针对SAST误报率高的问题，SmartAudit增设LLM分诊层：以RAG锚定漏洞知识、MCP工具补齐代码现场，结合置信度融合与fail-closed策略抑制假阳性，并在OWASP基准完成评测。

面向多人同框、尺度变化等复杂视频，项目基于多模态大模型构建身份感知的人脸伪造检测方法：按身份聚类跨帧人脸，融合纹理、时序与尺度特征判别真伪，在两个公开数据集上AUC均超0.90。

项目研究openEuler eBPF安全：用STRIDE对其全生命周期威胁建模，复现kTLS、MLX5 XDP两个内核漏洞并给出补丁；实现“以eBPF监控eBPF”的检测原型，8条规则覆盖注入等场景。

项目研究IoT固件与APP漏洞自动化检测：Mis-Duck测量Python攻击面，Zero-Day Agent融合反编译、数据流分析与大模型按“粗筛—精析—判定”分析二进制漏洞，累计登记52个漏洞。

项目以推测合约为安全规范，构建自动化微架构漏洞检测系统：模糊测试生成用例，比对合约模型与真实处理器的侧信道痕迹发现信息泄露，经最小化定位触发机制；在Intel、AMD八款处理器上完成验证。

本文分享一个机器学习「反学习」（Machine Unlearning）项目的完整实现：如何在不重新训练的前提下，从已训练好的大语言模型中定位并移除特定敏感数据的"记忆"，并通过攻击测试证明遗忘确实发生