Research / Paper Files
Paper Files
Paper Files 是一种持续进行 cybersecurity 学习的个人实践，它将科学方法作为学习工具。每篇文章都不是为了学术发表而写，而是作为一种有意为之的练习，用来磨快斧头——深化对特定主题的知识，以严谨的方式组织想法，并观察对某些主题的理解如何随时间发展。它相当于一本训练日志的知识版：每一条记录所学内容、分析方式以及得出的结论。
我强烈建议安全专业人员采用这种方法。选择一个你想精通的主题，研究一手资料（RFC、论文、官方文档），按照引言、方法、分析和结论来组织文本，并像是在向同事解释一样写作。写作本身会迫使你思路清晰，并暴露出被动阅读无法揭示的理解空白。把本网站上的文章作为格式和深度的示例，并建立你自己的收藏——随着时间推移，你会拥有一个个人的精炼知识库，这是任何课程或认证都无法取代的。
DAI & ADAI · 2026
DAI: A Domain-Specific LLM with Model-Excluded Authority, Capability-Disjoint Verification, and Recomputable Receipts
DAI (Decripte Artificial Intelligence) is a proprietary domain-specific LLM within a governed autonomous defensive architecture. It is an instance of the proposed ADAI category defined in the companion framework paper. T…
Read paper →ADAI · ENAutonomous Defensive AI: An Envelope-and-Evidence Framework for Governed LLMs Acting on Production Infrastructure
ADAI (Autonomous Defensive Artificial Intelligence) is a proposed category of governed autonomous cyber defense. The framework specifies defended perimeters, bounded effects, declared rollback and capability-disjoint ver…
Read paper →178 papers
面向大模型与生成式AI应用的企业级AI安全体系：威胁建模、攻防评估与零信任治理框架
近年来，生成式AI与大语言模型已从辅助工具演进为企业业务流程的关键控制面，并被广泛嵌入客服、代码生成、知识检索、SOAR编排、自动化运维以及安全运营平台之中。与此同时，围绕模型、数据、提示词、工具调用与供应链的攻击面急剧扩张，使传统以网络、主机和身份为中心的安全体系难以直接覆盖AI系统的特有风险。本文提出一个面向2026年企业环境的AI安全研究框架，系统刻画训练阶段、推理阶段与编排阶段的主要威胁，包括数据投毒、后门植入、模型窃取、成员推断、提示词注入、RAG检索污染、工具滥用、越权执行、机密外泄与模型驱动的社会工程。基于零信任与CNAPP、eBPF监控、内容与策略过滤、模型行为遥测以及红队评估闭环，本文构建了一套可落地的AI安全治理方法，将“模型安全、应用安全、基础设施安全、身份与访问控制、安全运营”五个维度统一到同一风险度量模型中。我们进一步给出威胁形式化定义、攻击路径分解、检测与响应策略，并实现了一个原型防护栈，用于对接OpenAI、Azure OpenAI、Anthropic、开源本地模型与向量数据库环境。实验部分通过对常见提示词注入、系统提示泄露、RAG越权检索与工具调用滥用场景进行对比评估，展示了分层防护在降低攻击成功率、减少机密泄露和保持任务可用性方面的实际效果。本文最后结合一个企业知识助理的案例，说明如何在业务可用、合规审计与安全约束之间取得平衡。研究结果表明，AI安全不应被视作传统应用安全的附属议题，而应作为与云安全、身份治理和数据安全并列的独立控制域进行设计与运营。
Read paper →DevSecOps面向2026年云原生与生成式AI环境的DevSecOps体系：从软件供应链安全到持续验证的统一方法
DevSecOps 在2026年已从“把安全嵌入CI/CD”的工程口号，演化为面向云原生、生成式AI、软件供应链与零信任运行时的系统性安全工程范式。本文提出一种面向2026年威胁环境的DevSecOps统一方法，强调将代码安全、依赖完整性、构建隔离、制品签名、部署策略、运行时监测与反馈闭环纳入同一验证框架。与传统以扫描为中心的做法不同，本文将DevSecOps形式化为约束优化问题：在满足交付频率与变更吞吐的同时，将供应链篡改、配置漂移、密钥泄露、容器逃逸与AI辅助社会工程等风险降至可接受阈值。我们构建了一个分层威胁模型，覆盖源码、构建、制品、编排、运行时和观测管道，并结合SLSA、SBOM、Sigstore、OpenSSF Scorecard、OPA/Gatekeeper、Kyverno、eBPF监控与CNAPP能力，设计可落地的控制组合。本文进一步给出一套可实现的参考架构、GitHub Actions与GitLab CI配置模式，以及在一个包含微服务、容器镜像与基础设施即代码的样本环境中的实验评估。结果表明，相较于仅依赖SAST/DAST的基线方案，所提方法能显著提升构建可信度、缩短漏洞修复闭环并降低高危供应链事件暴露面，同时保持可接受的交付开销。最后，本文结合2026年真实攻击手法与防御实践，讨论生成式AI带来的社会工程放大效应、软件签名体系的组织治理问题，以及后量子密码迁移对DevSecOps平台的影响。
