ZONE.CI 全球网

LazarusGroup是朝鲜侦察总局下属的全球活跃APT组织，自2007年起持续进行间谍情报收集、破坏性攻击和金融犯罪活动。该组织通过攻击金融机构、国防军事、加密货币等领域，为朝鲜获取外汇并收集情报，其攻击手段包括供应链投毒、AI辅助社工等，并已形成多子组织协同的成熟攻击体系。报告详细分析了其攻击时间线、技术特征、恶意软件武器库及防御策略。

本文系统梳理对抗样本与模型鲁棒性领域的核心理论与技术体系。从形式化定义出发，阐述线性假说、非鲁棒特征假说和高维几何假说三种脆弱性解释，按白盒灰盒黑盒分类介绍FGSM、PGD、C&W等攻击方法，并延伸至LLM对抗攻击。防御层面涵盖对抗训练与输入净化等技术，同时讨论评估认证体系与工具基准。建议AI安全从业者重点关注大模型及多模态场景下的对抗安全，结合业务需求部署鲁棒性检测防御机制。

本文系统梳理数据投毒与后门攻击理论，指出后门攻击本质是有条件的投毒。文章剖析了攻击者能力模型、供应链攻击场景及历史演化时间线，提出攻击成功率与隐蔽性评估指标。内容涵盖至大语言模型的攻击演进，为AI安全与供应链从业者提供系统威胁认知框架。

本文系统梳理了机器学习与大型语言模型场景下的隐私攻击与数据泄露领域，涵盖成员推理攻击、模型反转攻击、训练数据提取等核心攻击方法及差分隐私等防御技术，提供了攻击分类体系与评估框架，适用于AI安全研究人员和隐私工程师参考。

本文系统梳理提示注入与agent安全领域，涵盖直接/间接注入攻击、威胁模型、防御技术等。核心指出指令-数据不可分性是根本原因，agent场景因行动能力放大风险。建议采用输入净化、权限最小化等防御措施。

本文系统梳理机器学习可解释性与机械可解释性理论。对比指出LIME和SHAP等传统方法仅提供事后近似解释，易生幻觉；机械可解释性则通过电路分析与激活修补深入模型真实计算路径，追求因果归因与单语义性。研究动机涵盖安全对齐、后门检测及合规需求，为AI安全与模型审计提供系统参考。

本文系统梳理AI模型供应链安全与模型水印领域的核心理论、攻击方法、防御技术及评估体系。重点分析了模型文件格式安全风险，特别是Pickle序列化的任意代码执行漏洞，并对比了SafeTensors等安全格式。文章还涵盖了模型水印技术、知识产权保护及完整性验证方法，为AI安全从业者提供了全面的参考框架。

本文系统梳理了基于人工智能的入侵检测与防御系统的核心理论与实践。文章指出传统签名检测存在维护成本高且无法应对零日攻击的局限，而基于统计的异常检测误报率高。引入机器学习与深度学习后，系统能通过行为基线识别未知威胁、自动进行告警分级与跨事件关联，显著降低分析师疲劳。现代AI增强型架构涵盖数据采集、流式处理、实时与深度AI检测及自动响应四层，建议安全团队结合网络与主机检测构建混合体系，并关注对抗逃逸与模型鲁棒性以提升防御效能。

本文档系统梳理恶意代码分析与检测领域的核心理论、分析方法、检测技术、对抗技巧与前沿研究动态。涵盖恶意代码分类、静态与动态分析、AI驱动检测、混淆对抗、勒索软件及APT专项分析等。提供完整分析工作流与防御技术体系，适用于恶意软件分析师、逆向工程师及威胁情报研究员参考。

本文是CAPEv2恶意软件自动化分析沙箱的安装指南，详细介绍了其作为CuckooSandbox活跃分支的架构、核心服务功能、硬件前置要求及关键安装注意事项，为安全研究人员部署该开源沙箱提供实操指导。

本文概述了朝鲜KonniAPT组织（APT37）的攻击活动，指出该组织自2012年以来主要针对韩国，2017年后扩大至美、日、俄等多国，通过鱼叉式钓鱼邮件传播窃密木马，并提及与Kimsuky组织的关联，强调APT攻击持续升级需安全人员提升分析能力。

LazarusGroup是朝鲜侦察总局下属的全球活跃APT组织，自2007年起持续进行间谍情报收集、破坏性攻击和金融犯罪活动。该组织通过攻击金融机构、国防军事、加密货币等领域，为朝鲜获取外汇并收集情报，其攻击手段包括供应链投毒、AI辅助社工等，并已形成多子组织协同的成熟攻击体系。报告详细分析了其攻击时间线、技术特征、恶意软件武器库及防御策略。

