跳转至

AAAI 2026 · 安全 / 事实性

本页 1 篇(该主题共 1 篇),按相关性排序。 返回总览

1. An LLM-based Quantitative Framework for Evaluating High-Stealthy Backdoor Risks in OSS Supply Chains

  • 链接: 论文页 · PDF
  • 作者: Zihe Yan, Kai Luo, Haoyu Yang, Yang Yu, Zhuosheng Zhang, Guancheng Li
  • 会议/来源: AAAI 2026 · Track 2
  • 相关性 6/10 · evaluation_method
  • 测什么: 开源软件供应链中高隐蔽性后门攻击的多阶段风险水平
  • 摘要: 该论文提出一个基于LLM的量化框架,用于评估开源软件供应链中的高隐蔽性后门风险。框架从攻击者视角建模后门攻击的各个阶段,并为每个阶段定义针对性指标,同时利用LLM对代码仓库进行语义评估,以弥补静态分析在评估维护活动可靠性(如提交者权限提升、审查参与度)方面的不足。在Debian生态系统的66个高优先级软件包上验证了框架的有效性,结果显示当前开源供应链存在一系列安全风险。方法学贡献在于将后门风险评估转化为可量化的多阶段指标,并引入LLM作为语义分析工具,但缺乏对LLM评估结果与人工审计的一致性验证。
  • 为什么值得看: 该框架展示了如何将LLM用于安全领域的结构化风险评估,并定义了可复用的攻击阶段指标,对评测方法学中'构念操作化'和'自动化评估验证'有参考价值,但未提供LLM判断的可靠性分析。
  • 关键技术: LLM-as-judge, risk assessment framework, semantic code analysis, attack stage modeling

评论