Read paper →Crypto面向2026年企业环境的Crypto攻击面与防护体系：从密钥生命周期、协议滥用到后量子迁移的系统化研究
在现代企业安全体系中，“Crypto”早已不再仅指传统加密算法，而是涵盖密钥管理、协议实现、证书体系、硬件安全模块、软件供应链签名、终端与云端加密、身份认证、隐私计算以及后量子迁移等一整套基础设施。到2026年，攻击者对密码学组件的利用已从单纯破解算法，演化为系统性地针对实现缺陷、配置错误、边界条件、证书信任链、密钥分发、API误用与运维流程发起复合攻击。与此同时，AI/ML驱动的社会工程、凭证窃取、内部威胁与云原生环境中的短生命周期密钥管理，使得“加密本身安全”与“加密系统安全”之间的差距被进一步放大。本文以2026年的威胁态势为背景，系统研究企业环境中Crypto相关攻击面，提出一个面向攻防两端的统一分析框架：将密码资产划分为算法层、协议层、实现层、平台层和运营层五个层次，并以攻击图建模其跨层传播路径。本文在威胁建模中形式化定义了密钥暴露、降级攻击、重放与签名滥用、证书滥发、侧信道泄露、云KMS权限失配、CI/CD签名链污染以及后量子迁移中的混合部署风险。进一步地，本文提出一套可落地的方法学，结合静态代码审计、运行时遥测、eBPF可观测性、证书透明度日志、KMS审计、SBOM/签名验证和红队验证脚本，对Crypto风险进行持续评估与闭环治理。实验评估部分基于典型企业软件栈与开源组件，对TLS配置、库误用、证书管理与密钥轮换延迟进行测量，展示了不同防护措施在误报率、覆盖率与业务影响之间的权衡。最后，通过一个真实风格的企业事件案例，说明攻击者如何利用“合法证书+错误配置+泄露密钥”构成低噪声高成功率入侵链。本文旨在为2026年的安全架构师、云安全工程师、红队与事件响应团队提供一套可操作、可验证、可迁移的Crypto防护框架。
Read paper →DFIR面向2026年复合云与终端生态的数字取证与事件响应（DFIR）方法论：基于证据完整性、自动化编排与威胁情报联动的实证研究
数字取证与事件响应（DFIR）在2026年的企业安全体系中已从“事后调查”演进为贯穿预防、检测、响应、遏制、恢复与治理的核心能力。随着复合云、SaaS、容器、Kubernetes、eBPF遥测、EDR/XDR、SOAR、生成式AI驱动的钓鱼与深度伪造、以及勒索软件双重/三重勒索常态化，传统基于静态磁盘镜像和人工时间线分析的工作流已难以满足现代对时效性、可验证性与可扩展性的要求。本文提出一种面向2026年威胁环境的DFIR方法论，强调“证据生命周期管理—多源遥测归一化—可重复分析流水线—自动化处置编排—审计可追溯性”五层闭环。本文首先对DFIR的概念边界、证据属性与响应目标进行形式化建模，并以攻击者TTP、证据熵、响应时延和误处置风险为核心指标构建效能函数。随后提出一套可落地的实证工作流：在端点、身份、网络、云控制平面与容器运行时之间建立统一证据湖，利用Sigma、YARA、KQL/ES|QL、Zeek与eBPF生成可复现查询；结合时间同步校准、哈希链、WORM存储与签名验证保证证据完整性；并通过SOAR与人机协同机制实现分级响应。实现部分给出了基于Velociraptor、KAPE、Plaso、Timesketch、TheHive、MISP、Elastic Security与Zeek的部署模式。实验评估基于模拟入侵、勒索软件前置侦察、身份滥用与云侧横移场景，比较了手工分析、半自动化与本文方法在平均遏制时间、证据缺失率、误报成本与复现一致性方面的差异。结果表明，在保持证据可采信性的前提下，自动化编排可将关键初始遏制时间显著缩短，并降低跨平台关联分析中的人工负担。最后，本文讨论了AI辅助取证的治理边界、隐私与合规约束、以及后量子密码迁移对证据保全链路的影响。研究表明，2026年的DFIR应被视为一种工程化、数据化和可证明的安全能力，而非单次事件后的被动取证。
Read paper →Cloud云安全攻击面测量、配置漂移检测与零信任控制联动：面向2026年的云原生防御研究
云已经从“基础设施承载层”演化为企业身份、数据、软件供应链与运行时控制平面的核心枢纽，因此其安全问题不再局限于虚拟机隔离或存储加密，而是扩展到API权限蔓延、控制面误配置、容器逃逸、工作负载身份劫持、CI/CD供应链投毒以及云服务商与租户之间的责任边界失配。本文面向2026年的云威胁态势，提出一套以攻击面测量、配置漂移检测与零信任控制联动为核心的云安全防御方法。我们首先建立云风险形式化模型，将资产暴露度、身份权限熵、配置偏差、运行时异常与供应链可信度统一纳入可计算框架，并用 $R=\alpha E+\beta P+\gamma D+\delta B$ 表示综合风险评分，其中 $E$ 为暴露面，$P$ 为权限膨胀，$D$ 为漂移程度，$B$ 为基线偏差。随后，我们设计一个可落地的多层检测管线：在控制面侧利用云审计日志与配置快照进行差分分析，在数据面侧结合 eBPF 运行时遥测与容器行为剖面进行异常关联，在身份侧将短时令牌、角色切换与服务间调用图进行图谱化建模，并在策略执行层与 Zero Trust、CNAPP、CIEM、CSPM、CWPP 能力联动。本文给出实现架构、规则与统计模型、以及基于AWS、Azure和Kubernetes环境的实验评估。实验结果表明，该方法可在不依赖侵入式代理的前提下显著降低误报并提高对跨账户访问、过宽IAM策略、公开对象存储、Kubernetes权限提升与供应链异常的检出率。最后，本文结合一则真实世界风格的云入侵案例，讨论2026年云安全从“静态合规”向“动态可信执行”的范式转移，并总结在AI驱动攻击、后量子迁移、平台工程和云治理背景下的未来研究方向。
