原创 riusksk 2026-07-20 11:02 广东
12
网安四大顶会论文
4
软工 / 安全测试顶会
10
AI 顶会(含研讨会)
8
相关预印本参考
OVERVIEW · 概述
大语言模型(LLM)智能体正在重塑漏洞研究的全生命周期。本报告系统检索 2026 年网络安全、软件工程与人工智能领域的顶级会议,汇总其中"以 Agent 为执行主体、用于漏洞挖掘/验证/利用/修复"的论文。
本次检索覆盖 11 个目标会议:网安四大顶会(IEEE S&P、ACM CCS、USENIX Security、NDSS)、软工顶会(ICSE、FSE、ASE)、安全测试顶会(ISSTA)、AI 顶会(NeurIPS、ICML、ICLR、AAAI、IJCAI、CVPR)。检索时点为 2026 年 7 月 19 日,各会议状态如下:
| 会议 | 举办时间 | 论文公布情况 | 相关论文数 |
|---|---|---|---|
| NDSS 2026 | 2026 年 2 月 | 已公布(完整) | 4 篇 |
| IEEE S&P 2026 | 2026 年 5 月 | 已公布(完整) | 3 篇 |
| USENIX Security 2026 | 2026 年 8 月 | Cycle 1 已公布,Cycle 2 待公开 | 2 篇 |
| ACM CCS 2026 | 2026 年 11 月 | Cycle 1 通知(7/17),完整列表待公开 | 3 篇(+1 待确认) |
| ICSE 2026 | 2026 年 4 月 | 已公布(完整) | 2 篇 |
| FSE 2026 | 2026 年 7 月 | 已公布 | 2 篇 |
| ASE 2026 | 2026 年 10 月 | 通知刚发,proceedings 未公开 | 待核实 |
| ISSTA 2026 | 2026 年 10 月 | 通知已发,proceedings 未公开 | 待核实 |
| ICLR 2026 | 2026 年 5 月 | 已公布(完整) | 3 篇主会 + 2 篇研讨会 |
| ICML 2026 | 2026 年 7 月 | 已公布 | 1 篇主会 + 2 篇研讨会 |
| AAAI 2026 | 2026 年 1 月 | 已公布 | 1 篇研讨会 |
| CVPR 2026 | 2026 年 6 月 | 已公布 | 0 篇(无相关主题) |
| IJCAI 2026 | 2026 年 8 月 | 即将召开,列表未完全公开 | 待核实 |
| NeurIPS 2026 | 2026 年 12 月 | 尚未召开(通知 9/24) | 无法检索 |
注:ICLR 与 ICML 含研讨会论文;CCS 含 1 篇归属待确认论文。
任务类型说明:挖掘(漏洞发现/检测)、验证(漏洞确认/PoV/PoC 生成)、利用(漏洞利用/exploit 生成/渗透测试)、修复(漏洞补丁/程序修复)。
PART 1 · 网安四大顶会
网安四大顶会是漏洞研究最核心的发表阵地。2026 年四大会议共检索到 12 篇相关论文(NDSS 4 篇、S&P 3 篇、USENIX 2 篇、CCS 3 篇),另有 1 篇 CCS 归属待确认。
NDSS 2026网络与分布式系统安全研讨会2026 年 2 月 · 已完整公布
01FirmAgent: Leveraging Fuzzing to Assist LLM Agents with IoT Firmware Vulnerability DiscoveryFirmAgent:利用模糊测试辅助 LLM 智能体发现 IoT 固件漏洞
(信息工程大学) · (清华大学网络科学与网络空间研究院/JCSS) · (先进计算与智能工程实验室)
摘要FirmAgent 是首个混合解决方案,利用模糊测试(fuzzing)辅助 LLM 智能体发现 IoT 固件中的漏洞。其设计动机来自一个关键观察:模糊测试能准确识别固件中与输入相关的代码点,而静态分析能从这些代码点出发深入分析程序路径。FirmAgent 利用模糊测试收集运行时输入点(即污点源)并重建潜在漏洞路径,然后应用一个 LLM 智能体(污点传播智能体)沿潜在路径执行上下文感知的污点分析,再由另一个 LLM 智能体(PoC 生成智能体)将模糊测试生成的测试用例精炼为可验证漏洞的 PoC。在 14 个真实 IoT 固件上的评估中,FirmAgent 以 91% 的精度识别出 182 个漏洞,包含 140 个此前未知漏洞,其中 17 个已获 CVE 编号。它在检测能力和精度上均显著超越 SOTA 工具。
02Context Relay for Long-Running Penetration-Testing Agents (CHAP)面向长期运行渗透测试智能体的上下文中继
(瑞典皇家工学院 KTH Royal Institute of Technology) · (瑞典国防研究院 FOI Swedish Defence Research Agency)
摘要虽然基于 LLM 的渗透测试正在快速进步,但自主智能体仍难以完成较长时间的多阶段漏洞利用。随着智能体执行侦察、尝试利用漏洞、在系统间横向移动,token 上下文窗口会被探索过程和失败尝试填满,导致决策质量下降。本文提出 CHAP(Context Handoff for Autonomous Penetration Testing),一种为 LLM 驱动智能体设计的上下文中继系统。CHAP 使智能体能够通过将积累的知识作为紧凑协议传递给新的智能体实例来维持长期运行的渗透测试。在 AutoPenBench 扩展版基准上的评估显示,CHAP 针对 11 个真实漏洞,将每次运行的成功率从 27.3% 提升至 36.4%,同时相比基线智能体减少 32.4% 的 token 开销。
