为提升无人机安全检测的智能化程度，并解决云端大模型的隐私泄露与离线失效问题，文章设计了轻量化无人机端侧安全多模态大模型UAV-SMLLM。首先，构建了包含20000条对话实例、覆盖10种攻击类型的多模态安全检测数据集；然后，提出了基于块级角距离冗余度分析的层剪枝策略，将LLaVA-1.5-7B-HF解码器由32层压缩至24层；最后，采用LoRA微调与AWQ 4-bit量化，使模型峰值内存占用降至3.75 GB，推理速度达5.08 tokens/s。实验结果表明，该模型对欺骗攻击、暴力破解的检测准确率分别为90.75%和84.87%，意图识别F1值由0.475提升至0.7945，通用视觉能力与基线大模型持平。

为应对大语言模型带来的隐私泄露、版权争议和数据透明性问题，文章系统综述成员推理攻击与防御技术。以大模型生命周期和系统组件为双主线：首先，说明成员推理的形式化定义与威胁模型，并阐述其由过拟合向局部与条件记忆演化的理论基础，明确相较于已有通用成员推理综述的研究增量；然后，梳理预训练、微调、对齐、黑盒应用程序接口（API）、多模态和检索增强生成（RAG）等场景中的攻击，重点补充 LiRA、MoPe、ReCaLL 以及多类 RAG 攻击；进一步对 WikiMIA、MIMIR 等基准的代表性结果进行定量对照，指出时间切分造成的分布偏差会显著高估攻击能力；最后，从数据治理、正则化与差分隐私、知识蒸馏、解码过滤和机器遗忘5个层面构建纵深防御体系。分析结果表明，攻击信号已由全局统计转向逐样本校准、局部记忆峰、条件变化和系统知识覆盖，而严格同分布、低误报率评价仍是制约实用审计的核心问题。

文章围绕大语言模型在指令微调、领域微调和参数高效微调阶段的后门投毒风险，采用文献综述、分类归纳与横向比较方法，系统梳理攻击、防御和评估研究。文章从投毒时机、触发模式与攻击目标归纳攻击方法，并按数据处理、训练约束、后门诊断和模型处置总结防御技术，同时统一攻击成功率、干净效用、错误触发率、隐蔽性及防御代价等指标。研究发现，现有工作主要关注训练前静态投毒和固定词法触发，语义、组合及多轮触发仍缺乏稳定定义和可靠检测方法，多数防御依赖特定触发假设、干净数据或模型访问权限，结论难以跨模型、跨任务迁移。研究认为，后续评估应明确威胁模型、数据来源、判定规则与访问条件，并加强持续微调和黑盒场景研究，以提升结果的可比性与可信度。

现代软件系统规模与复杂度激增，使传统静态分析面临严峻挑战。为此，文章系统地综述仓库级静态漏洞检测技术的演进脉络、核心挑战及前沿方法。首先，梳理从规则驱动的传统静态分析、数据驱动的机器学习与深度学习，到语义驱动的大语言模型（LLM）及智能体的技术代际演进，剖析中间表示在跨文件建模中的作用。然后，针对仓库级场景，归纳上下文规模超限、跨文件依赖断裂和误报控制困难等6类核心挑战，系统评估静态分析工具与LLM的深度集成、智能体协同检测等技术路线的能力边界。最后，在此基础上，深入剖析概率推理与形式化约束冲突而引发的可信性瓶颈，指出现有数据集在结构上的若干局限，提出面向工程效能的评估指标重构思路，并展望未来研究方向。

针对传统恶意软件检测方法在应对加壳、混淆等对抗技术时能力不足的问题，文章提出一种基于硬件性能计数器的恶意软件检测方法。该方法利用Transformer编码器对硬件性能计数器的时序数据进行全局建模，提取表征微架构行为动态演化模式的深度时序特征，进而由XGBoost分类器基于该特征执行最终分类决策，实现时序归纳偏置与结构化归纳偏置的互补。为验证文章所提方法，实验采集了516个恶意样本与500个良性样本在短、中、长3种观测窗口下硬件性能计数器的时序数据进行分析。实验结果表明，该方法在3种窗口下的检测准确率均超过95%，且性能变异系数低于对比方法，展现出良好的检测精度与跨窗口稳定性。上述互补机制有效提升了分类边界的稳健性，为基于微架构行为分析的恶意软件检测提供了一种兼顾表征能力与泛化性能的检测方法。