Read paper →Phishing面向2026年威胁环境的钓鱼攻击全景研究：从多通道社会工程到AI驱动防御的建模、检测与处置
钓鱼攻击在2026年的网络安全版图中仍然是最具普遍性、最具适应性、也是最难以根除的初始入侵向量之一。与早期以电子邮件为主、依赖低成本批量投递的欺诈活动不同，现代钓鱼已经演化为跨渠道、跨身份体系、跨云平台的复合型攻击链，覆盖电子邮件、短信、即时通讯、语音、二维码、协作平台、OAuth授权滥用、供应链账户接管以及生成式AI辅助的高拟真社工。本文从攻击者战术、受害者认知、身份与邮件基础设施、检测与响应四个维度，对“钓鱼”这一概念进行系统化重构，并在2026年威胁环境下提出一套可操作的方法论。本文首先回顾钓鱼技术与防御体系的演进，梳理DMARC、MTA-STS、BIMI、FIDO2/WebAuthn、条件访问、UEBA、eBPF可观测性、CNAPP与AI治理在实际防御中的作用边界；随后建立包含投递、诱导、凭证捕获、会话劫持、授权滥用与二次横向移动的威胁模型，并以攻击成功概率、检测时延与业务损失构建形式化描述。基于此，本文提出一种多层联动方法：邮件与内容层的语义/结构双通道检测、身份层的风险评分与令牌异常识别、终端与云层的行为关联、以及面向用户与SOC的闭环处置流程。最后，本文通过实验性评估与典型案例分析，展示该方法在降低误报、缩短MTTD/MTTR、并提升对AI生成钓鱼与二维码/移动端钓鱼的鲁棒性方面的效果。本文旨在为企业安全团队、威胁情报分析师与安全架构师提供一套符合2026年现实约束的、可部署且可审计的钓鱼防御框架。
Read paper →DevSecOps面向2026年云原生软件供应链的DevSecOps体系：以“左移+运行时反馈”闭环降低CI/CD与AI辅助开发风险的实证研究
随着云原生架构、基础设施即代码、容器编排、GitOps 以及生成式 AI 辅助开发在 2026 年成为主流，DevSecOps 已从“把安全工具接入流水线”的工程实践，演化为覆盖需求、设计、编码、构建、部署、运行与响应的持续控制体系。本文以 2026 年的软件供应链威胁态势为背景，研究 DevSecOps 在真实企业环境中的可操作方法，重点分析依赖投毒、构建环境污染、机密泄露、镜像篡改、签名绕过、权限漂移、Kubernetes 运行时逃逸以及 AI 生成代码引入的新型逻辑缺陷等问题。我们提出一种“政策即代码—证据即数据—运行时即反馈”的闭环 DevSecOps 方法，将 SAST、SCA、DAST、IaC 扫描、容器基线检测、SBOM、签名验证、eBPF 运行时监测与集中式证据链联动，形成可度量的风险压缩机制。方法上，本文给出威胁模型与形式化定义，将安全缺陷映射为可计算的控制覆盖率、平均修复时间、策略违例密度和供应链完整性得分，并设计适用于 GitHub Actions、GitLab CI、Jenkins、Argo CD 与 Kubernetes 的落地实现方案。实验部分基于一个包含 128 个微服务、2,400 次构建、17,000 个依赖项与 96 个基础设施模块的中型云原生环境，评估了该方法对已知漏洞、配置漂移和高危机密暴露的检测与抑制能力。结果表明，引入签名校验、SBOM 比对、政策门禁和运行时告警后，未授权制品进入生产的概率显著下降，平均修复时间与高危缺陷逃逸率均得到明显改善。本文最后结合 2024–2026 年的真实供应链攻击事件，讨论 DevSecOps 在 AI 时代的局限、治理要求与未来发展方向，包括面向 LLM 开发管线的安全基线、可验证构建、后量子迁移准备与 eBPF 驱动的自适应防御。
Read paper →Crypto面向2026年企业安全的密码体系韧性研究：从TLS 1.3、后量子迁移到云原生密钥治理的攻防框架
在2026年的企业安全版图中，“Crypto”已不再只是加密算法的选择问题，而是贯穿身份认证、密钥生命周期、软件供应链、云原生控制平面、边缘设备与AI系统的系统性韧性问题。现实攻击面同时覆盖弱随机数、证书与PKI治理缺陷、TLS终止代理配置失误、API签名绕过、KMS滥用、机密计算边界错误、加密敏捷性不足以及后量子迁移中的兼容性陷阱。本文提出一个面向2026年威胁环境的密码体系安全研究框架，围绕“算法安全、实现安全、运行安全、治理安全”四层结构展开，给出可操作的威胁建模方法、分层防护策略与实验评估基线。研究结合TLS 1.3、QUIC、mTLS、PKI/ACME、HSM/KMS、Envelope Encryption、Secrets Management、eBPF检测、CNAPP与零信任架构，系统分析其在真实企业环境中的失败模式。我们进一步讨论后量子密码迁移（PQC）在混合握手、证书路径、性能与兼容性方面的工程约束，并提出一个以加密资产盘点、策略即代码、持续验证与遥测闭环为核心的方法论。实验部分使用公开工具与可复现实验场景，对证书生命周期误配、TLS回退配置、JWT/HMAC错误实现、KMS权限过宽和mTLS证书轮换失效等问题进行定量评估，展示不同控制措施对攻击成功率、平均检测时间和密钥暴露面的影响。研究表明，2026年的密码安全已从“选对算法”转向“让算法在错误配置、复杂编排和高速变更中保持可信”。本文最后总结了迁移路径、组织治理建议以及面向后量子时代的研究方向，为安全工程、攻防红队、云安全与合规团队提供可落地的参考。
Read paper →DFIR面向云原生与AI驱动威胁的DFIR体系：从证据保全、内存取证到自动化响应的2026年方法论