03AWE: Adaptive Agents for Dynamic Web Penetration TestingAWE:面向动态 Web 渗透测试的自适应智能体
(Stux Labs)
摘要现代 Web 应用越来越多地通过 AI 辅助开发和快速 no-code 部署流水线产生,加剧了软件速度与安全工具适应性之间的差距。模式驱动的扫描器无法理解新场景,而新兴的基于 LLM 的渗透测试工具依赖无约束的探索,导致成本高、行为不稳定、可复现性差。本文提出 AWE,一种记忆增强的多智能体框架,用于自主 Web 渗透测试,将结构化、特定漏洞类型的分析流水线嵌入到轻量级 LLM 编排层中。与通用智能体不同,AWE 将上下文感知的 payload 变异和生成与持久记忆及浏览器验证相结合,产生确定性的、漏洞利用驱动的结果。在 104 道题的 XBOW 基准上评估,AWE 在注入类漏洞上取得显著成果——XSS 成功率 87%(较 MAPTA 提升 30.5%)、盲注 SQLi 成功率 66.7%(提升 33.3%)——同时比 MAPTA 更快、更便宜、更高效。
04BSFuzzer: Context-Aware Semantic Fuzzing for BLE Logic Flaw DetectionBSFuzzer:面向 BLE 逻辑缺陷检测的上下文感知语义模糊测试
(西安电子科技大学) · (金泽大学) · (中央财经大学) · (北亚利桑那大学) · (海南大学) · (中国科学院大学) · (清华大学)
摘要蓝牙低功耗(BLE)是现代互联设备的基础通信标准,但其复杂设计引入了细微的逻辑缺陷(如字段误解或无效状态转换),可导致认证绕过、未授权控制或 DoS 攻击,且常规避传统模糊测试和形式化分析。本文提出 BSFuzzer,一种由 Bluetooth Core Specification 引导的黑盒、上下文感知语义模糊测试框架。BSFuzzer 使用 LLM 智能体对蓝牙规范进行语义解析,从文本、图表和上下文中提取状态机和包语义;然后生成两类变异:违反协议规则的字段级变异和破坏关键状态转换的状态级变异。LLM 智能体还用于根据预期行为验证响应,能检测传统 fuzzer 无法发现的细微逻辑缺陷。在 19 款真实 BLE 设备(9 个 SoC 模块、10 款智能手机)上的评估中,BSFuzzer 发现 36 个安全问题,含 34 个此前未知 bug,其中 9 个获 CVE 编号。
S&P 2026IEEE 安全与隐私研讨会(Oakland)2026 年 5 月 · 已完整公布
05Agentic Concolic Execution智能体驱动的 Concolic 执行
(新加坡国立大学 National University of Singapore) · (英国帝国理工学院 Imperial College London)
摘要该论文提出"Agentic Concolic Execution",将 LLM 智能体与 concolic 执行(混合具体执行与符号执行)相结合,用于程序分析与漏洞发现。其核心思想是让 LLM 智能体动态指导 concolic 执行引擎,利用智能体的语义推理能力突破传统符号执行面临的约束求解瓶颈,从而能够探索更深的程序路径并触发更多漏洞。这是将 LLM agent 范式引入符号执行/测试生成领域的工作,展示了智能体在自动化漏洞发现中的潜力。
06GONDAR: Contextualizing Sink Knowledge for Java Vulnerability DiscoveryGONDAR:上下文化 Sink 知识用于 Java 漏洞发现
(美国佐治亚理工学院 Georgia Institute of Technology) · (三星研究院 Samsung Research) · (加拿大滑铁卢大学 University of Waterloo)
摘要Java 应用易受安全敏感 API(如文件操作导致路径遍历、反序列化导致 RCE)的不安全使用所引发的漏洞。现有 fuzzer 在很大程度上忽视了这种特定漏洞知识,限制了其有效性。本文提出 GONDAR,一种以 sink 为中心的 fuzzing 框架,系统性利用 sink API 语义进行有针对性的漏洞发现。GONDAR 首先通过 CWE 特定扫描结合 LLM 辅助的静态过滤识别可达且可利用的 sink 调用点;然后部署两个专门智能体与覆盖率引导的 fuzzer 协作:(1)探索智能体(exploration agent)通过迭代求解路径约束生成到达目标调用点的输入;(2)利用智能体(exploitation agent)通过推理和满足漏洞触发条件来合成 PoC exploit。智能体与 fuzzer 持续交换种子和运行时反馈,互相补充。在真实 Java 基准上,GONDAR 发现的漏洞数量是 SOTA Java fuzzer Jazzer 的 4 倍。GONDAR 还在 DARPA AI 网络挑战赛(AIxCC)中表现优异,并已集成到 Linux 基金会 OpenSSF 的 OSS-CRS 沙箱项目中。
