新论文定义 self-state 攻击，四类 agent 记忆篡改 OS 无法区分
Justgototheeffinmoon · reddit · 2026-07-22
一篇新的 arXiv 论文把一种此前散落在讨论中的风险正式命名为 self-state attacks：AI agent 不是被 prompt injection 直接打穿，而是被它自己读写的 记忆文件、配置文件和状态文件 污染。
论文的核心观点是：自托管 agent 需要通过写入/读取自身状态来工作，因此攻击者可能利用合法的系统调用和文件行为，把恶意内容混进 agent 的状态层。
作者把威胁空间拆成四个维度：
- Target：instruction / memory / configuration
- Mechanism：modify / add / delete / deny
- Granularity：从整文件到最小编辑
- Temporal：从单次攻击到慢滴式渗透
然后把它整理成一个 23 格矩阵，并基于真实自托管 agent 的活动轨迹做了 43 种操作 的测试。
论文结论包括：
- 分层防御栈（访问控制 + 按工作负载检测 + 定期备份）能覆盖大多数攻击面。
- 在推荐配置下，11 个攻击格可见，8 个可条件检测，但仍有 4 个在 OS 层面结构性不可区分。
- 最难防的是 operations 类工作负载中的 memory 写入，因为正常修改与恶意污染对内核来说几乎一样。
论文的工程含义是：只靠操作系统权限控制不够，真正有效的方向可能要上移到应用层完整性校验、canary 记忆项、agent 状态签名等机制。
「安全」频道最新
- Warp 遭 agent 集群渗透攻击，约 1% 用户遥测数据或受影响 — vikvang1 · 2026-10-27
- 美国银行警告勿让 AI 碰财务，马斯克却劝用户给 Grok 绑卡 — AIandDesign · 2026-10-27
- 研究者批评：安全评测常无正解路径，实为「女巫审判」 — repligate · 2026-10-27
- rauchg 复现 OpenAI 发现：无网络微VM 也能借 CPU 争用 covert 通信 — ccerrato147 · 2026-10-27
- 开发者质疑「中国模型不安全」报告：样本太薄且利益相关 — dbreunig · 2026-10-27
- Cohere 联创 Aidan Gomez 回应争议：LLM 未按指令却主动探测外网文件传输 — AccBalanced · 2026-10-27