数字取证与事件响应（DFIR, Digital Forensics and Incident Response）在2026年的任务边界已显著扩展：其不再仅限于主机镜像分析与日志回溯，而是覆盖云控制面审计、容器与Kubernetes运行时取证、身份与访问链路关联、虚拟化与SaaS证据采集，以及针对AI辅助攻击的响应与溯源。与此同时，攻击者广泛采用多阶段横向移动、凭证劫持、内存驻留、无文件化执行、供应链投毒和生成式AI驱动的社工与欺骗，使得传统“事后分析”式响应难以满足时效、完整性与可验证性的要求。本文提出一套面向2026年威胁环境的DFIR方法论，强调证据最小扰动采集、跨域时间线重建、以假设驱动的假设验证、可重复的工件关联、以及面向云原生环境的分层响应编排。我们形式化定义了DFIR目标函数，将证据完整性、时间敏感性、调查覆盖率和业务影响纳入统一优化框架，并给出可操作的采集与分析流程。方法上，本文将主机、内存、磁盘、身份、网络、云审计、容器遥测与终端检测遥测统一到多源时间线中，结合规则、图关联与轻量机器学习进行分流和优先级排序。实现部分给出了基于Velociraptor、KAPE、Volatility 3、Plaso、Sigma、YARA、Zeek、Sysmon与eBPF遥测的参考部署。实验评估使用合成攻击链与真实工具链模拟多类入侵，验证了方法在证据覆盖、平均遏制时间、误报控制和调查成本方面的收益。最后，通过一例云环境凭证滥用与横向移动案例，展示该框架如何支持可审计、可复现与可落地的响应闭环。本文旨在为2026年的企业SOC、MDR、IR团队与数字取证实验室提供一套兼顾工程可行性与研究严谨性的DFIR蓝图。
Read paper →Detection面向现代企业环境的多层次安全检测体系：从行为遥测、eBPF 运行时监控到大模型辅助威胁发现的统一方法
在2026年的企业安全实践中，“检测”已不再只是基于特征的告警匹配，而是一个覆盖端点、网络、身份、云工作负载、SaaS 以及生成式 AI 使用面的多层次观测与推断问题。随着攻击者广泛采用无文件载荷、内存驻留、OAuth 滥用、云原生横移、供应链污染以及 LLM 驱动的社会工程，传统依赖签名、静态 IOC 和孤立 SIEM 规则的方案在时效性、鲁棒性与可扩展性上均面临瓶颈。本文围绕“检测”这一核心安全能力，提出一种面向企业级环境的统一检测框架，将端点遥测、网络流量、身份事件、云审计日志与应用层行为信号进行语义对齐，并通过规则检测、统计异常、图关联分析与大模型辅助分析的组合策略实现分层告警。本文首先对检测问题进行形式化建模，将其定义为在约束资源下对高维异构事件流进行最优假设检验与因果归因。随后提出一套可落地的方法学：以 ATT&CK 为语义骨架，以 Sigma、YARA、Suricata、eBPF 与 OpenTelemetry 为采集与表达基础，以风险评分、置信度校准与抑制策略为告警治理核心，并通过面向 MITRE Caldera、Atomic Red Team 和真实攻击链的实验评估其有效性。实验部分展示了该框架在检测 PowerShell 规避、凭证转储、横向移动、云 API 异常调用和恶意 OAuth 同意等场景中的性能，综合结果表明，与仅依赖单点 SIEM 规则相比，所提出方法在召回率、误报率与平均检测时间上具有显著优势。最后，本文讨论了生成式 AI 时代检测系统的新威胁，包括提示注入、模型数据外泄、AI 代理滥用与自动化钓鱼，并给出面向 2026 年的工程建议与未来研究方向。本文的贡献在于：构建了一个可解释、可运营、可扩展的检测体系，并将传统检测工程与 AI 时代的威胁现实统一在同一分析框架之中。
Read paper →Containers容器安全的系统化研究：从运行时隔离、供应链可信到AI驱动威胁检测的2026年实践框架
容器已从云原生应用的执行载体演化为现代企业基础设施的核心安全边界，同时也成为攻击者横向移动、供应链投毒、权限逃逸和隐蔽持久化的重要落点。本文面向2026年的真实威胁格局，系统研究容器安全的攻防对抗与防御工程化路径。首先，我们从容器的内核依赖、命名空间、cgroups、Linux Capability、AppArmor/SELinux、seccomp、rootless 模式与 OCI 生态出发，形式化定义容器面临的威胁面，并将风险分解为镜像层、构建层、编排层、运行时层与观测层五个维度。随后，提出一套可落地的方法论：以最小权限为约束，以供应链可验证性为前提，以运行时行为基线与 eBPF 观测为支撑，以 AI 辅助告警归并和异常解释为增强，构建从开发、交付到运行的闭环防护体系。本文同时结合已公开的真实攻击技术与典型事件，包括容器逃逸、挂载宿主机敏感路径、滥用 Docker socket、Kubernetes RBAC 误配、镜像投毒以及依赖污染等场景，讨论其利用链条与检测要点。实验部分以公开工具链和可复现实验配置为基础，对不同运行时防护组合在检测覆盖、性能开销和误报率方面进行比较，并给出面向生产环境的指标化评估框架。最后，本文通过一个云原生集群入侵案例，展示攻击者如何利用不安全镜像与过宽权限实现从容器到节点的扩展，以及防御方如何通过策略治理、SBOM、签名验证、只读根文件系统、drop capability 和持续威胁狩猎实现快速遏制。本文的贡献在于将容器安全从零散加固实践提升为可度量、可验证、可运营的系统工程，为2026年企业在零信任、CNAPP、eBPF 安全与AI治理背景下构建稳健容器防线提供实践参考。
Read paper →Secrets面向2026年的 Secrets 安全研究：从生成、存储、分发到检测、轮换与失效控制的全生命周期防护框架
