AI智能体的自主行动与持续执行能力突破了传统生成式人工智能（Generative Artificial Intelligence，GAI）以“输入—输出”为中心的运行边界，对既有建立在主体稳定控制基础上的“工具—控制—责任”结构提出新的规范挑战。现行法律体系在行为识别、责任归属与运行控制等方面，已难以完全适应其跨主体、多交互与持续运行的行为特征。在此背景下，本文主张不赋予AI智能体独立法律人格，而是在维持既有主体制度稳定的前提下，通过对传统静态工具规则进行功能化重构予以回应。本文以“功能化工具主义”作为AI智能体的基本法律定位，构建“技术身份—法律归属”双轨识别结构，以实现持续运行条件下行为可识别性与责任可归属性的统一；进一步引入“关系主义归责”路径，以控制关系、利益结构与风险来源为分析维度，对多元主体责任进行结构化配置；并以“最小必要原则”作为制度扩展边界，形成“现行法律—专门规则—技术标准”相衔接的融合治理框架建议。由此，AI治理逻辑正在由围绕行为结果与一次性责任判断的静态结构，转向以持续运行过程为中心的动态治理结构。

随着人工智能技术的飞速发展，智能体在环境感知、任务规划和多工具协同等方面展现出显著优势。与此同时，大语言模型（Large Language Models，LLMs）在自然语言理解、逻辑推理和跨模态处理等领域的突破，为智能体的进化提供了重要支撑。二者的深度融合催生了LLMs驱动的网络渗透测试智能体，推动渗透测试模式由传统的“工具辅助”逐步向“自主智能”演进。本文系统梳理了现有研究在智能体的角色设定、任务规划、记忆管理与交互执行4个核心模块中所面临的关键挑战与主要技术路径；同时，分析了当前方法在多模态信息处理、自动化交互和上下文管理等方面存在的不足。针对上述问题，本文结合智能体技术发展路径，提出了多模态融合机制、记忆增强与强化学习协同策略，以及基于知识图谱的漏洞探测方法等可供参考的智能化渗透测试发展方向。分析表明，LLMs驱动的网络渗透测试智能体为网络安全的智能化与自主化发展提供了重要的技术支撑。

基于Meta-SGD+ANIL元学习框架的小样本入侵检测研究

针对当前恶意网络流量检测技术准确率不足、超参数依赖手动调整的问题，本文提出一种基于贝叶斯优化与时空注意力的双向循环网络恶意流量检测方法，通过双向长短时记忆网络提取网络流量数据的时间特征和空间特征，使用贝叶斯优化搜索最优的网络参数。本文创新性地提出多尺度流量协议增强模块，通过多级协议解析、动态特征融合与注意力协同机制，显著增强了对复杂攻击链的时空特征表征能力。同时，为建立时空特征间的深度关联，本文提出多头时空注意力机制，通过4组并行注意力头协同建模毫秒级协议瞬变、秒级交互时序、分钟级攻击链演进及跨协议关联特性，有效提升对隐蔽威胁的识别精度。采用CIC-IDS2017数据集进行实验，结果表明，本文方法在多分类和二分类的准确率分别达到99.46%和99.59%，性能均优于其他方法。

随着微服务架构的普及，其分布式与异构特性导致应用程序编程接口（Application Programming Interface，API）防护安全与敏感数据追踪面临严峻挑战。传统工具在负载分析及跨服务数据流重构方面能力不足，难以满足合规性要求。本文提出基于交互式应用安全测试（Interactive Application Security Testing，IAST）的API访问链路刻画与隐私感知追踪方法，通过在多语言微服务实例部署轻量级IAST Agent，结合隐私感知智能规则引擎（Privacy-Aware Intelligent Rules Engine，PAIRE），实现敏感数据的精准识别与传播路径重构。本文针对追踪标识符（TraceID）缺失、异步通信等复杂场景，创新设计了融合参数匹配、时间关联、服务拓扑与业务标识符的多维链路拼接机制，有效提升了追踪覆盖率与鲁棒性。同时构建可视化平台，可支持实时风险告警与异常行为响应。基于TrainTicket微服务应用上开展的实验表明，该方法在敏感数据检测精度、链路重构覆盖率及性能开销控制方面均优于主流方案，验证了其在复杂环境中的高效性与实用性。