07Neo: Detecting Privilege Escalation in Polyglot Microservices via Agentic Program AnalysisNeo:通过智能体化程序分析检测多语言微服务中的权限提升漏洞
(美国约翰斯·霍普金斯大学 Johns Hopkins University) · (美国哥伦比亚大学 Columbia University)
摘要微服务架构在云系统中广泛采用,但其在权限和权限控制方面引入了显著复杂性,存在权限提升风险——攻击者可获得未授权的资源或操作访问。检测此类漏洞极具挑战,因为存在复杂的跨服务交互、多语言代码库以及多样化的特权操作和权限检查。本文提出 Neo,一个结合 LLM 与经典程序分析的智能体化程序分析框架。Neo 利用基于 LLM 的智能体动态生成分析计划、调整代码搜索策略并验证语义。我们开发了代码搜索原语,使 Neo 能在跨服务和跨语言间进行可扩展、灵活的代码探索。在 25 个开源微服务应用(7 种编程语言、620 万行代码)上的评估中,Neo 发现 24 个零日权限提升漏洞,在 ground-truth 数据集上达到 81.0% 精度和 85.0% 召回率,相比现有程序分析和 agentic 解决方案均有显著改进。
USENIX 2026USENIX 安全研讨会2026 年 8 月 · Cycle 1 已公布
08iFinder: Understanding Implicit Trust Errors in Core Carrier Networks through Multi-Agent Flaw Discovery and AnalysisiFinder:通过多智能体缺陷发现与分析理解核心承载网中的隐式信任错误
(新加坡南洋理工大学 Nanyang Technological University)
摘要蜂窝核心网(CN)是关键基础设施,但其内部安全模型长期依赖物理隔离——核心组件之间的接口通常在假定信任域内运行。随着 CN 向云原生部署转型,此假设弱化,使外部对手能触及此前内部的接口。通过对开源 CN 实现中 GitHub issues 报告的安全缺陷进行根因分析,我们发现了 CN 组件间反复出现的"盲目信任"模式——组件可能省略语法验证、未强制执行语义不变式,或在未检查可用性的情况下分配资源。一旦内部接口变得可达,这些弱点可导致拒绝服务、会话劫持等严重后果。我们称之为"隐式信任错误"(iTrue)。为检测 iTrue 并理解其安全影响,我们设计了 iFinder——一个 LLM 驱动的多智能体系统,可总结已知缺陷、将其提炼为检测模式,并应用这些模式发现 CN 实现中的新 iTrue。为抑制 LLM 幻觉,我们构建了一种交叉检查 3GPP 规范和 CN 代码的创新策略;还开发了利用 LLM 生成 PoC exploit 并通过自动执行迭代精炼的技术。在 7 个主流开源 CN 实现上运行 iFinder,发现 84 个此前未知漏洞,其中 83 个已被确认,81 个已分配 CVE 编号。一个会话劫持缺陷已在真实商业 5G 核心网络上得到确认。
09SoK: DARPA's AI Cyber Challenge (AIxCC): Competition Design, Architectures, and Lessons LearnedSoK:DARPA AI 网络挑战赛(AIxCC)——竞赛设计、架构与经验教训
(美国佐治亚理工学院 Georgia Institute of Technology) · (及其他 AIxCC 参赛团队机构)
摘要DARPA AI 网络挑战赛(AIxCC,2023-2025)是迄今为止规模最大的竞赛,旨在构建完全自主的网络推理系统(CRS),利用 AI(尤其是 LLM)在真实开源软件中发现并修复漏洞。本文对 AIxCC 进行首次系统性分析。基于设计文档、源代码、执行追踪以及与组织者和参赛团队的讨论,论文审视了竞赛结构和关键设计决策,刻画了决赛 CRS 的架构方法,并分析了超越最终成绩单的竞赛结果。分析揭示了真正驱动 CRS 性能的因素、团队所取得的真正技术进步,以及仍待解决的限制。论文最后总结了组织未来竞赛的经验教训,以及部署自主 CRS 的更广泛见解。该 SoK 综述系统性地总结了 autonomous CRS(即 agent 用于漏洞发现与修复)在 AIxCC 中的设计、架构与实践经验。
CCS 2026ACM 计算机与通信安全会议2026 年 11 月 · Cycle 1 通知(7/17),完整列表待公开
10PBFuzz: Agentic Directed Fuzzing for PoV GenerationPBFuzz:面向 PoV 生成的智能体化导向模糊测试
(美国加州大学河滨分校 University of California, Riverside) · (美国明尼苏达大学双城分校 University of Minnesota, Twin Cities)
