2026/5/23 · CyberRadar
苹果宣称其数据收集受 Differential Privacy 保护，但真实情况存疑。研究者通过逆向工程 macOS 核心二进制文件，还原了苹果的私有算法。审计发现 9 个机制中有 5 个存在实现漏洞或配置错误。受影响的数据覆盖了 87% 的系统数据采集。浮点噪声生成器的缺陷导致隐私保证失效，甚至能从泄露日志中还原用户的 Safari 域名和表情记录。 [link]
签名安全依赖于 Nonce 的随机性。研究者发现 Polygon 生态中的 MEV 搜索者为追求亚秒级响应，使用了具备规律的可预测 Nonce。通过基础代数计算，攻击者就能从链上数据中直接推导出私钥。这种跨钱包的 Nonce 冲突导致多个账户面临毁灭性打击。该研究揭示了协议延迟压力如何摧毁工业级区块链系统的密码学防线。 [link]
自动化漏洞挖掘长期受困于高误报率。该系统结合 Google OSS-Fuzz 实现了完全自动化的漏洞分析与复现。它引入控制流抽象技术，在复杂的跨函数依赖中精准定位漏洞。在 AIxCC 2025 竞赛中，它达成了 90% 的检出率。它已在 12 个开源项目中发现 29 个零日漏洞，且所有漏洞均已获得维护者确认或修复。 [link]
Fuzzing 的效果很大程度上取决于 Fuzz Harness 的质量。传统工具难以保证生成的代码逻辑正确。该研究提出了四个核心原则，通过大模型构建闭环修复逻辑。该系统在 23 个项目中发现了 42 个漏洞，同时作为审计工具识别出大量现有的错误配置。这种源头级别的质量控制，让大规模自动化测试变得真正可靠且高效。 [link]
现有的注入攻击检测器多针对静态模板，容易被伪装手段绕过。研究者提出一种新型攻击，通过模仿目标文档的领域词汇和权威结构，让检测率从 93.8% 暴跌至 9.7%。即便是生产级的安全分类器 Llama Guard 3 也未能检出攻击。研究证明这种弱点在多智能体架构下会被放大，现有的防御手段在领域伪装面前显得苍白无力。 [link]
现有的 LLM 越狱手段往往成本高昂。THREAT 框架采用推理驱动模式，协调多个模型在搜索循环中迭代寻找文本越狱提示词。它将提示词发现建模为非凸优化问题，显著降低了运行开销并提升了攻击成功率。生成的提示词极具隐蔽性，仅有不到 1% 会触发安全过滤器。这一工具为强化大模型防线提供了实战武器。 [link]
针对闭源多模态大模型的对抗攻击极具挑战。该研究从频域正则化角度入手，解决了空间域特征冗余和代理模型特有梯度信号带来的干扰。FRA-Attack 能在不依赖特定模型统计信息的情况下，捕获通用的视觉关注点。实验证明其具备极强的跨模型迁移能力，在 GPT-5.4 与 Claude 等旗舰模型上均取得了顶尖的攻击效果。 [link]
机密计算在分析型查询中表现如何？该工作在 Intel SGX2 环境下深入研究了基于 Arrow 的 Polars 引擎。实验揭示了数据加载路径放大和 API 优化对最终性能的决定性影响。在处理数十 GB 数据时，系统整体开销保持在 1.5 倍左右，且 Lazy 模式比 Eager 模式快两倍。这为在受信执行环境中构建高性能数据科学工具提供了工程指南。 [link]
如何在不改动业务逻辑的前提下追踪 API 数据泄露？PEMark 利用了 JSON 或 XML 键值对排序中的排列冗余，在不改变任何数据值的前提下嵌入水印。这种位置编码方案通过代理网关转发即可实现。该方案实现了零畸变的水印植入，对篡改和插入攻击具备极强的鲁棒性，是低成本保护数据资产的理想工程实践。 [link]
恶意软件常利用环境自检来躲避沙箱分析。传统的人工逆向规则编写速度跟不上病毒演进。ABLE 利用大模型自动分析执行轨迹，针对性生成用于绕过环境检查的 YARA 规则。配合自动清洗管道和迭代反馈，它实现了 79% 的绕过成功率。相较于现有分析平台，它能多识别出 47% 的恶意家族分类，显著提升了沙箱的实战检测深度。 [link]
传统智能体演化局限于文本层，难以触及底层调度代码。 MOSS 框架实现了源码级别的自我重写，直接在生产环境下修复结构性故障。它通过多阶段流水线自动收集失败证据，并由外部代码智能体执行修改。实验表明， MOSS 在 OpenClaw 基准测试中显著提升了系统成功率。这种图灵完备的自适应能力，为构建永不停机的自进化系统开辟了新路径。 [link]
大型语言模型在数学研究中往往因不可信而受限。该研究通过集成 Lean 形式化证明语言，将模型从单纯的生成者变为严谨的推理者。系统成功自主解决了 9 个 Erdős 开放问题，并证明了数十个 OEIS 猜想。这一突破证明了 AI 辅助形式化证明搜索的巨大潜力，使 AI 真正成为数学家探索未知领域的有力助手，单题成本仅需数百美元。 [link]