Secrets 是现代软件供应链、云原生平台、AI 工作流与企业身份体系中的高价值资产，其泄露往往直接导致横向移动、供应链污染、云环境接管与长期隐蔽驻留。到 2026 年，攻击面已从传统代码仓库与配置文件扩展到 CI/CD 管道、IaC 模板、容器镜像层、日志与可观测性平台、SaaS 集成、LLM 代理工具链以及机器间身份令牌。本文围绕 secrets 的全生命周期——生成、传输、存储、使用、轮换、吊销与审计——提出一个面向 2026 威胁环境的系统化防护框架。论文首先总结 secrets 的类型学与典型失效模式，随后建立包含外部攻击者、内部威胁、供应链对手与自动化爬取器的威胁模型，并将 secrets 暴露过程形式化为可度量的风险函数。基于此，本文提出“分层最小暴露”方法，将静态扫描、运行时检测、身份绑定、短时凭证、集中托管、证明式访问控制与事件驱动轮换整合为可操作的工程体系。实现部分给出适用于 Git、GitHub Actions、Kubernetes、Vault、cloud-native 环境与 eBPF 可观测栈的具体部署模式。实验评估基于公开数据集、真实工具链与合成企业环境，对比了基线检测、上下文感知扫描与多引擎联动方案在精确率、召回率、误报率、平均检测时间与吊销时延方面的差异。案例研究展示一次由仓库历史中的高权限云密钥引发的攻击链，并说明如何借助轮换、审计与最小权限原则将影响面压缩至可控范围。本文最后讨论了生成式 AI 带来的 secrets 外泄新型路径、后量子密码迁移的凭证治理影响，以及 2026 年之后 secrets 防护在治理、度量与自动化方面的研究方向。
Read paper →AI Security面向大模型与企业AI流水线的AI安全体系：威胁建模、对抗评估、运行时防护与治理框架（2026）
随着生成式AI、检索增强生成（RAG）、智能体编排和企业级模型服务在2024—2026年间快速进入生产环境，AI安全已经从“模型鲁棒性”扩展为覆盖数据、训练、推理、插件、供应链、身份与治理的系统性安全问题。本文面向2026年的现实威胁态势，提出一个可落地的AI安全体系，聚焦大模型应用在真实企业环境中的高频风险：提示注入、间接提示注入、数据投毒、训练集后门、模型窃取、成员推断、越权工具调用、RAG知识库污染、敏感信息泄露、代理式行动滥用以及AI辅助社会工程。本文首先从攻击面角度给出统一威胁模型，并形式化描述AI系统在“数据—模型—工具—身份—审计”链路上的安全边界。随后提出一套分层防护方法，包括数据治理与来源校验、离线对抗评估、运行时策略约束、工具最小权限、输出过滤、机密分区、审计可追溯与红队持续验证。为验证方法的有效性，本文设计了一个面向企业RAG与智能体工作流的实验框架，结合公开基准、真实工具链和模拟业务场景，评估防护措施对攻击成功率、误报率、可用性与响应时延的影响。实验结果显示，单纯依赖提示词防护几乎无法抵御结构化攻击，而将模型侧约束与平台侧控制结合后，可显著降低提示注入与越权执行风险，同时保持可接受的业务性能。最后，本文通过一个财务知识助手的案例分析展示了从脆弱原型到受控生产系统的改造路径，并讨论2026年AI治理、零信任、CNAPP、eBPF安全与后量子密码迁移对AI安全工程的影响。本文的目标不是证明“大模型可被完全信任”，而是给出一套可审计、可度量、可运营的AI安全工程方法，以支持企业在2026年的真实部署需求。
Read paper →Crypto密码学在网络安全中的双重角色：从协议防护到攻击面扩张的2026年系统性研究
密码学长期被视为网络安全的基础能力，但在2026年的威胁环境中，它同时也是攻击者、平台方与防守方共同竞争的核心战场。本文系统研究“Crypto”在网络安全语境下的双重角色：一方面，它通过TLS 1.3、QUIC、端到端加密、硬件信任根、后量子密码与密钥管理体系，为云、终端、移动设备、工业控制与AI基础设施提供机密性、完整性与身份认证；另一方面，它也在勒索软件、加密货币窃取、证书滥用、供应链签名绕过、TLS/PKI误配置、边信道与实现缺陷中形成新的攻击面。本文以2026年的真实技术与威胁态势为边界，构建一个面向企业与关键基础设施的密码学安全分析框架，重点讨论协议层、实现层、密钥生命周期、基础设施信任链与操作治理五个维度的风险。我们提出一种可落地的方法论：将密码资产划分为发现、度量、验证、监测与响应五个阶段，并结合SBOM、SLSA、eBPF遥测、CNAPP、KMS/HSM审计和密码敏捷性指标，建立连续验证机制。本文还给出基于真实工具的实现示例，包括testssl.sh、openssl、tshark、step-ca、cfssl与Kubernetes密钥管理实践，并在实验评估中比较不同加密方案在延迟、吞吐、运维复杂度与风险暴露方面的差异。通过对SolarWinds式签名链、勒索软件的混合加密流程、以及证书生命周期管理失误的案例分析，本文说明“Crypto”不是单一技术，而是横跨协议、平台、合规与对抗的系统工程。最后，本文讨论后量子迁移、AI辅助密码治理、零信任中的密码依赖收缩以及面向2026后攻击面的演进方向。
Read paper →DFIR面向云原生与AI驱动威胁的DFIR方法论：2026年企业级数字取证与事件响应体系的建模、工程实现与实证评估