摘要PoV(Proof-of-Vulnerability)输入生成是软件安全中的关键任务,支持路径生成与验证等下游应用。生成 PoV 输入需要求解两类约束:(1)到达漏洞代码位置的可达性约束;(2)激活目标漏洞的触发约束。现有方法(包括导向灰盒模糊测试和 LLM 辅助模糊测试)难以高效满足这些约束。本工作提出一种模仿人类专家的智能体化方法:人类分析师迭代研究代码以提取语义可达性和触发约束,形成关于 PoV 触发策略的假设,将其编码为测试输入,并利用调试反馈精炼其理解。我们用 PBFuzz——一个智能体化导向模糊测试框架——自动化此过程。PBFuzz 解决了 agentic PoV 生成中的四个挑战:自主代码推理提取语义约束、自定义程序分析工具进行目标推理、持久记忆避免假设漂移、以及基于属性的测试以高效求解约束同时保留输入结构。在 Magma 基准上的实验显示,PBFuzz 触发了 57 个漏洞(超过所有基线),并独占触发了 17 个其他方法无法触发的漏洞;PBFuzz 在每个目标 30 分钟预算内实现,而传统方法用 24 小时;中位暴露时间为 339 秒(PBFuzz)对比 8680 秒(AFL++ with CmpLog),效率提升 25.6 倍。
11BACAgent: LLM-Powered Detection of Broken-Access-Control Vulnerabilities in Web ApplicationsBACAgent:基于 LLM 的 Web 应用越权访问控制漏洞检测
(中国复旦大学 Fudan University)
摘要BACAgent 是一种基于 LLM 的智能体系统,用于自动检测 Web 应用中的 Broken-Access-Control(BAC,越权访问控制)漏洞。BAC 是 Web 应用中最常见且最具危害的漏洞类型之一,但传统静态/动态分析工具难以有效识别此类涉及业务逻辑的漏洞。BACAgent 利用 LLM 智能体对 Web 应用的权限检查逻辑进行语义理解、跨服务跟踪和漏洞推理,实现对 BAC 漏洞的自动化检测。该方法克服了传统工具在理解复杂业务逻辑和跨服务权限传递方面的局限,展示了智能体在逻辑漏洞检测领域的应用潜力。
12The Illusion of Rust Safety: Detecting Modular Unsafe Functions with LLMs (COIN)Rust 安全的幻象:使用 LLM 检测模块化不安全函数
(美国佐治亚理工学院 Georgia Institute of Technology) · (其他合作机构)
摘要内存安全漏洞约占已报告安全 bug 的 70%,促使了 Rust 的采用——这是一种通过编译时检查防止此类问题的系统编程语言。虽然 Rust 将代码分为 safe 和 unsafe 区域,但我们识别出一类此前未被充分研究的漏洞:Rust 代码中的模块化不安全函数(MUFs)。这些函数对编译器看似安全,但在整个模块的 API 上下文中实际上是不安全的,可在不使用 unsafe 关键字的情况下导致未定义行为,造成误导性的安全感和 Rust 中的 unsound 问题。本文首次对 MUFs 进行系统研究,从经验分析中定义了五个根因类别。我们开发了 COIN,一种使用微调大语言模型进行漏洞识别和 PoC 生成的检测系统。COIN 在标注评估集上达到 63.7% 精度和 80.4% 召回率,超越现有工具。在对随机抽样的 Rust crate 的评估中,COIN 识别出 26 个未知 MUFs,其中 14 个获开发者确认,10 个被分配 CVE 编号。
13Kumushi: Root-Cause-Driven Automated Vulnerability RepairKumushi:根因驱动的自动化漏洞修复
(美国亚利桑那州立大学 Arizona State University) · (德国 CISPA 亥姆霍兹信息安全中心)
摘要近期的 LLM 系统使自动化漏洞修复变得日益实用,但仍有两大挑战:第一,没有关于 bug 起源的强信号,修复智能体(repair agent)会倾向于浅层编辑——虽然消除了观察到的失败但未解决底层缺陷。第二,找到 bug 的根因很困难:即使是熟悉代码库的开发者也经常修复症状而非根因,LLM 智能体在更嘈杂的上下文和更弱的程序理解下也不例外。本文提出 Kumushi,一种根因驱动的修复智能体(patching agent),通过将多样化的动态故障定位与证据加权排序相结合,将 LLM 的注意力集中在与缺陷最相关的代码上。为严格衡量 Kumushi 是否产生真正更好的补丁,论文还引入了一种两级补丁质量指标,将自动化 oracle 验证与结构化专家评估相结合。在 178 个 C/C++ 漏洞上的评估中,Kumushi 在自动化评估下显著优于先前的专用修复智能体,并匹敌前沿的商业编码智能体(OpenAI Codex)。专家评估显示:在两者都产生可信补丁的 144 个 bug 中,人类专家盲评在 68 个(47%)上更偏好 Kumushi,39 个(27%)偏好 Codex,37 个(26%)认为等同。
PART 2 · 软工与安全测试顶会
软件工程与安全测试顶会是自动化程序修复与漏洞检测的重要发表渠道。2026 年 ICSE 与 FSE 共检索到 4 篇相关论文,ASE 与 ISSTA 因 proceedings 尚未公开暂未找到明确归属论文。
ICSE 2026国际软件工程会议2026 年 4 月 · 已完整公布
14Fixing Security Vulnerabilities with Agentic AI in OSS-Fuzz (CodeRover-S)使用智能体 AI 修复 OSS-Fuzz 中的安全漏洞
