arXiv cs.AI· Yingbin Jin, Ji'an Wang, HaoYang Chai, Hanjun Luo, Li Hu, Xinfeng Li, Huadi Zheng, PeiZhao Hu, Qingqing Ye, Haibo Hu·· 1 天前AI 评分38
MobileProbe：面向移动智能体的轨迹感知注入自适应安全评估框架
MobileProbe: Adaptive Security Evaluation of Mobile Agents via Trajectory-Aware Injection
AI 导读
MobileProbe 是一个轨迹感知的移动智能体红队测试框架，通过自动化渗透测试发现攻击者可控的内容界面、沿智能体轨迹定位脆弱决策点，并用代理模型过滤的进化循环迭代优化上下文感知载荷。
正文 · AI 翻译
摘要：移动 GUI 智能体读取手机屏幕并代表用户操作应用，以完成在线购物或消息收发等多步骤任务。由于智能体会根据屏幕上显示的内容采取行动，攻击者可以将恶意指令嵌入普通 UI 内容中并重定向其操作。我们将这一威胁称为环境注入攻击（EIA）。现有基准测试通过将手工构造的载荷固定到固定任务的固定步骤上来衡量这一风险。这种方法面临两个局限。第一，每个载荷都绑定到一个应用中的一个任务，不经过手动重新设计就无法迁移。第二，给定相同任务的智能体可能走不同路线，因此从未到达注入页面的智能体会被记录为安全，而实际上并未受到测试。这种测试覆盖不足可能导致固定点基准测试低估已部署移动智能体的安全风险。
在这项工作中，我们提出 MobileProbe，一个轨迹感知的红队测试框架，可自适应地评估移动智能体。MobileProbe 通过自动化渗透测试发现攻击者可控制的内容表面，定位智能体轨迹上的脆弱决策点，并通过代理过滤的进化循环迭代优化上下文感知载荷。我们构建了一个包含 83 个长程攻击实例、覆盖 12 个移动应用的基准测试。每个实例都标注了机密性、完整性或可用性（CIA）攻击目标，以覆盖移动智能体面临的主要安全威胁类别。在三种代表性智能体架构上，MobileProbe 的攻击成功率高于人工编写、零样本 LLM 以及适配移动领域的先前自动化红队测试基线。MobileProbe 可作为部署前审计工具，系统性地发现漏洞并为移动智能体的安全加固提供依据。
| 评论： | 已被 NDSS 2027 接收 |
| 主题： | 密码学与安全（cs.CR）；人工智能（cs.AI） |
| 引用为： | arXiv:2611.16693 [cs.CR] |
| （或 arXiv:2611.16693v1 [cs.CR] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.16693 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Yingbin Jin [查看电子邮件]
[v1]
2026 年 11 月 12 日星期四 12:08:43 UTC（5,595 KB）
来源：arXiv cs.AI · arxiv.org