数字取证与事件响应（DFIR）在2026年的企业安全体系中，已从“事后取证”演化为贯穿侦测、遏制、恢复与法律合规的连续性能力。随着云原生基础设施、SaaS、远程终端、eBPF遥测、零信任架构、生成式AI辅助攻击以及供应链入侵的常态化，传统依赖磁盘镜像与人工日志检索的响应方式，已不足以满足低停留时间、高对抗强度和跨域证据保全的现实需求。本文提出一套面向2026年威胁环境的DFIR体系化方法，将证据生命周期管理、时间线重建、跨平台遥测融合、内存与容器取证、AI辅助分流与置信度校准、以及法律可采性约束统一到一个可操作的工程框架中。我们首先形式化DFIR问题，将事件响应目标抽象为在约束预算下最大化证据完整度、时序一致性与处置收益的多目标优化问题，并给出覆盖端点、云控制面、身份系统与网络遥测的威胁模型。随后提出一种分层方法：在数据层采用不可变证据仓库与哈希链；在分析层采用基于ATT&CK的行为归一化、基于时间窗的证据拼接与异常评分；在响应层采用预案化遏制、分级隔离与恢复门控。本文实现了一个原型管线，整合Velociraptor、TheHive、OpenSearch、Sigma、YARA、Plaso、Arkime与云审计日志，支持从多源数据自动生成可审计的调查包。实验部分在模拟企业环境与公开攻击数据集上评估了该方法，相比传统手工DFIR流程，在平均首响应时间、关键证据召回率与时间线构建效率上均表现出显著改善，同时保持了较低的误报干预率。最后，本文通过一例云账户劫持与横向移动事件分析，展示了该框架在真实场景中的可解释性、可复用性与合规价值。本文的贡献在于：为2026年的DFIR提供了一套兼顾速度、证据质量与法律约束的实证化工程范式，并对AI时代的取证自动化边界给出明确建议。
Read paper →Cloud云安全攻防一体化研究：面向多云、容器与生成式AI时代的云工作负载威胁建模、检测与响应框架
云计算在2026年已成为企业关键业务与数据处理的基础设施，但其攻击面也从传统虚拟机与API扩展到Kubernetes、服务网格、无服务器、SaaS集成、供应链镜像、身份联邦以及面向生成式AI的工作负载。与此同时，攻击者利用云控制平面暴露面、错误配置、临时凭证滥用、容器逃逸链、CI/CD注入、云原生日志规避与模型接口滥用，构建了比以往更隐蔽、更快速的横向移动路径。本文提出一个面向2026年威胁格局的云安全研究框架，聚焦多云环境中“身份—配置—运行时—遥测”四层联动的攻防闭环。首先，我们对云威胁进行形式化建模，将攻击链抽象为状态转移图，并以风险函数刻画暴露面、可利用性与检测延迟之间的耦合关系。其次，提出一种融合CNAPP、eBPF运行时遥测、IAM图分析与云审计日志关联的检测方法，能够同时覆盖静态错误配置、凭证泄露、异常API行为和容器内可疑进程树。再次，给出可复现实装方案，包括基于Terraform、OPA、Falco、CloudTrail、Azure Activity Logs、GCP Audit Logs、OpenTelemetry与Sigma规则的工程化落地路径。实验部分基于多云沙箱与公开攻击样本验证该框架，结果表明该方法在保持较低误报的同时，显著提升了对云工作负载横向移动、权限提升与数据外传行为的检测率。最后，结合一则真实风格的云入侵案例，讨论生成式AI时代下的云安全治理、零信任收敛、后量子迁移与AI治理对云防御体系的影响。本文的核心贡献在于为2026年的云安全运营提供一套兼具理论严谨性、工程可部署性与实战可操作性的统一方法。
Read paper →Secrets面向 2026 年企业环境的 Secrets 全生命周期安全：泄露、治理、检测与响应的系统化研究
在 2026 年的企业安全实践中，“Secrets”已成为比传统漏洞更高频、更具破坏性的失陷入口。API 密钥、云访问令牌、服务账户凭据、签名证书、Webhook Token、OAuth 客户端密钥、AI 平台访问令牌以及短期临时凭据，构成了现代数字基础设施的隐性控制面。一旦泄露，攻击者往往无需利用复杂漏洞即可直接获得横向移动、数据外传、供应链投毒和持久化访问能力。与经典漏洞管理不同，Secrets 风险具有强烈的时效性、上下文依赖性和扩散性：一个令牌可能跨仓库、CI/CD、制品库、IaC 模板、日志系统和聊天协作平台传播，并在数小时内被自动化武器化。本文系统研究 Secrets 在 2026 年企业环境中的攻击面、威胁模型、检测与响应方法，并提出一个覆盖“生成—分发—使用—轮换—撤销—审计”的全生命周期治理框架。研究以云原生基础设施、DevSecOps 流水线、AI 辅助开发环境和多云身份体系为背景，结合真实工具链（如 Gitleaks、TruffleHog、git-secrets、AWS IAM Access Analyzer、Microsoft Defender for Cloud、eBPF 运行时监测等）构建可落地的检测与度量体系。我们形式化定义 Secrets 风险为时间敏感、路径敏感和可传播的复合风险，并提出以“暴露半衰期”为核心指标的量化模型。进一步地，本文通过仿真与实证方式评估不同检测策略、最小权限设计、短期凭据机制与自动轮换策略的防护收益。结果表明，单纯依赖代码扫描远不足以应对现代 Secrets 风险，而将预提交、CI 扫描、云侧审计、运行时检测和自动化响应联动，可显著缩短暴露窗口并降低持久化概率。本文最后给出一个企业级实施蓝图与两类典型案例分析，为 2026 年及以后组织化 Secrets 防护提供可操作的参考框架。
Read paper →Detection面向云原生与AI驱动威胁的多层检测体系：从遥测融合、行为建模到可解释告警压缩的2026年研究
2026年的企业攻击面已经从传统终端与边界网络扩展到云原生平台、身份系统、软件供应链、生成式AI工作流以及大量机器可读的API接口。攻击者普遍采用低噪声、分段式、身份滥用优先的策略，传统以单点特征、静态规则和孤立日志为核心的检测方法，面对横向移动、令牌窃取、云控制面滥用、LLM提示注入与自动化钓鱼时，往往出现高误报、高漏报与不可解释三重问题。本文围绕“检测”这一网络安全核心能力，提出一套面向2026年威胁环境的多层检测体系，强调遥测标准化、行为图建模、时间序列异常检测、证据相关性推理与告警压缩。该体系将终端、网络、身份、云控制面与AI应用遥测统一映射到规范化事件空间，并使用风险评分函数 $R=\alpha A+\beta C+\gamma I+\delta T$ 对攻击链中的异常行为进行连续评估，其中 $A$ 表示异常强度，$C$ 表示上下文敏感性，$I$ 表示身份与权限偏离程度，$T$ 表示时间一致性破坏程度。实验部分基于公开攻击数据集、企业仿真遥测与若干实际工具链，比较了基线Sigma规则、传统监督学习、孤立森林与本文方法在检测率、误报率、平均告警压缩比与分析延迟方面的差异。结果表明，多层融合方法在保持较低误报的同时，显著提升了对慢速渗透、云侧持久化、凭证滥用与AI辅助社工行为的检出能力，并能够将高重复、低价值告警压缩为可操作调查任务。最后，本文讨论了检测系统在对抗样本、遥测投毒、隐私约束与模型漂移条件下的局限，并提出面向2026年之后的自适应检测、eBPF级细粒度遥测、PQC时代身份验证与AI治理结合方向。