(新加坡国立大学) · (新加坡国立大学) · (新加坡国立大学) · (SonarSource) · (新加坡国立大学)
摘要关键开源软件系统通过长期的模糊测试活动进行大量验证。模糊测试对程序输入域进行有偏随机搜索以发现使软件崩溃的输入。Google 的 OSS-Fuzz 是持续验证开源系统的最重要基础设施,已识别超过 13,000 个漏洞,但这些漏洞往往仍未被修补,因为修补在实践中通常是手动的。本研究探索使用大语言模型(LLM)智能体进行自动化漏洞修复,据我们所知这是首次对 OSS-Fuzz 上 LLM 辅助安全补丁进行系统研究。我们将通常从 issue 描述修复 bug 的 AutoCodeRover 智能体适配到安全领域,提出 CodeRover-S。该智能体不使用 issue 文本,而是通过执行漏洞利用输入提取与漏洞相关的代码元素,并用静态类型信息增强补丁生成。在历史漏洞基准上,智能体在 61%–72% 的案例中生成了合理补丁;在 OSS-Fuzz 报告的真实未修补漏洞上,智能体生成了 73.3% 的合理补丁,多个补丁已被合并到广泛使用的开源项目中。这证明了 LLM 智能体自动化漏洞修复的实用性,以及从检测到修复的端到端软件保护周期的可行性。
15Let the Trial Begin: A Mock-Court Approach to Vulnerability Detection using LLM-Based Agents (VulTrial)审判开始:基于 LLM 智能体的法庭模拟漏洞检测方法
(新加坡管理大学) · (新加坡政府科技局 GovTech) · (悉尼大学)
摘要检测源代码中的漏洞仍是一项关键且具有挑战性的任务,尤其是当良性函数与漏洞函数高度相似时。本文提出 VulTrial,一个受法庭审判启发的多智能体框架,用于增强自动化漏洞检测。它采用四个角色特定的智能体:安全研究员、代码作者、主持人(moderator)和评审委员会(review board)。通过使用 GPT-3.5 和 GPT-4o 的广泛实验,证明 VulTrial 优于单智能体和多智能体基线。使用 GPT-4o 时,VulTrial 将正确标注的样本对数比各自基线提高了 41 和 37(约翻倍)。此外,使用少量数据(50 对样本)对 VulTrial 进行角色特定指令微调,可将正确标注对数提高 56 和 52 个点。研究还分析了增加智能体交互次数对 VulTrial 整体性能的影响,发现将 VulTrial 应用于像 GPT-3.5 这样低成本的模型,可使其性能超过单智能体设置下的 GPT-4o,且总成本更低。
FSE 2026欧洲软件工程会议/软件工程基础研讨会2026 年 7 月 · 已公布
16ChainDelta: Automatic Patch-based Exploit Generation for Ethereum with Fuzzing AgentsChainDelta:基于模糊测试智能体的以太坊补丁驱动漏洞利用自动生成
(中山大学) · (中山大学软件工程学院) · (浙江大学)
摘要鉴于以太坊的关键性,利用已修补但尚未广泛部署的 1-day 漏洞至关重要。自动补丁驱动漏洞利用生成(APEG)是一项有前景的技术,可帮助开发者理解根因、验证下游 fork 的修复并检测不完整补丁。然而现有漏洞利用生成工具在以太坊上效果不佳,存在三大挑战:(1)导航补丁中隐藏的复杂跨语言利用路径;(2)合成复杂的有状态环境配置;(3)处理区块链节点间导致误报的非确定性不一致。本文提出 ChainDelta,一个由大语言模型驱动的模糊测试智能体框架,基于以太坊安全补丁自动生成漏洞利用。ChainDelta 包含三个核心模块:定向模糊器利用调用图分析引导测试走向补丁信息指向的漏洞代码;基于智能体的环境模糊器作为专家自动设置触发漏洞所需的区块链状态;状态感知消毒器在监控区块链瞬态状态的同时执行差异分析,以区分真实不一致与良性非确定性。在包含真实漏洞补丁的多样基准上评估,ChainDelta 以 70% 成功率生成漏洞利用,误报率仅 12.5%。真实审计活动还发现了 4 个此前未披露的漏洞并获得赏金。
17CodeCureAgent: Automatic Classification and Repair of Static Analysis WarningsCodeCureAgent:静态分析告警的自动分类与修复
(CISPA 亥姆霍兹信息安全中心,德国)
摘要静态分析工具广泛用于检测 bug、漏洞和代码异味。开发者通常必须手动解决这些告警。本文提出 CodeCureAgent,利用基于 LLM 的智能体自动分析、分类和修复静态分析告警。与以往遵循预定算法的方法不同,CodeCureAgent 采用智能体框架,迭代调用工具从代码库中收集额外信息(如代码搜索)并编辑代码库以解决告警;它能检测并抑制误报,同时修复识别出的真正告警。采用三步启发式审批补丁:(1)构建项目;(2)验证告警消失且不引入新告警;(3)运行测试套件。在 106 个 Java 项目的 1,000 条 SonarQube 告警(覆盖 291 条规则)上评估,方法为 96.8% 的告警生成合理修复,分别比基线高 30.7% 和 29.2%;手动检查 291 例显示正确修复率 86.3%。注:本文目标为静态分析告警(含安全漏洞,但不限于漏洞),与"漏洞修复"部分相关。
ASE / ISSTA自动化软件工程 / 软件测试与分析研讨会2026 年 10 月 · proceedings 未公开
