智能体正从概念验证进入企业级规模化部署阶段，其自主执行易引发行为失控，算法黑箱导致决策过程难以追溯，跨域协同造成权责边界模糊。为此，本文构建的智能体安全治理框架，以身份可信、授权可控、过程可审、责任可溯、场景可管为治理目标，以风险观测、运行管理、行为干预、能力改进为闭环环节，以交互检测、上下文防护等九项能力为抓手，并提出L1~L5分级行为干预机制，为企业智能体全生命周期安全管理提供可复用的治理范式。

随着开源软件的广泛应用，漏洞数量急剧增加，传统检测方法存在误报率高、难以捕捉复杂依赖关系等问题。为此，本文提出一种基于大模型的多模态特征融合漏洞检测方法（Multi-modal Feature Fusion Code Vulnerability Detection，MMFVD）。该方法首先构建多功能代码属性图（Multifunctional Code Property Graph，M-CPG），通过程序切片与剪枝保留关键结构信息；其次，利用预训练序列模型和图模型分别提取代码语义特征与结构特征，并通过在线知识蒸馏优化表征；最后，采用动态注意力机制实现特征的自适应融合，并通过分类器完成漏洞检测。在四个公开数据集上，对MMFVD与10种基线方法进行对比实验，验证了MMFVD在检测精度、鲁棒性和泛化能力方面的显著优势。

随着区块链技术的快速发展，智能合约漏洞检测已成为保障区块链系统安全的关键环节。现有方法通过将字节码转化为图结构并利用图神经网络进行特征学习，但对源码语义与结构特征的利用不足。为此，本文提出了一种融合抽象语法树（Abstract Syntax Tree，AST）语义特征与控制流图（Control Flow Graph，CFG）结构特征的漏洞检测框架（Smart Contract Vulnerability Detection Framework based on AST and CFG Fusion，ACF-VDF）。该方法基于智能合约源代码构建AST，并得到表征语法层级和语义信息的语法特征向量；再将合约字节码转化为CFG，结合全局池化和节点特征提取，生成反映执行路径与结构关系的结构特征向量。二者联合建模，输入到基于Transformer编码器的深度神经网络分类器中，实现对智能合约漏洞的检测。实验结果表明，该方法在F1值上较七种现有主流检测方法提升了2.10%~34.28%，显著提高了漏洞检测的准确率与泛化能力。

随着生成式大语言模型快速发展，其生成文本与人类文本愈发相似，需高效检测以避免混淆视听，但复杂精确的检测方法存在计算资源消耗大、推理时间长的问题。针对这一需求，本文设计轻量级检测方案，具体实现路径如下：采用Sentence-BERT捕捉文本隐含的语义逻辑关联；依托自然语言工具包（Natural Language Toolkit，NLTK）库获取情感与统计特征，构建浅层特征集合；引入注意力加权机制完成两类浅层特征的自适应融合，强化关键浅层信息的表征能力；将融合后的浅层特征与深层语义表征进行维度拼接，采用对比学习策略对联合特征进行优化，最终以支持向量机（Support Vector Machine，SVM）完成分类。该模型采用深度语义表征与轻量分类耦合架构，从根本上降低计算资源需求、缩短推理时间，在中文、英文测试集准确率分别达92%和90%，实现检测精度与效率的平衡。

生成式人工智能技术飞速发展衍生出的深度伪造视频带来了一系列安全隐患，有效治理深度伪造视频传播乱象已成为关乎信息安全的关键议题。本文基于信息生态系统理论，构建“政府—视频平台—视频传播者—视频接受者”四方博弈模型，进行数值仿真分析。研究发现：政府和视频平台应突破线性监管思维，促进协同共治，而非依靠单一外力治理；提高政府和视频平台的奖惩力度可以有效推动深度伪造视频传播治理，其中视频平台给予的奖励存在有效阈值；压缩视频平台、视频传播者及视频接受者的超额收益空间可促进四方协同共治，政府行为几乎不受影响，表明政府应充分发挥引导者作用，推动形成更合理的市场机制。

智能体改变了生成式人工智能的数据训练、工具调用和内容传播逻辑，形成了多主体参与的行为链风险；具体表现在数据版权场景中为侵权形态延伸至素材调用场景、侵权风险的多主体参与以及侵权内容自动化输出的生态破坏。现有生成式人工智能的内容生态治理建立在内容审查与平台模型备案之上，难以回应智能体风险扩张，并阻断侵权行为链，表现为知识集中控制与多主体风险的结构性错位、内容审核与分段行为控制的错位、事后通知处置与链式侵权定位错位。由此，智能体治理路径应转向行为链控制，形成以节点控制划分的责任结构，以实现多主体的注意义务框架下的风险预防，具体表现为使用者的任务设定与授权确认义务、智能体服务提供者的全过程预防义务、第三方技术提供者的能力边界义务以及贯通行为链的责任追究机制。

