聘，填写个人应聘申请；注册时请提供准确的个人信息，因个人信息不实造成的后果由应聘者本人承担；

2. 学校人事处进行资格初审；

3. 单位招聘工作领导小组对初审通过的应聘人员进行甄选，确定参加面试人员名单；

4. 单位招聘工作小组、相关部处人员对候选人进行面试，党政联席会择优确定拟聘人员；

5. 拟聘人员进行体检、公示，无异议后上报学校；

6. 拟聘人员报学校审批，审批通过后转移档案、签订聘用合同、办理报到手续。

三、“双百人才工程”

四川大学第十六批“双百人才工程”正式启动！本轮"双百人才工程"针对拟从校外全职引进的海内外优秀人才(截至2026年3月1日未报到入职的人员)。

A计划:

理工医科年龄原则上不超过42周岁，人文社科原则上不超过52周岁，具有扎实学识，学术文化造诣高深，创新能力强，在开展重大原始创新和理论创新、解决关键核心技术难题和重大社会现实问题等方面取得高质量成果，作出突出贡献，获得国内外同行公认，有较大的学术影响力。

B计划:

理工医科年龄原则上不超过35周岁(海外引进可放宽至38周岁)，人文社科原则上不超过40周岁，创新发展潜力大，在开展原始创新和理论创新、解决关键核心技术难题和重大社会现实问题等方面取得较高质量成果，在国内外同行中具有一定学术影响力。

C计划(海外青年专项):

年龄原则上不超过35周岁，创新发展潜力大，在开展原始创新和理论创新、解决关键核心技术难题和重大社会现实问题等方面取得一定成果。

四川大学第十六批“双百人才工程”正式启动啦！

截至日期:2026年4月24日

四、联系方式

欢迎已毕业或计划今年回蓉发展的校友与同仁，如有关于学院引才的任何疑问，请随时与我们联系。其中，“双百人才工程”是助力个人发展与入职川大的绝佳平台，诚邀您把握此次机遇。 学院官网：https://ccs.scu.edu.cn

• 学院人事邮箱（刘老师）: ccsrs#scu.edu.cn (#替换为@)

• 学院青年教师（黄老师）：codesec#scu.edu.cn (#替换为@)

截至26年3月，在产学研各界专家学者的深度参与下，社区成功完成了关键难题的识别与分解。经过社区各技术领域专家与TSC评审，2026年首批开源鸿蒙技术课题现正式发布至社区。本次发布课题共计12道。详见下表：

• 课题申报方式：

进入OH-TSC小程序→点击“课题”→点击“参与技术课题”→点击“我要申报”

• 课题发布时间：

后续申报课题通过评审后，在6月、9月、12月分批次发布到社区。

• 以上课题具体材料获取方式：

进入OH-TSC小程序→点击“课题”→点击“下载课题资料”→点击“待揭榜课题”

• 揭榜课题方式：

进入OH-TSC小程序→点击“课题”→点击“参与技术课题”→点击“我要揭榜”

课题揭榜

1. 课题揭榜者：高校OpenHarmony技术俱乐部的老师、学生，课题揭榜者即为课题负责人。

2. 课题负责人：课题负责人应组建课题组，主导课题研究利社区代码合入节奏，保证研究技术原创性。

3. 课题组：由一名课题负责人与其他课题组成员共同组成。

4. 揭榜时间：每年设置集中揭榜时间段。

课题详细信息

蚂蚁集团于2020年与CCF联合发起了“CCF-蚂蚁科研基金”，基金连续运作6年来，致力发挥产学研的能量解决更多社会问题，受到全球学者的广泛关注和认可，累计支持额度超过6000万，吸引近1500位专家学者进行申报，支持超220个科学研究项目。蚂蚁基金不仅支持学者前沿探索，也积极鼓励各项科研成果的实际应用。目前，多项创新成果已成功落地，广泛应用于行业技术升级与社会问题的解决。