传感器数据由于个体差异大、标注稀缺，难以转化为精准的健康洞察。这项研究利用来自 500 万参与者的 1 万亿分钟匿名信号，训练了一个通用的穿戴健康基础模型。该模型在 35 项预测任务中表现优异，涵盖心血管、睡眠及心理健康等领域。通过集成专家智能体，系统能自主搜索最优预测方案，为个性化医疗和日常健康监测提供了强大的技术支撑。 [link]
现实世界中的电子表格任务往往涉及复杂的跨步操作，普通智能体难以应对。 Spreadsheet-RL 框架引入了强化学习微调，在真实的 Excel 环境中训练专业智能体。研究团队从线上论坛收集了大规模数据集，并构建了财务与供应链管理领域的专用基准。实验显示，经过微调的模型在 SpreadsheetBench 上的成功率翻倍。这标志着 AI 在自动化办公和数据接口交互方面迈出了坚实的一步。 [link]
现有的智能体框架依赖昂贵的外部编排器，导致推理成本高居不下。该研究提出将复杂的业务流程直接编译进轻量级模型的权重中，打造地底智能体。在旅游预订、保险索赔等多个真实业务节点测试中，这种方案在保持接近顶级模型性能的同时，将成本降低了两个数量级。它有效解决了上下文窗口受限和隐私泄露风险，是工程化部署的高效选择。 [link]
现有的终端任务评测多为人工构造，无法反映真实的开发场景。 TerminalWorld 利用数据引擎从 80870 份真实录像中逆向工程出 1530 个验证任务，覆盖 18 个类别和上千种命令。测评显示，即便最强的智能体在应对这些长路径、多步骤的真实流转时，成功率也仅为六成。该基准为开发更符合人类实践的终端自动化工具提供了高质量的训练与评估资源。 [link]
树状搜索推理虽然强大，但其产生的 KV Cache 会导致内存迅速耗尽。 ArborKV 提出了一种结构感知的缓存管理框架，利用轻量级估计器和树状分配策略进行内存回收。它仅保留活动分支及其祖先的状态，同时确保非活动子树在回溯时可恢复。实验证明，该方法能将峰值内存占用降低 4 倍。这对于在有限硬件资源下扩展大模型搜索深度具有极高的实用价值。 [link]
当多模块智能体出现故障时，直接在故障发生的模块进行干预往往适得其反。研究人员发现了诊断悖论：修复路由模块的错误反而会导致性能下降。这种现象源于下游模块对上游错误分布的隐式适应。通过操作化定义语言共适应指标，开发者可以预判补丁的风险。这一发现为智能体流水线的调试与优化提供了全新的理论视角和工程指导。 [link]
在涉及超线性增长和制度变迁的预测任务中，更强的模型表现反而更差。这种逆向缩放现象在金融和流行病学场景中尤为突出。高能力模型倾向于对增长趋势进行激进的外推，从而忽略了尾部风险。研究揭示，单纯的缩放和后训练都无法解决这一校准失效。它警告开发者，在涉及高风险的时间序列预测时，不能盲目信任大模型的预判。 [link]
线性注意力机制虽然提升了推理速度，但往往难以兼顾记忆的编辑与保持。 Gated DeltaNet-2 引入了通道级擦除与写入门的解耦机制，解决了传统模型在修改压缩内存时的相互干扰问题。在 1.3B 参数规模的测试中，它在常识推理和长文本检索任务中全面超越了 Mamba-2 等主流变体。该架构为在大规模序列建模中实现高效的记忆管理提供了创新的底层方案。 [link]
美国与加拿大当局逮捕并起诉了一名加拿大男子。此人涉嫌运营 KimWolf DDoS botnet，该网络在全球范围内感染了近 200 万台设备。 [link]
Drupal 发出警告，黑客正尝试利用本周早些时候公布的一个极度关键 SQL injection 漏洞。 [link]
欺诈损失并不止于退单。错误拒收、账户接管和滥用行为也会损害收入和信任。IPQS 阐述了欺诈防范团队需要对风险和客户影响拥有更广泛可见性的原因。 [link]
Ubiquiti 发布了安全更新，修复了 UniFi OS 中三个最高严重级别的漏洞。远程攻击者可以在无权限的情况下利用这些漏洞。 [link]
一家电话追踪与分析公司的两名前高管认罪。他们隐瞒了一项持续多年的技术支持欺诈计划，该计划受害者遍布全球。 [link]
日本网络安全软件公司 Trend Micro 解决了一个 Apex One 零日漏洞。该漏洞已在针对 Windows 系统的攻击中被利用。 [link]
荷兰金融犯罪调查局逮捕了两名男子，并扣押了 800 台服务器。这些服务器关联的一家网络托管公司曾为网络攻击、干扰行动和虚假信息活动提供便利。 [link]