随着网络业务规模持续增长以及加密通信、复杂协议和动态交互方式的广泛出现，网络流量异常检测面临未知威胁增多、攻击标签稀缺和数据分布时变等挑战。针对网络流量异常检测中未知威胁增多、攻击标签稀缺以及数据分布时变等问题，本文提出一种面向未知威胁的无监督网络流量异常检测方法（Multi-view Unsupervised Self-supervised Traffic Anomaly Detection，MUST-AD）。该方法以网络流为检测对象，融合统计行为、时序演化和通信关系构建多视角表示，通过掩码重构与跨视角对比相结合的自监督学习建立正常流量潜在表示空间，并结合正常原型组织、联合异常评分和漂移感知在线更新，实现对未知异常流量的综合检测。实验在UNSW-NB15、CIC-IDS2017和MAWIFlow数据集上开展。在同域静态检测场景下，MUST-AD的Accuracy和AUC较对比方法提高0.1%~0.3%，F1提高约0.6~1.0个百分点；在跨数据集条件下，AUC 提高2~3个百分点；在MAWIFlow上，AUC达到0.915~0.920；在跨时间泛化场景下，AUC达到0.84，高于对比方法的0.79和0.61。实验结果表明，MUST-AD在同域检测、跨数据集迁移和跨时间测试中均取得较稳定的检测结果，并能够降低时变流量条件下的性能退化。

针对物联网（Internet of Things，IoT）网络流量数据中存在的高维特征冗余、类别分布不均衡以及复杂攻击场景下检测性能不足等问题，提出一种融合类别感知特征选择与加权集成学习的物联网入侵检测方法（IoT Intrusion Detection via integrating Class-aware Feature selection and Weighted Ensemble learning，IID-CFWE）。首先，融合全局特征、类别感知特征和边界样本重要性特征，构建类别感知自适应递归特征选择方法（LightGBM-based Class-Aware Adaptive recursive Feature Selection，CA-AFS），在递归消除冗余特征的同时增强对不同攻击类别，尤其是少数类别的特征判别能力，从而降低类别不平衡对特征选择结果的影响。其次，构建随机搜索优化与加权软投票结合的异构集成学习模型，通过随机搜索确定不同基分类器的超参数配置，充分利用异构分类器的互补判别能力，并结合各分类器的类别概率输出进行加权融合，从而提高模型对复杂攻击流量的检测性能与分类稳定性。在公开数据集N-BaIoT和CIC-IDS-2017上开展实验验证，并与多种主流机器学习方法进行对比分析。实验结果表明，所提方法能够在减少特征数量的同时保持较高的物联网入侵检测整体性能。该研究为构建高精度的物联网安全防护系统提供了一种有效方法。

随着移动互联网的普及和移动智能终端技术的快速发展，推动更多政务服务事项掌上办、指尖办已经成为提升政府办公效率和政务服务效能的重要方式，移动政务系统也成为数字政府和数字机关建设的重要组成部分。为了保障移动政务系统安全性，应对系统开放互联所带来的安全风险，本文提出适用于大规模移动政务应用场景的零信任安全技术架构，实现了对移动终端、移动通信、移动接入和移动服务等全方位安全防护，采用“分布式集群部署+智能动态选路”实现了双重高可用架构。在某省一体化政务办公平台移动端开展的建设实践和测试结果，验证了上述架构的有效性和可行性。

数据可信流通是建设统一数据市场的重要前提，对促进数据供得出、流得动、用得好、保安全具有重要意义。当前，法律合规约束、市场主体数据意识觉醒、数智技术创新以及数据多重属性交织叠加，数据流通所处环境日趋复杂，传统流通模式难以适配未来大规模数据流通场景。各类新型数据可信流通技术与解决方案持续涌现，如何科学评估新技术、新方案成为亟待解决的现实问题。本文系统梳理数据可信流通面临的现实困境与发展趋势，构建以过程可审计性、流通合规性、技术兼容性、可信流通效率、数据安全性与技术标准化为核心的“ACCESS”六维评估模型，为推进数据可信流通技术创新、开展技术成熟度评估提供分析框架与实践指引。

大语言模型（Large Language Model，LLM）智能体（Agent）主要依据开发者提供的自然语言描述选择调用工具，但现有智能体框架缺乏保证工具描述与实际行为一致的机制。为研究描述失真对工具调用安全的影响，本文构建了覆盖20个危险类别的受控评测基准，并设置不同失真等级及通道消融条件。在3个不同模型家族的实验中，描述失真程度与不安全调用率均呈显著正相关，虚假保证条件下的不安全调用率达到如实描述基线的2.4到5.4倍，且超过80%的不安全调用理由未显式提及风险。进一步分析表明，工具名称和参数模式中的危险信息有助于降低不安全调用率，两种基于描述的轻量级对策可使GPT在虚假保证条件下的不安全调用率相对降低37%至47%。上述结果表明，工具安全设计应在名称、描述和参数模式等多个通道中显式表达危险信息。