2026年3月31日，蚂蚁集团联合CCF正式发布2026年度CCF-蚂蚁科研基金，本期基金紧密结合蚂蚁真实业务场景与人工智能发展前沿，聚焦人工智能、超算与智算、网络空间安全与隐私保护、软硬协同四大核心赛道，重点涵盖AI智能体、大语言模型与知识图谱、多模态融合与交互、空间计算、大模型推理加速、Token优化、大模型安全等技术方向的共44项核心议题。项目合作周期为一年。具体课题如下：

方向三：网络空间安全与隐私保护

本基金面向人工智能安全与可信计算领域的前沿需求共发布7项前沿课题，旨在构建涵盖模型安全、软件系统安全、数据安全的一体化智能安全技术体系。在大模型安全层面，针对多模态触发与动态植入的后门攻击，提出鲁棒性防御方案，同时探索防蒸馏对抗机制，保障模型知识产权安全；在软件与系统安全层面，研究智能化多语言程序分析关键技术，提升跨语言代码审计的自动化水平与覆盖能力，探索基于大模型的自动化威胁验证技术；在数据安全层面，开展零知识证明友好的分组密码算法设计，为隐私计算提供高效的底层密码原语支撑；基于智能体驱动的方法，探索链上数据资产安全分析与风险治理方法的新范式；研究基于大语言模型对隐私数据语义的深度理解能力，动态构建并维护一个面向多种复杂系统的隐私数据检测与分类体系。

1. 基于大模型的自动化威胁验证技术研究

2. 面向多模态触发与动态植入的大模型后门防御技术研究

3. 大模型防蒸馏对抗与核心知识资产动态防护技术研究

4. 智能化多语言程序分析关键技术研究

5. 零知识证明友好的分组密码设计

6. 面向区块链资产安全的智能体驱动型安全分析与风险治理研究

7. 面向复杂技术生态的自适应隐私数据检测系统研究

方向四：软硬协同

本基金方向是自2023年蚂蚁发布第一期“软硬协同专项”以来的连续第四期课题发布。本期基金旨在深耕“同态加密实用化”这一核心命题，精准发布5项关键技术研究课题，力求通过系统性地完善同态加密技术链路，在破除同态加密性能壁垒的同时，构建从算法原型到工程实践的闭环体系，从而织密隐私计算的技术版图。希望通过对软硬协同范式的持续联合研究投入，开启同态加密技术大规模产业化应用的新征程。

1. 基于GPU的多密钥CKKS加速

2. 基于多GPU的FHE加速

3. 面向同态加密的CSD功耗-性能协同优化方法

4. 面向全同态密文大模型推理的超节点异构近数据计算系统

5. 端云协同的同态加密、转密和解密计算性能优化

申报条件

1. 申请者须为全球高校/科研院所在职全职教师或研究人员（博士后除外）；

2. 在同等条件下，申请者为CCF会员为优先选择；

3. 能独立开展研究工作，并带领学生团队共同参与课题研究与实践。

本基金将面向符合如上条件的海内外高校及科研院所学者展开。

申报方式

基金申报截止时间为：2026年5月6日24:00（北京时间）。

下载附件，查看、填写申报书，申请者请通过蚂蚁集团技术研究院官网(https://www.antresearch.com/Cooperation/Funds/FundsDetails/20260331001)申报。

• 申请人在申报前需确认所在高校/科研院所可以作为项目依托单位签署科研合作协议，申请人本人可以作为项目负责人签署项目保密协议等相关承诺文件。

• 任何针对项目申报的问题，请联系蚂蚁集团学术合作部，电子邮箱：AntResearch@antgroup.com。

时间计划

• 2026年3月31日：基金发布，申报开始

• 2026年4月14/16日：蚂蚁基金课题直播宣讲

• 2026年5月6日：proposal申请截止，启动评审

• 2026年6月16日：评审结束，公布项目结果

• 2026年7月中旬：合同签署完毕（签署合同关注CCF-蚂蚁集团联合项目组通知）

详细指南内容

方向三：网络空间安全与隐私保护 （支持金额不超过30万元/项）

方向四：软硬协同（支持金额不超过40万元/项）

官方链接：

• https://www.ccf.org.cn/Collaboration/Enterprise_Fund/News/my/2026-03-31/870286.shtml

