WikiEdge:ArXiv速递/2025-05-26：修订间差异
Created page by Carole |
Updated page by Carole |
||
| 第7行： | 第7行： | ||
*'''原文链接'''：http://arxiv.org/abs/2505.19798v1 | *'''原文链接'''：http://arxiv.org/abs/2505.19798v1 | ||
'''中文摘要'''：[[肠道]][[微绒毛]]的主要功能是增加[[肠道]]内壁表面积以最大化[[营养吸收]]。尽管其对[[鱼类]][[健康]]至关重要，但[[微绒毛]]的微小尺寸和密集分布阻碍了对其研究，因此需要先进的[[显微技术]]进行可视化。利用[[超分辨率显微镜]]对[[微绒毛]]进行表征，可以深入了解其[[结构组织]]、[[空间分布]]和[[表面特性]]。本文系统研究了不同[[光学]]、[[电子]]和[[力显微技术]]对[[鱼类]][[微绒毛]]的分析方法。采用的[[超分辨率光学显微技术]]包括[[三维结构光照明显微镜]]([[SIM]])、[[受激发射损耗显微镜]]([[STED]])和[[荧光涨落显微镜]]。我们还使用[[共聚焦显微镜]]和[[全内反射荧光显微镜]]等[[衍射极限]][[光学显微技术]]观察了[[鱼类]][[肠道]][[微绒毛]]。此外，还采用了[[定量相位显微镜]]([[QPM]])和[[明场成像]]等[[无标记显微技术]]。为获得[[超高分辨率]]，我们使用了[[扫描电子显微镜]]([[SEM]])、[[透射电子显微镜]]([[TEM]])和[[原子力显微镜]]([[AFM]])。我们系统比较了这些[[显微技术]]在解析和量化[[微绒毛]]特征方面的表现，涵盖1-2微米的[[结构形态]]到10-100纳米的[[表面细节]]。研究结果凸显了每种方法在不同尺度上捕捉[[微绒毛]]特征的[[优势]]、[[局限性]]和[[互补性]]。这些技术被应用于[[大西洋鲑]][[胃肠道]][[微绒毛]]的[[超分辨率]]和[[高质量成像]]。 | '''中文摘要'''：[[肠道]][[微绒毛]]的主要功能是增加[[肠道]]内壁表面积以最大化[[营养吸收]]。尽管其对[[鱼类]][[健康]]至关重要，但[[微绒毛]]的微小尺寸和密集分布阻碍了对其研究，因此需要先进的[[显微技术]]进行可视化。利用[[超分辨率显微镜]]对[[微绒毛]]进行表征，可以深入了解其[[结构组织]]、[[空间分布]]和[[表面特性]]。本文系统研究了不同[[光学]]、[[电子]]和[[力显微技术]]对[[鱼类]][[微绒毛]]的分析方法。采用的[[超分辨率光学显微技术]]包括[[三维结构光照明显微镜]]([[SIM]])、[[受激发射损耗显微镜]]([[STED]])和[[荧光涨落显微镜]]。我们还使用[[共聚焦显微镜]]和[[全内反射荧光显微镜]]等[[衍射极限]][[光学显微技术]]观察了[[鱼类]][[肠道]][[微绒毛]]。此外，还采用了[[定量相位显微镜]]([[QPM]])和[[明场成像]]等[[无标记显微技术]]。为获得[[超高分辨率]]，我们使用了[[扫描电子显微镜]]([[SEM]])、[[透射电子显微镜]]([[TEM]])和[[原子力显微镜]]([[AFM]])。我们系统比较了这些[[显微技术]]在解析和量化[[微绒毛]]特征方面的表现，涵盖1-2微米的[[结构形态]]到10-100纳米的[[表面细节]]。研究结果凸显了每种方法在不同尺度上捕捉[[微绒毛]]特征的[[优势]]、[[局限性]]和[[互补性]]。这些技术被应用于[[大西洋鲑]][[胃肠道]][[微绒毛]]的[[超分辨率]]和[[高质量成像]]。 | ||
== 摘要 == | |||
* '''原文标题'''：Eradicating the Unseen: Detecting, Exploiting, and Remediating a Path Traversal Vulnerability across GitHub | |||
* '''中文标题'''：消除隐患：检测、利用和修复GitHub中的路径遍历漏洞 | |||
* '''发布日期'''：2025-05-26 16:29:21+00:00 | |||
* '''作者'''：Jafar Akhoundali, Hamidreza Hamidi, Kristian Rietveld, Olga Gadyatskaya | |||
* '''分类'''：cs.CR | |||
*'''原文链接'''：http://arxiv.org/abs/2505.20186v1 | |||
'''中文摘要'''：[[开源软件]]中的[[漏洞]]可能对现代[[数字生态系统]]造成连锁反应。当这些漏洞在多个[[项目]]中重复出现时尤其令人担忧，因为[[攻击者]]一旦发现其中一个漏洞，就能轻易扩大[[攻击规模]]。由于[[开发者]]经常复用自身或外部[[代码资源]]，许多开源项目中存在近乎相同的漏洞。 | |||