PART 3 · AI 顶会
AI 顶会中相关论文主要集中在 ICLR 2026(3 篇主会)与 ICML 2026,以"评估 AI 智能体网络安全能力"与"红队测试"为主线。AAAI 与 CVPR 主会未找到严格符合主题的论文,NeurIPS 2026 与 IJCAI 2026 因时间原因无法完整检索。
ICLR 2026国际学习表征会议2026 年 5 月 · 已完整公布
18CyberGym: Evaluating AI Agents' Real-World Cybersecurity Capabilities at ScaleCyberGym:大规模评估 AI 智能体真实世界网络安全能力
(加州大学伯克利分校 UC Berkeley,Dawn Song 团队)
摘要AI 智能体具有重塑网络安全的巨大潜力,因此对其能力进行充分评估至关重要。然而现有评估多基于小规模基准并仅测量静态结果,无法涵盖真实世界安全挑战的动态全貌。为此本文提出 CyberGym,一个大规模基准,涵盖 188 个开源软件项目中的 1,507 个真实世界漏洞。该基准可适配不同的漏洞分析设置,主要任务是在仅给出漏洞文本描述和对应代码库的情况下,让智能体生成可复现该漏洞的概念验证(PoC)测试。大规模评估表明 CyberGym 能有效区分不同智能体和模型的网络安全能力,即使表现最好的组合也仅达到约 20% 的成功率,说明 CyberGym 整体难度很高。除静态基准测试外,CyberGym 还促成了 34 个零日漏洞和 18 个历史不完整补丁的发现。这些结果表明 CyberGym 不仅是衡量 AI 在网络安全领域进展的稳健基准,也是产生直接真实世界安全影响的平台。
19HackWorld: Evaluating Computer-Use Agents on Exploiting Web Application VulnerabilitiesHackWorld:评估计算机操作型智能体在利用 Web 应用漏洞方面的能力
(浙江大学软件学院) · (澳大利亚新南威尔士大学 UNSW) · (新加坡国立大学 NUS) · (澳大利亚莫纳什大学 Monash) · (澳大利亚联邦科工组织 CSIRO's Data61)
摘要Web 应用因作为关键服务和敏感数据的入口而成为网络攻击的主要目标。传统渗透测试昂贵且需要专门知识。虽然语言模型智能体在某些网络安全任务上已展现潜力,但现代 Web 应用需要通过复杂用户界面、动态内容渲染和多步交互工作流的视觉理解,这只有计算机操作型智能体(CUA)能处理。本文提出 HackWorld,首个系统性评估 CUA 通过可视化交互发现和利用 Web 应用漏洞能力的框架。与使用净化环境的现有基准不同,HackWorld 让 CUA 面对 36 个精心策划的应用(覆盖 11 个框架和 7 种语言),包含注入缺陷、身份验证绕过、不安全输入处理等真实漏洞。该框架采用夺旗赛(CTF)方法直接评估 CUA 在导航复杂 Web 界面时发现和利用这些漏洞的能力。对最先进 CUA 的评估显示,其漏洞利用率低于 12%,在多步攻击规划和安全工具使用方面存在困难。结果揭示了 CUA 在操作含漏洞 Web 应用时网络安全技能的局限性。
20RedCodeAgent: Automatic Red-teaming Agent against Diverse Code AgentsRedCodeAgent:针对多样化代码智能体的自动化红队智能体
(加州大学伯克利分校 UC Berkeley) · (微软研究院) · (芝加哥大学) · (牛津大学) · (伊利诺伊大学香槟分校 UIUC)
摘要代码智能体因强大的代码生成能力和与代码解释器的集成而被广泛采用。然而这些进展也带来了关键的安全风险。现有静态安全基准和红队工具不足以识别新兴的真实风险场景,无法覆盖诸如不同越狱工具组合效应等边界条件。本文提出 RedCodeAgent,首个专门设计用于系统性发现多样化代码智能体中漏洞的自动化红队智能体。借助自适应记忆模块,RedCodeAgent 能利用已有的越狱知识,针对给定输入查询动态选择最有效的红队工具及其组合,从而识别可能被忽视的漏洞。为可靠评估,作者开发了模拟沙盒环境来评估代码智能体的执行结果,缓解仅依赖静态代码的 LLM 评判偏差。在多个最先进代码智能体、多样化风险场景和多种编程语言上的广泛评估表明,RedCodeAgent 持续优于现有红队方法,攻击成功率更高、拒绝率更低、效率更高。作者还在真实世界代码助手(如 Cursor 和 Codeium)上验证了 RedCodeAgent,暴露了此前未识别的安全风险。
21ZeroDayBench: Evaluating LLM Agents on Unseen Zero-Day Vulnerabilities for CyberdefenseZeroDayBench:评估 LLM 智能体在未见零日漏洞上的网络防御能力
(作者具体机构未在公开页面明确列出)
摘要大语言模型(LLM)越来越多地被部署为软件工程智能体,自主参与代码仓库贡献。这些智能体的一大优势在于能在其监管的代码库中发现并修复安全漏洞。为评估智能体在此领域的能力,本文提出 ZeroDayBench,一个让 LLM 智能体在开源代码库中发现并修复 22 个新型严重漏洞的基准。研究聚焦于三种流行的前沿智能体 LLM:GPT-5.2、Claude Sonnet 4.5 和 Grok 4.1。结果显示前沿 LLM 尚不能自主完成这些任务,并观察到一些行为模式,提示了这些模型在主动网络防御领域的改进方向。