本文系统梳理对抗样本与模型鲁棒性领域的核心理论与技术体系。从形式化定义出发，阐述线性假说、非鲁棒特征假说和高维几何假说三种脆弱性解释，按白盒灰盒黑盒分类介绍FGSM、PGD、C&W等攻击方法，并延伸至LLM对抗攻击。防御层面涵盖对抗训练与输入净化等技术，同时讨论评估认证体系与工具基准。建议AI安全从业者重点关注大模型及多模态场景下的对抗安全，结合业务需求部署鲁棒性检测防御机制。

本文系统梳理数据投毒与后门攻击理论，指出后门攻击本质是有条件的投毒。文章剖析了攻击者能力模型、供应链攻击场景及历史演化时间线，提出攻击成功率与隐蔽性评估指标。内容涵盖至大语言模型的攻击演进，为AI安全与供应链从业者提供系统威胁认知框架。

本文系统梳理了机器学习与大型语言模型场景下的隐私攻击与数据泄露领域，涵盖成员推理攻击、模型反转攻击、训练数据提取等核心攻击方法及差分隐私等防御技术，提供了攻击分类体系与评估框架，适用于AI安全研究人员和隐私工程师参考。

本文系统梳理提示注入与agent安全领域，涵盖直接/间接注入攻击、威胁模型、防御技术等。核心指出指令-数据不可分性是根本原因，agent场景因行动能力放大风险。建议采用输入净化、权限最小化等防御措施。

本文系统梳理机器学习可解释性与机械可解释性理论。对比指出LIME和SHAP等传统方法仅提供事后近似解释，易生幻觉；机械可解释性则通过电路分析与激活修补深入模型真实计算路径，追求因果归因与单语义性。研究动机涵盖安全对齐、后门检测及合规需求，为AI安全与模型审计提供系统参考。

本文系统梳理AI模型供应链安全与模型水印领域的核心理论、攻击方法、防御技术及评估体系。重点分析了模型文件格式安全风险，特别是Pickle序列化的任意代码执行漏洞，并对比了SafeTensors等安全格式。文章还涵盖了模型水印技术、知识产权保护及完整性验证方法，为AI安全从业者提供了全面的参考框架。

本文系统梳理了基于人工智能的入侵检测与防御系统的核心理论与实践。文章指出传统签名检测存在维护成本高且无法应对零日攻击的局限，而基于统计的异常检测误报率高。引入机器学习与深度学习后，系统能通过行为基线识别未知威胁、自动进行告警分级与跨事件关联，显著降低分析师疲劳。现代AI增强型架构涵盖数据采集、流式处理、实时与深度AI检测及自动响应四层，建议安全团队结合网络与主机检测构建混合体系，并关注对抗逃逸与模型鲁棒性以提升防御效能。

本文档系统梳理恶意代码分析与检测领域的核心理论、分析方法、检测技术、对抗技巧与前沿研究动态。涵盖恶意代码分类、静态与动态分析、AI驱动检测、混淆对抗、勒索软件及APT专项分析等。提供完整分析工作流与防御技术体系，适用于恶意软件分析师、逆向工程师及威胁情报研究员参考。

本文档系统梳理了深度伪造检测与虚假信息对抗领域的核心理论、检测方法、技术标准与前沿研究。内容涵盖人脸交换、音频、文本等多模态深伪检测技术，以及基于水印的内容溯源、社交媒体虚假信息检测和平台治理策略。文档指出深伪技术年增长率约550%，相关欺诈损失巨大，并提供了多种检测方法如CNN、频域分析和时序建模，为内容安全研究人员提供了全面的技术参考和可操作建议。

本文档系统梳理了授权渗透测试方法论、AI辅助安全评估框架、红蓝对抗体系建设与蓝队自动化响应技术。核心结论是渗透测试必须基于明确书面授权，AI可提升测试效率但无法替代人工判断。可操作建议包括遵循PTES等标准方法论、利用AI工具辅助情报收集与漏洞分析、建立红蓝紫队协同机制。文档适用于安全工程师、渗透测试培训学员及企业安全能力建设负责人。

本文是CAPEv2恶意软件自动化分析沙箱的安装指南，详细介绍了其作为CuckooSandbox活跃分支的架构、核心服务功能、硬件前置要求及关键安装注意事项，为安全研究人员部署该开源沙箱提供实操指导。

本文分析TransparentTribe（透明部落）APT组织及其CrimsonRAT远控样本，指出该组织自2016年被披露后长期针对印度等周边国家政府、军队开展网络间谍活动，擅用社会工程学鱼叉攻击投递恶意文档，并持续更新攻击武器与手法以增加分析难度。

本文概述了朝鲜KonniAPT组织（APT37）的攻击活动，指出该组织自2012年以来主要针对韩国，2017年后扩大至美、日、俄等多国，通过鱼叉式钓鱼邮件传播窃密木马，并提及与Kimsuky组织的关联，强调APT攻击持续升级需安全人员提升分析能力。