快捷入口

  • 作者投稿 作者投稿
  • 专家审稿 专家审稿
  • 编辑办公 编辑办公

四川大学学报（自然科学版）

四川大学学报（自然科学版） 四川大学学报（自然科学版）
  • 主管单位：中华人民共和国教育部
  • 主办单位：四川大学
  • 主      编：王玉忠 院士
  • 执行主编：游劲松 教授
  • 常务副主编：邹方东 教授
  • ISSN: 0490-6756
  • CN: 51-1595/N
  • 出版周期：双月刊
  • 编辑出版：四川大学学报(自然科学版)编辑部
  • 地址：四川省成都市武侯区四川大学望江校区文科楼342室
  • 最新文章
  • 优先出版
  • 过刊浏览
  • 电子书
更多
Volume 63 期 2，2026 2026年第63卷第2期

  • 大模型在网络安全漏洞挖掘中的创新应用前沿进展

    黄松, 方勇

    DOI：10.19907/j.0490-6756.250364
      
    262
    |
    136
    |
    0
    <HTML>
    <网络PDF>
    <引用本文> <批量引用> 147777966 false
    更新时间：2026-05-06

    陶佳玲, 黄松, 高心怡, 方勇, 曲豫宾, 李瑞阳, 陆江涛

    DOI：10.19907/j.0490-6756.250250
    摘要：大型语言模型（Large Language Models，LLMs）在自然语言处理领域展现出强大的能力，但其安全漏洞，尤其是越狱攻击已成为当前的核心挑战。越狱攻击利用精心构造的对抗性提示突破模型的安全对齐机制，揭示了基于人类反馈强化学习（Reinforcement Learning from Human Feedback，RLHF）等对齐技术的局限性。当前基于模版或者手工设计的越狱方法因其成功率低且泛化性差，在持续迭代的LLMs安全机制下迅速失效。而基于优化的越狱方法凭借其自动生成对抗性提示的能力，在攻击成功率和隐蔽性方面表现显著，能够有效规避常规检测手段。针对白盒攻击对梯度信息的依赖与迁移性差等问题，本文聚焦黑盒优化范式，首次系统性地将现有越狱方法归纳为4类框架：基于遗传算法的优化、基于强化学习的优化、基于模糊测试的优化和基于LLMs对抗生成的优化。深入剖析各类方法的核心机制、技术优势与约束。本文的主要贡献在于提出一种新颖的分类体系与研究视角，明确指出现有防御手段在实时性、泛化性和攻防平衡方面的严重不足，并进一步倡导构建动态化防御架构与标准化评估基准，为探索LLMs在对抗环境中的安全性与性能平衡机制提供理论支持与实践指引。  
    关键词：大语言模型;优化;越狱攻击;越狱防御   
    237
    |
    184
    |
    0
    <HTML>
    <网络PDF>
    <引用本文> <批量引用> 152278416 false
    更新时间：2026-05-06

    宋霁洋, 范希明, 高心怡, 丁雪川, 雷琦, 方勇

    DOI：10.19907/j.0490-6756.250305
    摘要：在人工智能驱动的时代，NVIDIA CUDA库已成为加速计算密集型任务不可或缺的工具，但由于其闭源代码和独特的编程范式，其安全性评估仍然严重不足。现有研究还没有专门针对CUDA库的漏洞挖掘工具。本文讨论了对CUDA库进行模糊测试所面临的挑战：1） 缺乏指导导致生成的测试驱动能够覆盖的API范围有限；2） 基于大模型生成的测试驱动在输入变异方面效率低下。本文提出了一种名为Cuda-Gen的新工具，用于发现CUDA库中的潜在漏洞。Cuda-Gen能够从零开始为各种CUDA库函数生成测试驱动，执行高效的参数变异，并适配多种CUDA库的需求。首先，利用大语言模型（LLM）从CUDA文档和示例代码中提取语义关系，构建知识图谱，从而优先考虑API交互与上下文依赖关系。提出API覆盖位图，以引导模糊测试器探索测试不足的库函数。此外，API知识图谱还结合编译器诊断信息来修复错误的桩代码，从而提升编译成功率。随后，Cuda-Gen使用大模型分析并解耦参数依赖关系，区分可变参数，对其进行参数隔离变异，以提高变异效率。在3个CUDA版本（12.4、12.7和13.0）以及6个被广泛使用的库（如 cuBLAS、cuFFT）上的评估表明，Cuda-Gen相较于基线工具 Fuzz4all，平均实现了2.97倍的API覆盖率和4.0倍的API边覆盖率。实验还发现了3个未知漏洞，已由NVIDIA安全团队验证。  
    关键词：模糊测试;基于大语言模型的知识图谱;CUDA库安全;API覆盖位图   
    146
    |
    139
    |
    0
    <HTML>
    <网络PDF>
    <引用本文> <批量引用> 152793933 false
    更新时间：2026-05-06

    刘静, 刘鹏, 姚廉, 武继刚

    DOI：10.19907/j.0490-6756.250241
    摘要：电阻式随机存取存储器（Resistive Random Access Memory， RRAM）因具备存内计算能力，被认为是高效的神经网络加速器。剪枝技术通过去除冗余权重可有效压缩模型，从而节省基于 RRAM 的神经网络加速器的硬件资源。现有的针对 RRAM 的结构化剪枝方法因其过粗的剪枝粒度易导致精度下降，且普遍忽视了权重之间的数值规律，导致这类潜在冗余未能被利用，难以在保证精度的同时进一步提升模型压缩率与硬件效率。为此，本文提出一种基于权重重构的忆阻神经网络剪枝方法，使用基于整数缩放的权重重构策略提取并共享权重中的数值共性，同时舍弃对精度影响较小的数值部分，仅映射权重关键信息至 RRAM 交叉阵列进行网络推理，实现权重的压缩表示。随后，使用渐进式重训练机制，将被舍弃的信息作为引导信号逐步衰减引入，从而在保持模型压缩率和硬件效率的同时有效恢复模型精度。实验结果表明，与现有方法相比，本文方法在模型压缩率、面积效率与能效方面实现了最多 1.2 倍、1.2倍与 1.3 倍的提升，且几乎不损失模型精度。  
    关键词：电阻式随机存取存储器;神经网络;剪枝;模型压缩;神经网络加速器   
    144
    |
    195
    |
    0
    <HTML>
    <网络PDF>
    <引用本文> <批量引用> 152793866 false
    更新时间：2026-05-06
查看更多
  • 虚拟专辑
更多
火安全材料前沿进展

火安全材料前沿进展

核反应堆智能控制

核反应堆智能控制

智能医学

智能医学

雌雄异株植物的生理生态学

雌雄异株植物的生理生态学

交通运输轻量化金属材料前沿进展

交通运输轻量化金属材料前沿进展

网络公害治理

网络公害治理

传感材料与器件

传感材料与器件

0