#1ACM MM2024(多模态不可学习示例:保护数据免受多模态对比学习的影响)的代码。

下一代逻辑WAF引擎,基于SWI-Prolog构建。具备以200万+ LIPS速度运行的归纳学习大脑,并集成递归解码器,可实时中和嵌套的URL/Hex/HTML混淆攻击。

针对灰盒木马攻击的研究代码,该攻击通过翻转微调LLM分类器中单个KV缓存位,并测量各类别的攻击成功率。

《引导审查之船:揭示用于 LLM“思维”控制的表征向量》的代码

在攻击到达您的 LLM 之前阻止提示注入攻击 — 零 API 成本,完全本地运行,2 分钟集成。提示注入是 LLM 应用的第一大安全风险。aco-prompt-shield 捕获已知的越狱模式,通过 ML 理解语义意图,并检测混淆 — 全部本地化,全部私密。

使用正则表达式、NER/ML 以及可选的自托管 LLM 检测,扫描 PostgreSQL 数据库和 Jira 问题中的 PII,并提供脱敏报告和审计日志。

“Hard Stop:面向失控智能体执行的核级抢占与遏制”的参考实现。带外认知安灯拉绳、亚毫秒级(<0.154 ms)POSIX 进程组抢占,以及抗撕裂读的 WAL 状态提取。

受策略管控的 LLMSecOps 框架,提供基于 AST 的 SAST、密钥扫描、供应链及多云 CSPM 检查、AI-BoM 生成以及 CI/CD 安全门禁。

CVE-2026-47644 的漏洞验证代码与完整技术分析:Edge Copilot 通过附件标签逃逸实现提示注入,进而借助渲染的电子邮件图片实现跨标签页数据窃取。

针对移动端设备上AI系统的攻击与防御研究精选阅读清单及分类体系,涵盖对抗攻击、后门攻击、模型窃取攻击及能耗-延迟攻击,同时涉及混淆、TEE与水印防御措施。

运行时防护技能,用于检测并阻止技能增强型智能体中由技能引发的恶意攻击,并采用MCTS循环,根据推演反馈演化防护策略。

面向商业图像生成器的红队测试基准与黑盒攻击框架,用于评估视觉虚假信息风险,包含1万条虚假声明提示词及评分脚本。

全源情报融合仪表板——将WiFi、蜂窝网络、CCTV、ADS-B、轨道及SDR数据源统一整合到单一战术地图中。仅限安全研究用途。

因果上下文归因与基于规则的监控器 LLM 防御,用于抵御 LLM 智能体中的间接提示注入,在 AgentDyn 及其他基准测试上实现了最先进的性能。

MCP 服务器,让 AI 助手能够驱动自托管的 Sn1per 安装,运行限定范围的、经过审计的扫描,并以结构化数据返回发现结果、端口、子域名和技术信息。

与主机无关的编码代理预写入安全钩子:通过Semgrep检测用户输入模式,并发出确定性的、非LLM的安全指导。