• https://www.antresearch.com/Cooperation/Funds/FundsDetails/20260331001

原文标题：OCR-APT: Reconstructing APT Stories from Audit Logs using Subgraph Anomaly Detection and LLMs
原文作者：Ahmed Aly, Essam Mansour, Amr Youssef
发表会议：CCS ’25
笔记作者：龙函城
主编：黄诚@安全学术圈

研究概述

高级持续性威胁（Advanced Persistent Threat, APT）具有长期潜伏和多阶段推进等特点，传统基于单点告警或线性日志的分析方式往往难以完整恢复其攻击过程。在这一背景下，溯源图（Provenance Graph）由于能够将进程、文件、网络流等实体及其交互关系组织为具有因果语义的图结构，逐渐成为APT检测与调查的重要技术路线。相比普通日志表示，溯源图更适合揭示攻击行为之间的依赖关系与传播路径。

不过，现有基于溯源图的APT分析方法仍存在两个突出问题。一方面，许多异常检测方法只能输出节点级、时间窗级或整图级告警，容易出现粒度过粗、上下文不足和误报率较高的问题；另一方面，已有攻击调查系统往往依赖预定义的兴趣点、已知攻击实体或规则线索来启动分析，且输出多为复杂子图、事件序列或低层日志片段，缺乏连贯的攻击叙事能力，分析人员仍需手工梳理攻击从何开始、如何推进以及涉及哪些关键IOC。

针对上述问题，本文提出OCR-APT，试图实现从系统审计日志到APT攻击故事重建的端到端分析。该方法主要由两部分组成：第一部分是基于图神经网络的子图异常检测模块，用于从大规模溯源图中识别与APT相关的异常节点和异常子图；第二部分是基于大语言模型的攻击调查模块，用于将这些异常子图进一步转化为包含APT阶段、关键IOC及行为上下文的人类可读攻击报告。在检测层面，作者提出OCRGCN，将关系图卷积网络（RGCN）与one-class SVM结合，通过结构关系和行为模式建模异常，而不是依赖文件路径、IP地址等脆弱属性；在调查层面，作者设计了分阶段、带验证机制的RAG流程，以减少幻觉并提高报告可信度。

图 1 OCR-APT 系统整体架构

如图1所示，OCR-APT的整体流程从审计日志出发，首先完成溯源图构建、行为特征提取与图编码；随后通过OCRGCN识别异常节点，并围绕这些节点构造异常子图；最后再将异常子图输入LLM-based attack investigator，生成带有APT阶段、关键IOC和上下文解释的人类可读攻击报告。该框架体现了本文的核心思想，即将APT分析划分为子图异常检测和攻击故事重建两个阶段，从而实现从低层系统遥测到高层攻击叙事的映射。

贡献分析

• 贡献点1 ：提出面向APT检测的子图级异常检测模型OCRGCN

  论文提出了OCRGCN，将RGCN与one-class SVM相结合，用于在溯源图中识别异常节点及APT相关异常子图。OCRGCN 强调基于结构关系和行为模式进行建模，从而降低伪相关问题对检测结果的影响，提升对未知APT行为的鲁棒性。

• 贡献点2 ：提出基于LLM的APT攻击调查与故事重建方法

  论文进一步引入了一个LLM-driven attack investigator，用于从检测得到的异常子图中重建攻击过程，并生成简洁、可读的攻击报告。该部分的重点是将异常子图组织为带有APT阶段、关键IOC和行为上下文的攻击叙事，使系统输出更贴近安全分析人员的实际调查需求。