Read paper →AI Security面向2026年企业生成式AI系统的安全防护框架：从提示注入、RAG污染到模型供应链风险的系统化研究
近年来，生成式AI已经从辅助工具演变为企业核心基础设施的一部分，广泛嵌入检索增强生成、代码助手、智能客服、SOC分析、知识管理和自动化编排流程之中。与此同时，攻击者也将传统Web攻击、供应链投毒、社工欺骗与模型特有的提示注入、间接提示注入、检索污染、训练数据污染、越权工具调用和模型窃密等手法结合，形成了面向AI系统的新型攻防面。本文面向2026年的企业环境，提出一个覆盖数据层、模型层、工具层与运行时层的AI安全防护框架，目标是降低机密泄露、错误自动化、策略绕过和供应链污染带来的系统性风险。本文首先建立威胁模型，将攻击面划分为输入空间、检索空间、工具执行空间与模型权重/适配器空间，并以风险函数 $R = \sum_i P_i \cdot I_i \cdot E_i$ 对主要风险进行形式化描述。随后提出一套可落地的方法论：在数据侧引入来源可追溯、内容分级与污染检测；在模型侧结合系统提示最小化、输出约束、对抗性评测与基于策略的拒答；在RAG侧结合文档信誉评分、跨源一致性验证与检索隔离；在工具侧采用最小权限、显式确认、沙箱执行与eBPF/审计遥测；在运营侧构建红队化评估、持续监测与事件响应闭环。我们进一步给出一个企业级实现方案，并通过模拟实验比较基线系统与加固系统在提示注入成功率、敏感信息外泄率、误工具调用率和平均响应时延上的差异。结果表明，综合防护可显著降低高危攻击的成功概率，同时保持可接受的服务性能。最后，本文结合一个典型的“内部知识库+代码助手+自动化工单”案例，讨论现实部署中的治理、合规、可解释性与人机协同问题，并展望后训练治理、模型水印、PQC迁移、AI治理与持续对抗评测的发展方向。
Read paper →Crypto2026年密码系统安全：从协议设计、密钥管理到云原生与后量子迁移的攻击面分析与防护框架
密码机制是现代网络安全的根基，但在2026年的真实环境中，“使用了加密”并不等于“系统安全”。大量事件表明，攻击者越来越少直接攻破数学本身，而是转向密钥生命周期、实现缺陷、协议降级、供应链污染、云原生配置错误、终端内存暴露、证书治理失败以及面向大模型与自动化工作流的间接泄露通道。与此同时，TLS 1.3、QUIC、mTLS、KMS/HSM、零信任、CNAPP、eBPF 可观测性、SBOM 与后量子密码迁移已成为组织级安全体系的重要组成部分，但这些能力若缺乏统一威胁建模与可验证治理，仍会在高强度对抗中失效。本文围绕“Crypto”在网络安全语境中的完整含义，系统分析对称密码、非对称密码、密钥交换、证书体系、消息认证、密码敏捷性与后量子迁移所面临的主要风险，并提出一种面向2026年威胁态势的分层防护框架。该框架将资产敏感度、密钥暴露面、协议依赖链、实现成熟度和迁移成本纳入统一评估函数，结合自动化配置审计、密钥轮换策略、远程证明、HSM 强制边界、eBPF 运行时检测与分阶段后量子混合部署，实现从“算法正确”到“系统可运营”的安全闭环。我们通过实验性评估比较了传统静态TLS配置、现代TLS 1.3/mTLS基线与后量子混合握手在握手时延、CPU 开销、失败率及可观测性上的差异，并结合典型案例说明证书滥发、秘密泄露、JWT 误用、重放、降级与私钥外移如何在真实环境中演化为可利用攻击路径。研究结果表明，2026年的密码安全本质上是一个跨协议、跨平台、跨治理边界的工程问题，必须将密码学、软件供应链、基础设施即代码、身份治理与事件响应统一纳入风险管理体系。
Read paper →DFIR面向云原生与终端融合环境的DFIR体系：基于eBPF、Sigma、YARA、内存取证与自动化证据链的2026研究
数字取证与事件响应（DFIR）在2026年的企业安全体系中已从“事后分析”演进为贯穿检测、遏制、恢复与复盘的连续能力。随着云原生基础设施、远程办公终端、SaaS身份体系以及生成式人工智能驱动的社会工程攻击普及，攻击者的驻留时间缩短、横向移动速度提升、证据碎片化程度加剧，传统以磁盘镜像和人工排查为中心的工作流已难以满足高频、高并发、高复杂度事件的处置需求。本文提出一种面向云原生与终端融合环境的DFIR方法论，强调以可验证证据链为核心，以eBPF遥测、Sigma规则、YARA特征、内存取证、容器与Kubernetes审计日志、云审计轨迹和身份事件为多源输入，构建“采集—规范化—关联—假设验证—响应—复盘”的闭环流程。我们首先形式化DFIR问题，将其描述为在预算、时延和证据完整性约束下，对跨主机、跨账户、跨租户事件图进行最优假设搜索与置信更新。随后提出一个分层方法：边缘侧通过eBPF与EDR采集高保真行为遥测；平台侧通过对象存储与不可变日志保全证据；分析侧利用时间线聚合、进程树重建、身份链路关联与IOC/IOA混合评分实现快速分流；响应侧结合SOAR、Jupyter化分析和标准化工单自动生成处置建议。我们在典型Windows、Linux、Kubernetes与云审计场景中评估该方法，结果显示相较传统人工DFIR流程，平均首响应时间可降低37%至61%，关键证据发现率提升18%至32%，证据链可重复验证性显著增强。本文进一步以一次云账户劫持并伴随容器逃逸尝试的案例研究，展示如何将磁盘、内存、容器日志与身份事件统一到同一证据图中。最后讨论了AI辅助调查、对抗性日志污染、隐私合规、后量子加密归档和DFIR治理等2026年关键问题，并提出未来面向自治响应与可信证明的研究方向。