近年来，区块链联邦学习中的鲁棒聚合安全问题成为研究热点。现有方法多依赖单一参数空间检测、可信数据先验或固定筛选策略，在面对协同投毒、后门注入等隐蔽攻击时，检测维度与适应性仍有限。为此，文章提出一种基于多维特征与动态防御（MFDD）的区块链联邦学习鲁棒聚合方法。该方法结合客户端更新相似性和探测数据集，从预测偏差、任务损失、参数偏移及方向一致性4个方面评估客户端异常程度，以识别协同攻击。针对协同反向更新中的方向异常，构建基于鲁棒中心的方向风险条件信任机制，利用坐标中位数形成鲁棒参考中心，并结合中位数绝对偏差（MAD）进行无监督判别，在形成有效方向风险证据时排除异常客户端、重新归一化其余客户端聚合权重。然后，通过自适应融合与动态防御完成客户端筛选与加权聚合，将核心检测与聚合信息记录于区块链账本，实现可信存证与可追溯审计。实验结果表明，在MNIST独立同分布、35%协同反向更新场景下，MFDD准确率达到0.9704±0.0025，显著高于移除方向风险条件机制的消融方法0.1763。基于Hyperledger Fabric 2.5.14的链上审计实验实现318项链上链下一致性匹配，并通过重复提交、覆盖及核心字段篡改验证，证实了该方法的鲁棒聚合与可信审计能力。

针对现代企业数据安全治理过程中存在的资产底数不清、跨部门协同效率低、策略执行滞后等突出问题，文章提出一种数据安全风险协同治理框架CGF-DSR。该框架以数据资产为核心治理对象，构建统一的数据资产与风险视图模型，并基于策略即代码引擎，实现安全与合规策略的自动化执行与动态评估。同时，设计了跨职能协同工作流机制，对数据生命周期中的风险进行闭环管理。实验结果表明，CGF-DSR框架能够有效打通数据、业务、安全与合规部门之间的协作壁垒，显著提升数据风险的识别、处置与审计效率，增强企业在多云环境下的数据安全治理韧性与敏捷性。

随着音视频生成技术的发展，深度伪造内容逐渐呈现出局部短时伪造和多模态协同生成的特点，少量伪造线索容易在长视频全局建模过程中被正常帧稀释。针对上述问题，文章提出一种面向局部时序异常的窗口引导音视频深度伪造检测方法。该方法基于时间对齐的音视频特征构造局部动态信息和跨模态差异信息，将连续序列组织为“帧-窗口-全局”的分层结构。模型在局部窗口内保留短时异常响应，通过跨窗口上下文建模建立窗口间联系，并利用全局语义反馈增强帧级表示，实现局部异常感知与视频级真伪判别。实验结果表明，该方法在FakeAVCeleb、DFDC和LAV-DF数据集上的库内检测AUC分别达到99.54%、99.90%和100%，跨库泛化和跨伪造类型实验检验了模型在不同数据分布和伪造方式下的检测性能。窗口结构消融实验验证了局部窗口、异常峰值提取和全局语义反馈的作用。视频边缘裁剪和后端效率实验表明，模型在边缘扰动条件下保持稳定，窗口级上下文建模能够降低长序列后端处理的计算量和显存占用；窗口引导分层聚合能够在保留局部短时伪造线索的同时，兼顾视频级判别与长序列后端计算开销。