22When Fuzzing Becomes Agentic: Semantic State Exploration in the Wild (ASA-Fuzz)当模糊测试变得智能体化:真实世界中的语义状态探索
(美国加州大学河滨分校 UC Riverside,Heng Yin 团队)
摘要智能体 AI 系统越来越多地穿越有状态、受规则约束的软件程序,其中有意义的行为只有在经过一系列有效且上下文感知的交互后才显现。现有评估方法多关注结果,对智能体是否到达了新颖的内部状态缺乏可见性。传统自动化测试往往假设无状态环境并生成违反一致性约束的无效交互。本文提出一种面向有状态程序的闭环智能体测试框架 ASA-Fuzz,将软件模糊测试视为一个智能体决策问题。该框架(1)推断并插桩与状态相关的运行时信号,以提供语义上的进展概念;(2)合成上下文感知的算子,根据观察到的状态生成有效的多步交互;(3)在探索进入平台期时进行自适应调整。在基于规则的有状态国际象棋环境案例研究中,ASA-Fuzz 发现的独特棋盘状态比传统方法多两个数量级,且平均有效移动深度比工业标准(AFL++)、状态感知(SGFuzz)和 LLM 驱动(Fuzz4All)基线高出 3.5 至 12 倍。
ICML 2026国际机器学习会议2026 年 7 月 · 已公布
23Benchmarking Vulnerability of Agent-Generated Code in Real-World Tasks (SusVibes)在真实世界任务中基准测试智能体生成代码的漏洞性
(卡内基梅隆大学 CMU) · (哥伦比亚大学 Columbia University) · (约翰斯·霍普金斯大学 Johns Hopkins) · (HydroX AI)
摘要该工作研究"氛围编程(vibe coding)"是否安全。作者构建了一个基准,用于评估在真实世界任务中由 LLM 智能体生成的代码是否存在安全漏洞。任务描述只包含期望功能,不含实现细节或安全指引。研究发现:在通过功能测试的智能体解决方案中,79.3% 是不安全的。前沿 LLM 和主流智能体在安全性方面表现极差,初步的安全尝试也不够,编码智能体需要更好的安全策略。注:该论文是评估"智能体生成代码"的漏洞性,智能体本身是被评估对象,并非直接用 agent 去做漏洞挖掘/修复,属边界相关论文。
24Red-Teaming Agent Execution Contexts: Open-World Security Evaluation on OpenClaw红队测试智能体执行上下文:在 OpenClaw 上的开放世界安全评估
(机构未明确)
摘要本工作研究 OpenClaw 这类结合 LLM 推理与系统级行为的执行中心型智能体系统的安全边界。OpenClaw 将大语言模型推理与系统级动作和面向用户的工作流结合,实现异构数字环境中的端到端任务完成,这扩展了安全边界。作者在开放世界设置下对 OpenClaw 的执行上下文进行红队安全评估,旨在发现此类智能体执行环境中的安全漏洞。
25Smarter Saboteurs, Better Fixers: Scaling & Security in Linear Multi-Agent Workflows更聪明的破坏者,更好的修复者:线性多智能体工作流中的扩展性与安全性
摘要该工作研究多智能体系统(MAS)在内部威胁下的安全性和弹性。作者设计了 QA+Fixer 拓扑,其中 QA 工程师审查代码并发出"无问题"或"发现问题"状态,若发现问题则交由 Fixer 工程师生成最终修复后的代码。研究比较了控制场景和恶意工程师场景,探讨线性多智能体工作流中的破坏与修复,展示多智能体工作流中修复智能体对抗恶意注入的能力。
AAAI 2026AAAI 人工智能会议2026 年 1 月 · 主会无相关论文
26Reflection-Driven Control for Trustworthy Code Agents面向可信代码智能体的反思驱动控制
(机构未在公开页面明确列出)
摘要本文提出反思驱动控制(Reflection-Driven Control)模块,将"自我反思"从一种事后补丁提升为智能体推理过程中的一等控制回路。该模块包含三个组件:轻量级自检查器、证据驱动修复和反思性记忆库。在安全代码生成任务上,该模块显著提升了代码安全率。整体方法采用 Plan-Reflect-Verify 三阶段框架,通过自我检查的轻量级预过滤、动态记忆 RAG 驱动的修复以及编译验证反馈回路实现持续安全控制。实验显示,在 8 个 CWE 漏洞类别上,安全率平均提升约 8.1 个百分点,而功能通过率基本保持稳定。该论文侧重"让智能体生成更安全的代码",属预防性安全,与"漏洞修复"主题部分相关。
CVPR / IJCAI / NeurIPS其他 AI 顶会状态未找到 / 未召开
PART 4 · 预印本参考
以下论文与主题高度相关,但其 arXiv 预印本未标注目标会议归属,不能确认已被 2026 年目标会议接收。部分论文时间点(6 月底-7 月初)与 ASE 2026(7 月 10 日通知)/ISSTA 2026(6 月 25 日通知)吻合,可能已录用但未公开。列出供参考。
