3659 ورقة بحثية
تجادل هذه الورقة بأن تأمين الوكلاء القائمين على نماذج اللغات الكبيرة (LLM) يتطلب تطبيق مبادئ أمن أنظمة التشغيل، مُثبتةً ذلك من خلال تحليل بنية موحدة ودراسة حالة مفادها أنه بينما تظل بعض المخاطر متأصلة، يمكن التخفيف من حدة العديد من الثغرات الأمنية باستخدام تقنيات أنظمة التشغيل الراسخة مثل عزل الموارد وفصل الامتيازات.
تقدم الورقة البحثية WARD، وهو نموذج حماية عملي وفعال لوكلاء الويب يستفيد من مجموعة بيانات واسعة النطاق وإطار تدريب تنافسي تكيفي (A3T) لتحقيق دفاع قوي ومنخفض زمن الاستجابة ضد هجمات حقن الأوامر البرمجية مع الحفاظ على قدرة عالية على التعميم والحد الأدنى من الإيجابيات الكاذبة.
تقدم هذه الورقة PickleFuzzer، وهو فاحص تفاضلي قائم على القواعد يحدد 14 تباينًا حرجًا عبر عمليات تنفيذ pickle في لغة بايثون، بما في ذلك الثغرات التي تسمح للمهاجمين بتجاوز أدوات الفحص الأمني على منصات مثل Hugging Face.
تُعد Veritas إطار عمل متعدد الوكلاء، قائم على أسس دلالية، يجمع بين التحليل الساكن لتمثيل LLVM IR المرفوع، والاستدلال عبر نماذج لغوية كبيرة ثنائية الرؤية، والتحقق أثناء وقت التشغيل، لتحقيق كشف عالي الاستدعاء ومنخفض الإيجابيات الكاذبة لثغرات فساد الذاكرة في الملفات الثنائية المجردة، وقد نجحت في تحديد ثغرة أمنية غير معروفة سابقاً لدى شركة Apple.
تقدم هذه الورقة تصنيفاً شاملاً لـ 4×6 (هدف × تقنية) وإطار عمل لتدقيق تغطية المعايك المرجعية، مستخلصاً من 932 دراسة أمنية، والذي يكشف أن المعايك المرجعية الحالية لهجمات النماذج اللغوية الكبيرة تغطي في مجموعها 25% كحد أقصى من سطح التهديد وتعاني من فجوات تقييم كبيرة وتجزئة في التسميات.
تقدم هذه الورقة البحثية MetaBackdoor، وهو هجوم باب خلفي مبتكر على النماذج اللغوية الكبيرة يستغل الترميز الموضعي (positional encoding) كمحفز لتنشيط سلوكيات خبيثة — مثل تسريب مطالبات النظام أو استحثاث استدعاءات الأدوات — دون الحاجة إلى أي تعديل في المحتوى الدلالي للنص المدخل.
تقدم هذه الورقة نظام كاشف الاستمرارية السيبرانية (CPD)، وهو نظام مبتكر يستفيد من تحليلات المصدر مع التبعية الزائفة والحواف الموجهة من قبل الخبراء للربط السببي بين مرحلتي إعداد التنفيذ والتنفيذ، مما يحقق كشفًا دقيقًا وقابلًا للتوسع للتهديدات المتقدمة المستمرة مع تقليل الإيجابيات الكاذبة بنسبة 93% مقارنة بالطرق المتطورة.
تتناول هذه الورقة أوجه القصور في حدود الخصوصية الفضفاضة والمتباعدة الموجودة حالياً في التعلم الاتحادي مع الخصوصية التفاضلية من خلال توظيف تحليل -DP وتقنيات الاستيفاء المزاح لإثبات أن خوارزمية Noisy-FedAvg تحقق حداً تقاربياً وثيقاً للخصوصية، بينما تحافظ خوارزمية Noisy-FedProx على حد أدنى ثابت ومستقر، مما يؤسس قاعدة نظرية متينة لموثوقية تدريب التعلم الاتحادي ذي الخصوصية التفاضلية طويل الأمد.
يُعد AdeptHEQ-FL إطار عمل موحداً هجيناً للتعلم الاتحادي الكلاسيكي-الكمي يدمج التشفير المتماثل التكيفي، وتوفير الطبقات الديناميكي، والتجميع الموزون بالدقة لتعزيز أداء النموذج في آن واحد، وضمان ضمانات الخصوصية الرسمية، وتقليل عبء الاتصالات في البيئات اللامركزية غير المتجانسة (non-IID).
تقدم هذه الورقة GNNev، وهي أداة تحقق دقيقة توظف حل القيود التدريجي لتوفير ضمانات متانة سليمة وكاملة لشبكات الرسم البياني العصبية ذات تمرير الرسائل ضد الاضطرابات الهيكلية والسمات، مع توسيع الدعم ليشمل وظائف التجميع بالجمع، والحد الأقصى، والمتوسط، مع كفاءة مثبتة على مجموعات بيانات من العالم الحقيقي.