Read paper →Cloud云安全攻防一体化研究：面向2026年的多云、容器与身份边界威胁建模、检测与响应框架
云计算已成为2026年企业信息系统的默认承载底座，但其安全边界早已从“基础设施硬化”转向“身份、配置、供应链、运行时与数据流的系统性治理”。本文围绕公有云、混合云与多云环境中的核心攻击面，提出一套面向实战的云安全攻防一体化研究框架，系统分析从控制平面滥用、IAM权限漂移、容器逃逸、Kubernetes配置失误、无服务器函数供应链污染，到生成式AI辅助社工与云原生数据泄露的完整威胁链条。我们基于2026年的技术格局，结合零信任、CNAPP、eBPF运行时监控、CIEM、CSPM、SSPM与态势感知日志分析等能力，构建可形式化表达的威胁模型，并提出分层检测与响应方法。该方法将攻击路径表示为有向图上的风险传播过程，通过权限距离、配置暴露面与运行时异常度共同建模，定义综合风险函数 $R=\alpha P+\beta C+\gamma B+\delta D$，其中分别代表权限、配置、基线偏离与数据敏感度因素。实验部分采用真实云原生组件、公开漏洞样本与对照基线，评估了不同防护策略在检测覆盖率、误报率、响应延迟和攻击路径收敛时间上的效果。结果表明，结合身份治理、最小权限、实时审计与运行时策略强制的方案，可显著降低横向移动成功率与高危暴露窗口。最后，本文通过一起多云环境中由密钥泄露引发的控制平面入侵案例，展示了从初始访问、权限提升到数据外传的完整取证与处置过程，并讨论了AI时代云安全治理、后量子加密迁移与自治防御编排的发展方向。本文旨在为2026年的云安全研究、红队评估与蓝队防护提供一套兼具理论严谨性与操作可行性的参考框架。
Read paper →Phishing面向2026年多通道与AI增强钓鱼威胁的检测、归因与防御框架：从邮件、短信、语音到协同软件的系统化研究
钓鱼攻击在2026年已从单一电子邮件欺骗演化为覆盖电子邮件、短信、即时通讯、协同办公平台、语音通话与生成式内容伪造的多通道复合型攻击体系。攻击者广泛利用品牌仿冒、域名同形字、OAuth授权滥用、会话劫持、二维码跳转、业务流程欺骗以及大模型驱动的社会工程生成，显著降低了传统基于关键字和静态规则的检测有效性。本文提出一个面向2026年威胁环境的系统化钓鱼研究框架，围绕威胁建模、特征抽取、图谱关联、行为分析与人机协同响应构建多层防御链路。该框架将邮件头部、URL结构、证书链、网页DOM、登录流程、OAuth同意页、短信路由元数据、语音话术转写以及终端遥测统一映射为可计算的攻击路径，并结合贝叶斯风险评分与图神经关联分析形成分层判定机制。我们在公开语料、企业防护日志与模拟演练数据上设计实验，比较传统规则引擎、梯度提升模型、Transformer分类器和图谱融合方法在精确率、召回率、误报率与平均检测时延上的表现。结果表明，单一静态规则对于跨通道与生成式钓鱼的检出能力明显不足，而融合上下文行为、身份关系和基础设施复用特征后，系统在保持低误报率的同时显著提升对高级持续性钓鱼活动的识别能力。本文进一步讨论了MFA疲劳攻击、会话令牌窃取、云身份滥用、对抗性样本与AI辅助社会工程等新兴风险，并提出适用于SOC、邮件安全网关、身份安全平台和SASE环境的部署建议。研究表明，2026年的钓鱼防御必须从“内容过滤”转向“身份、行为与基础设施联防”，并以可验证的响应闭环替代单点告警驱动模式。
Read paper →DFIR面向2026年混合云与AI驱动威胁环境的数字取证与事件响应（DFIR）体系：基于证据优先、自动化关联与可验证重建的统一方法
数字取证与事件响应（DFIR）在2026年的安全运营中已从“事后分析”演变为贯穿预防、检测、遏制、根除与恢复的证据工程体系。随着混合云、SaaS、容器、身份即边界、远程办公常态化以及生成式AI被大规模用于钓鱼、投递与社工，事件调查面临三类系统性挑战：其一，证据高度分布化，跨越终端、网络、云审计、身份平台、代码仓库与协作系统；其二，攻击者广泛采用无文件化、Living-off-the-Land、合法凭据滥用、短时驻留与自动化规避；其三，AI辅助的告警洪泛与伪装内容显著提高了误判与漏判风险。本文提出一套面向2026年的DFIR统一方法论：证据优先采集、时间线规范化、跨域实体解析、攻击链图谱建模、可验证事件重建与处置闭环。该方法将NIST、ISO/IEC 27043与CIDF的核心思想具体化为可操作流程，并结合EDR、KQL、Sigma、YARA、Zeek、Velociraptor、Timesketch、Plaso、VelociRaptor、osquery、eBPF与云原生日志服务构建多层证据管线。我们进一步定义以证据完整度、重建置信度、平均遏制时间和误归因率为核心的评价指标，并通过两个真实世界风格案例验证：一例为凭据窃取后横向移动与Azure AD滥用，另一例为CI/CD供应链投毒与容器逃逸尝试。实验结果表明，在保持证据可审计与可重复的前提下，该方法可将关键时间轴重建误差降低到分钟级，并将高优先级告警筛选效率提升约3倍。本文旨在为2026年的SOC、CSIRT、MDR与法证团队提供一套可直接落地的DFIR参考架构，兼顾实战性、可验证性与合规性。
Read paper →