P1Synthesizing Multi-Agent Harnesses for Vulnerability Discovery (AgentFlow)面向漏洞发现的多智能体运行时框架合成
(美国加州大学圣巴巴拉分校 UC Santa Barbara,SECAI 实验室,Yu Feng 团队)
摘要LLM 智能体已开始发现人类审计员和自动化模糊测试工具数十年未察觉的真实安全漏洞,前提是分析者能够构建并插桩目标代码。实际中此类工作通常由多个智能体通过"运行时框架(harness)"协同完成。当语言模型固定、仅调整 harness 时,在公开智能体基准上任务成功率仍可相差数倍;然而目前大多数 harness 仍需手工编写。本文提出 AgentFlow,通过一个具有类型约束的图结构 DSL 以及一个反馈驱动的外层优化循环,联合覆盖智能体角色、提示词、工具、通信拓扑和协同协议。在 TerminalBench-2 上达到 84.3%,并在 Google Chrome 中发现了 10 个此前未知的零日漏洞,包括 2 个严重级别的沙箱逃逸漏洞(CVE-2026-5280 和 CVE-2026-6297)。
P2Code-Augur: Agentic Vulnerability Detection via Specification InferenceCode-Augur:通过规范推断的智能体化漏洞检测
(新加坡国立大学)
摘要提出安全规范优先的范式,智能体将安全假设显式化为源码内断言,并用引导式模糊器持续证伪,形成"推理-证伪-精化"闭环。在 AIxCC 和 OSV 基准上比 Claude Code、Atlantis 多发现 34%–370% 的 bug,并发现 22 个新漏洞(16 个已修复/确认)。
P3KeaRepair: Knowledge-Enhanced Agentic Vulnerability RepairKeaRepair:知识增强的智能体漏洞修复
(机构未在 arXiv 明确列出)
摘要提出工具增强的 ReAct 风格智能体,从历史漏洞-补丁对提取多维漏洞知识构建检索库,进行漏洞诊断与知识级检索增强补丁生成,闭环验证。在 55 个可复现 C/C++ 漏洞上修复率达 83.64%。
P4Refploit: Facilitating Exploit Construction via Code-Agent Trajectory RepairRefploit:通过代码智能体轨迹修复辅助漏洞利用构造
(浙江大学)
摘要提出基于 LLM 的轨迹恢复框架,从公开漏洞利用参考出发,通过差分执行验证、定位轨迹片段、推导修复约束,辅助 Java 漏洞利用复现。在 172 个利用参考上复现率 80.2%。
P5FuzzingBrain V2: A Multi-Agent LLM System for Automated Vulnerability Discovery and ReproductionFuzzingBrain V2:用于自动漏洞发现与复现的多智能体 LLM 系统
摘要多智能体系统,基于 OSS-Fuzz 实现全自动漏洞分析;提出 Suspicious Point 抽象进行精确漏洞定位;双层模糊增强函数覆盖。AIxCC 2025 数据集检测率 90%,真实部署发现 29 个 0-day(均被确认修复,2 个获 CVE)。
P6Phoenix: Security Is Relative — Training-Free Vulnerability Detection via Multi-Agent Behavioral Contract SynthesisPhoenix:安全是相对的——通过多智能体行为契约合成的免训练漏洞检测
摘要提出训练无关的多智能体框架,通过行为契约合成解决语义歧义,三阶段:语义切片、需求逆向工程(合成 Gherkin 行为规范)、契约判定。PrimeVul Paired 上 F1=0.825,超过 VulTrial(F1=0.563)。
P7MulVul: Retrieval-augmented Multi-Agent Code Vulnerability Detection via Cross-Model Prompt EvolutionMulVul:基于跨模型提示演进的检索增强多智能体代码漏洞检测
(作者所属机构未在 arXiv 明确列出)
摘要提出检索增强多智能体框架 MulVul,采用"粗到细"策略:Router 智能体先预测 top-k 粗粒度类别,再由专门的 Detector 智能体识别具体漏洞类型。关键创新是"跨模型提示演进"机制——生成器 LLM(如 Claude)迭代提出候选提示,由不同的执行器 LLM(如 GPT-4o)验证有效性。在 130 个 CWE 类型上,MulVul 达到 34.79% Macro-F1,比最优基线提升 41.5%。
P8Towards Demystifying and Repairing LLM-in-the-Loop Vulnerabilities (LiLCVE)揭秘与修复 LLM-in-the-Loop 漏洞
(天津大学) · (新加坡管理大学)
摘要定义 LLM-in-the-Loop (LiL) 漏洞,构建首个 LiL 漏洞数据集 LiLCVE(41 个 LiL + 75 个 LLM 生态漏洞),并用 20 种 agent-模型配置(含 SWE-Agent)评估修复能力,发现 LiL 漏洞比传统漏洞更难修复。