系统软件常通过间接调用实现动态程序行为，这使静态分析难以构建精确的控制流图，而控制流图是许多静态分析和系统强化技术的基础。现代编译器默认无法识别间接调用目标，现有方法也多局限于类型信息，容易产生较高的误报率。因此，文章提出一种程序语义驱动的间接调用目标识别方法HRefIC。由于有效目标更容易到达调用点，从Linux内核、Bash和MySQL中随机抽取的1000个有效目标统计结果表明，57.4%有效目标的调用距离为0，81.9%有效目标的调用距离不超过2。调用者与被调用者以及同一间接调用的不同目标之间通常存在相关性，78.95%有效目标的函数名与调用者相似。HRefIC对数据流、路径、语义和文本相似性信息进行综合分析，在类型分析所得的粗粒度目标基础上进一步精炼，同时采用按需设计以控制开销，并借助多层规则降低漏报率。实验结果表明，与基于函数签名的传统类型分析方法相比，HRefIC在Linux内核、Bash和MySQL上的平均目标数量分别减少了98.6%、94.4%和95.0%，相较于MLTA进一步减少了38%~66%。此外，HRefIC还可服务于语义错误检测，利用该方法在Linux内核中发现8个新错误。

模型上下文协议为基于大模型的智能体工具调用提供了标准化的交互范式，并实现了对第三方服务端的兼容。然而，这种开放接入模式难以约束智能体多步骤工具调用中的动态行为演变，增加了运行时权限边界的不确定性，进而引发越权访问、权限漂移等安全风险。文章提出一种融合细粒度属性授权与事件流图约束的动态访问控制方法MCP-DAC，该方法在试运行阶段自动收集良性工具调用日志，生成基于策略的访问控制规则并构建每个会话的事件转移图；在运行时对每次MCP请求执行属性校验和路径校验。多场景下的MCP Server原型实验结果表明，MCP-DAC 能够阻断多种异常请求，同时对正常工具调用流程保持较低干扰。

无线传感器网络（WSN）具有广泛的应用前景，同时也易受恶意攻击。重点保护部分节点可使其免受网络病毒侵害，从而提高网络整体的抗毁性和容错率。文章借助于Holling-Ⅱ类捕食模型，量化研究了一类带有重点防护对象的WSN蠕虫病毒传播模型的动力学行为，并设计针对性病毒抑制策略。首先，给出模型的局部和全局渐近稳定条件；然后，研究模型产生Hopf分岔的充分条件，并讨论分岔方向以及周期解的稳定性；最后，求出模型平衡点转化的参数阈值，并据此设计病毒防治方案。理论分析和数值实验表明，该模型能够为网络蠕虫的防治提供参考。

针对基于超文本传输安全协议的域名系统传输机制（DoH）被用于构建隐蔽信道的问题，以及现有检测方法在跨层关联不足和易受类别分布变化影响等方面的缺陷，文章提出多层行为特征融合检测方法MBF-DoH。该方法融合了域名系统查询、传输层安全协议握手与流量时序特征，借助双向长短期记忆网络和DoH语义关系图完成时空联合识别，并通过类别敏感损失、关系保持和原型约束适应新型攻击。实验结果表明，在公开数据集和自采集数据集上，该方法的F1值分别为98.59%和86.60%，均衡准确率分别为97.80%和96.92%。增量更新后，针对新攻击的F1值达到95.27%，针对已学习的攻击的F1值仅下降了0.46个百分点，具备较好的检测与持续适应能力。

以太坊正面临日益复杂的欺诈威胁，而现有网络钓鱼检测方法多依赖于原始交易网络的静态分析，忽视了账户细粒度的动态交易序列模式，未能充分挖掘结构与序列特征的协同效益。因此，文章提出一种 TransG4Eth框架，将交易级Transformer与图神经网络相结合，以同时捕获交易上下文信息与账户交互关系。首先，构建了基于 Transformer 的交易序列编码器，将账户的完整交易历史建模为细粒度行为特征；其次，设计上下文地址恢复预训练任务，引导模型学习交易序列中账户间的隐含交互模式；再次，构建全局账户交互图，以显式方式刻画结构拓扑；最后，提出隐-显式对偶学习框架，在嵌入级与输出级实现两阶段融合。实验结果表明，在真实数据集上TransG4Eth显著优于现有方法，F1分数达85.99%。