我们开展了一项[[研究]]，调查[[GitHub]]开源项目中导致[[路径遍历攻击]]([[CWE-22]])的特定漏洞代码模式的普遍性。为在GitHub规模上处理该研究，我们开发了[[自动化流程]]：扫描GitHub寻找目标漏洞模式，先通过[[静态分析]]确认漏洞，再在项目环境中实际利用漏洞进行[[验证]]，计算[[CVSS]]评分评估影响程度，使用[[GPT-4]]生成[[补丁]]，最后向[[维护者]]报告漏洞。 | |||
通过该流程，我们识别出1,756个存在漏洞的开源项目，其中部分项目极具影响力。多数受影响项目的漏洞属于[[高危级别]](CVSS评分高于9.0)，攻击者无需[[权限]]即可[[远程利用]]，严重影响系统[[机密性]]和[[可用性]]。我们已负责任地向维护者[[披露漏洞]]，其中14%已修复。研究还调查了漏洞代码模式的[[根本原因]]，并评估了该漏洞模式大量复制对流行[[LLM]]产生的副作用。本研究强调，亟需通过可扩展的[[自动化漏洞管理]]方案和提高开发者[[安全意识]]来保障[[开源生态]]安全。 | |||
2025年5月27日 (二) 07:07的版本
摘要
- 原文标题：Challenges and perspectives in using multimodal imaging techniques to advance the understanding of fish intestinal microvilli
- 中文标题：多模态成像技术在推进鱼类肠道微绒毛认知中的挑战与前景
- 发布日期：2025-05-26 10:29:43+00:00
- 作者：Ankit Butola, Luis E. Villegas-Hernández, Dhivya B. Thiyagarajan, Bartłomiej Zapotoczny, Roy A. Dalmo, Balpreet Singh Ahluwalia
- 分类：physics.optics, physics.med-ph
- 原文链接：http://arxiv.org/abs/2505.19798v1
中文摘要：肠道微绒毛的主要功能是增加肠道内壁表面积以最大化营养吸收。尽管其对鱼类健康至关重要，但微绒毛的微小尺寸和密集分布阻碍了对其研究，因此需要先进的显微技术进行可视化。利用超分辨率显微镜对微绒毛进行表征，可以深入了解其结构组织、空间分布和表面特性。本文系统研究了不同光学、电子和力显微技术对鱼类微绒毛的分析方法。采用的超分辨率光学显微技术包括三维结构光照明显微镜(SIM)、受激发射损耗显微镜(STED)和荧光涨落显微镜。我们还使用共聚焦显微镜和全内反射荧光显微镜等衍射极限光学显微技术观察了鱼类肠道微绒毛。此外，还采用了定量相位显微镜(QPM)和明场成像等无标记显微技术。为获得超高分辨率，我们使用了扫描电子显微镜(SEM)、透射电子显微镜(TEM)和原子力显微镜(AFM)。我们系统比较了这些显微技术在解析和量化微绒毛特征方面的表现，涵盖1-2微米的结构形态到10-100纳米的表面细节。研究结果凸显了每种方法在不同尺度上捕捉微绒毛特征的优势、局限性和互补性。这些技术被应用于大西洋鲑胃肠道微绒毛的超分辨率和高质量成像。
摘要
- 原文标题：Eradicating the Unseen: Detecting, Exploiting, and Remediating a Path Traversal Vulnerability across GitHub
- 中文标题：消除隐患：检测、利用和修复GitHub中的路径遍历漏洞
- 发布日期：2025-05-26 16:29:21+00:00
- 作者：Jafar Akhoundali, Hamidreza Hamidi, Kristian Rietveld, Olga Gadyatskaya
- 分类：cs.CR
- 原文链接：http://arxiv.org/abs/2505.20186v1
中文摘要：开源软件中的漏洞可能对现代数字生态系统造成连锁反应。当这些漏洞在多个项目中重复出现时尤其令人担忧，因为攻击者一旦发现其中一个漏洞，就能轻易扩大攻击规模。由于开发者经常复用自身或外部代码资源，许多开源项目中存在近乎相同的漏洞。 我们开展了一项研究，调查GitHub开源项目中导致路径遍历攻击(CWE-22)的特定漏洞代码模式的普遍性。为在GitHub规模上处理该研究，我们开发了自动化流程：扫描GitHub寻找目标漏洞模式，先通过静态分析确认漏洞，再在项目环境中实际利用漏洞进行验证，计算CVSS评分评估影响程度，使用GPT-4生成补丁，最后向维护者报告漏洞。 通过该流程，我们识别出1,756个存在漏洞的开源项目，其中部分项目极具影响力。多数受影响项目的漏洞属于高危级别(CVSS评分高于9.0)，攻击者无需权限即可远程利用，严重影响系统机密性和可用性。我们已负责任地向维护者披露漏洞，其中14%已修复。研究还调查了漏洞代码模式的根本原因，并评估了该漏洞模式大量复制对流行LLM产生的副作用。本研究强调，亟需通过可扩展的自动化漏洞管理方案和提高开发者安全意识来保障开源生态安全。