• 贡献点3 ：设计了分阶段且带验证机制的RAG调查流程

  论文并没有直接让大语言模型一步完成完整攻击报告生成，而是将攻击调查过程拆分为IOC提取、IOC验证、子图摘要、综合报告生成和上下文增强等多个子任务，并在中间环节加入自动验证机制，过滤掉并不存在于原始子图中的IOC，从而减少幻觉问题并提升最终报告的可信度。

• 贡献点4 ：构建了检测与调查一体化的完整APT分析系统 论文最终将子图异常检测与LLM攻击调查整合为一个完整系统OCR-APT，使其能够从系统审计日志出发，依次完成溯源图构建、异常节点识别、异常子图构造、告警排序以及攻击报告生成。

代码分析

代码链接

• https://github.com/CoDS-GCS/OCR-APT

1. 使用类库分析

   该项目整体采用Python与Bash作为主要实现方式，系统一方面通过GraphDB和SPARQL完成审计日志到溯源图的存储与查询，另一方面结合PyTorch Geometric风格的图表示学习流程完成异常节点与异常子图检测；同时，还引入LLM与向量检索相关组件，用于生成攻击调查报告。

2. 代码实现难度与工作量评估

   从实现角度来看，该项目难度属于中等偏上。它的难点不在单一算法本身，而在于需要把多个环节稳定串联起来，包括原始审计日志转换、RDF溯源图构建、图编码、one-class GNN训练、异常节点识别、异常子图构造以及 LLM 调查报告生成。

3. 代码关键实现功能

   （1）审计日志到溯源图转换模块。该模块主要负责将原始CSV格式的审计日志转换为RDF表示，并导入GraphDB，为后续图查询和图学习建模提供统一的数据基础。

   （2）图编码与特征提取模块。该模块用于将溯源图进一步编码为PyG可处理的数据结构，并提取后续GNN模型所需的节点与关系信息，为异常检测做准备。

   （3）基于GNN表示学习与one-class SVM的异常检测模块。该模块对应OCRGCN的核心实现，主要先利用RGCN学习溯源图中节点的结构与行为表示，再结合one-class SVM学习正常节点分布，并在测试阶段识别异常节点。它是整个系统完成APT异常检测的核心部分。

   （4）异常子图构造模块。该模块根据检测出的异常节点继续构造异常子图，并筛选出更具有调查价值的可疑子图，从而避免只输出孤立异常点。

   （5）LLM攻击调查与报告生成模块。该模块利用大语言模型对异常子图进行进一步分析，并生成简洁、可读的攻击调查报告，是论文中攻击故事重建能力的关键实现部分。

论文点评

总体来看，这篇论文是一项较有价值的APT检测研究。它的亮点不只是提升异常检测能力，更在于进一步关注APT分析中的实际需求，即不仅要发现异常，还要尽可能讲清楚异常背后的攻击过程。为此，作者将子图异常检测与LLM攻击调查结合起来，使系统能够从审计日志出发，进一步生成带有APT阶段、关键IOC和行为上下文的攻击报告，这一点比仅输出异常节点或异常子图更贴近真实分析场景。

从方法设计上看，论文整体思路比较清晰。前半部分利用溯源图和OCRGCN识别异常节点与异常子图，后半部分再通过LLM完成攻击故事重建，这种先检测、后调查的设计较符合APT分析流程。尤其是作者没有直接让大模型一步生成完整结论，而是采用分阶段、带验证机制的RAG流程来减少幻觉，这使方法在可解释性和可信度上更进一步。

不过，这篇论文也存在一定局限。例如，系统整体依赖审计日志和溯源图质量，若底层数据不完整，检测和重建效果都会受到影响；同时，方法涉及图数据库、图学习和LLM生成多个环节，整体实现链路较长，部署与复现成本相对较高。总体而言，本文的主要价值在于它展示了APT检测系统如何从“发现异常”进一步走向“解释异常”，对APT检测与攻击调查结合方向具有较强参考意义。

论文文献

Büchel, Marvin, et al. "{SoK}: Automated {TTP} Extraction from {CTI} Reports–Are We There Yet?." 34th USENIX security symposium (USENIX Security 25). 2025.