在数据共享与云计算不断普及的背景下，保障数据隐私的同时实现灵活的访问控制与密文上受控计算，已成为信息安全领域的重要研究课题。属性内积函数加密（Attribute-Based Inner Product Functional Encryption，ABIPFE）结合了属性加密与函数加密的优点，然而现有方案多基于静态访问结构，不支持策略演化过程中的密文复用，导致在动态环境中计算和通信开销不断增加。针对上述问题，本文提出了一种支持访问结构动态扩展的属性内积函数加密方案，引入两类扩展加密机制，在不重新加密原有密文的前提下，对新增部分生成密文组件，降低系统的整体开销。实验与评测表明，在不同属性规模、消息维度与扩展深度下，该方案在密钥生成、加密、解密阶段相较对比方案性能更优，且整体运行稳定。

针对当前网络入侵检测中特征冗余复杂、类别不平衡及时空特征提取不充分的问题，本文提出一种基于子空间距离的多尺度时空特征提取入侵检测模型。首先基于方差—协方差子空间距离，对预处理后的数据开展特征选择，提取可有效近似原始特征空间的代表性特征子集；其次，利用改进的焦点损失动态调整不同类别的损失贡献，解决类别不平衡问题；最后，基于时空特征提取构建了一种融合门控扩张卷积与LSTM通道机制的流量异常检测模型。在UNSW-NB15数据集上的实验结果表明，该模型可以有效改善样本不平衡问题，实现较高的检测准确率。

基板管理控制器（Baseboard Management Controller，BMC）作为服务器设备的嵌入式固件，管理和监控服务器运行，其安全性影响着整个服务器的安全性。随着网络攻击不断向底层系统拓展，BMC固件也成为攻击者的攻击目标之一。模糊测试已成为当下学术界与工业界广泛使用的漏洞挖掘技术。然而，由于BMC固件存在架构多样，程序封闭等原因，对于BMC固件的模糊测试难以进行，且BMC固件包含大量功能复杂的二进制程序，难以快速寻找到模糊测试的目标函数。本文针对二进制闭源BMC固件，设计了一种基于目标函数引导的BMC固件模糊测试方法。本文首先提出一种目标函数发现算法，通过静态分析与预定义危险函数调用关系分析，提取出有价值的模糊测试目标函数；然后结合目标函数发现算法，使用LibAFL构建基于QEMU的BMC的固件模糊测试器；最后结合QEMU的动态仿真技术，将动态二进制插桩、覆盖率导向等现代模糊测试技术应用于BMC固件模糊测试中，提高BMC固件模糊测试的效率。通过实验，本文提出的目标函数发现算法能够有效降低寻找目标函数的工作量，与AFL++ QEMU模式相比，本文设计的模糊测试器在覆盖率与性能上均优势明显。

随着区块链技术的快速发展，预言机作为连接区块链与外部信息的关键环节，普遍面临资源开销过高、执行效率偏低的挑战。本文针对去中心化预言机网络中传统共识协议在异构计算环境下效率低下、扩展性不足的问题，提出非平衡拜占庭容错预言机（Unbalanced Byzantine Fault Tolerance Oracle，UBFTO）方案。引入非平衡握手机制识别节点算力差异，将复杂计算任务转移至高性能节点，显著降低初始化握手时延。结合定制化多阶段提交流程与数据源签名验证，该方案在维持高安全性与高可靠性的同时，有效提升了共识效率。实验结果表明，该方案共识时耗低于同类机制，为构建高性能分布式预言机服务提供了有效方案。