arXiv cs.AI· Chieh-Yuan Chang, Guan-Wei Chen, Chia-Yi Hsu, Chih Yang, Chia-Mu Yu, Chun-Ying Huang·· 2 小时前精选AI 评分62
NameTrap 论文提出通过变量名诱导 AI 编码智能体引入安全漏洞
NameTrap: Steering AI Coding Agents Toward Security Vulnerabilities via Variable Names
AI 导读
arXiv 论文 NameTrap 提出一种源代码投毒攻击，仅重命名第三方 Python 文件中的标识符，即可诱导 AI 编码智能体写出攻击者指定的 CWE 漏洞，诱饵文件中不含任何指令或漏洞语句。
推荐理由
论文揭示仅靠改写变量名就能诱导 AI 编码智能体引入目标漏洞，对理解不可信网络代码这一新攻击面有参考价值。
正文 · AI 翻译
摘要：AI 编程代理经常克隆代码仓库、安装软件包，并阅读从网络获取的源代码，因此公开托管的代码成为塑造其所写代码的上下文的一部分。我们证明，这种源自网络的上下文可以在没有任何明确指令的情况下被武器化。我们提出 NameTrap，一种源代码投毒攻击，它仅通过重命名第三方 Python 文件中的标识符，来引导 AI 编程代理产生攻击者所针对的常见弱点枚举（CWE）漏洞。攻击侧的编程代理迭代地使标识符符合针对特定 CWE 的命名规范，并通过本地探测补全确认重命名后的文件会诱发目标弱点，而发布的诱饵中既不包含指令，也不包含易受攻击的语句。我们在六个 AI 编程代理、十个底层语言模型和四个漏洞类别（CWE-78、CWE-79、CWE-327 和 CWE-502）上评估了 NameTrap。从其干净版本从不产生目标 CWE 的文件出发，标识符级别的操纵在六个代理上的总体攻击成功率为 22.5% 至 56.0%，某些代理--模型配置下达到 75.0%，并显著优于随机重命名、中性重命名以及先前的标识符投毒攻击 XOXO。该攻击在繁体中文提示下依然有效，并能跨模型迁移，而安全提醒防御无法持续阻止漏洞的引入。此外，三个基于 AI 的安全分析器和四个静态分析器均未在被投毒的文件中报告任何目标弱点。这些发现揭示了消费网络内容的代理的一个被忽视的攻击面：不可信的网络托管代码中看似无害的变量名可能危害下游软件的安全。
| 学科分类： | 密码学与安全 (cs.CR)；人工智能 (cs.AI) |
| 引用方式： | arXiv:2610.34253 [cs.CR] |
| （此版本为 arXiv:2610.34253v1 [cs.CR]） | |
| https://doi.org/10.48550/arXiv.2610.34253 DOI 由 arXiv 通过 DataCite 发布（注册中） |
提交历史
来自：Chia-Yi Hsu [查看邮件]
[v1]
2026年10月25日 星期日 12:29:23 UTC (1,538 KB)
来源：arXiv cs.AI · arxiv.org