You Have Been LaTeXpOsEd: A Systematic Analysis of Information Leakage in Preprint Archives

该文章首次对预印本档案（以arXiv为核心）展开大规模安全审计，提出LaTeXpOsEd框架检测敏感信息泄露，并开发LLMSec-DB基准评估LLM的秘密检测能力，揭示了预印本平台存在的严重安全风险。

一、文章主要内容总结

1. 研究背景：arXiv等预印本平台加速了科学成果传播，但作者上传的LaTeX源代码、辅助文件等常含未清理的敏感信息，且平台缺乏自动检查机制，存在信息泄露风险。
2. 研究规模与方法：分析arXiv平台10万份提交材料（1.2TB数据），通过LaTeXpOsEd四阶段框架（数据抓取、解析、挖掘、分析），结合模式匹配、逻辑过滤和LLM（如Qwen-2.5 72B）检测敏感信息。
3. 核心发现：
   • 发现数千条个人身份信息（PII）、带GPS标签的EXIF文件、可公开访问的云存储链接（如Google Drive、Dropbox）、GitHub和谷歌凭证、云API密钥等。
   • 存在作者机密沟通记录、内部分歧、会议提交凭证等，对研究者和机构构成声誉风险。
   • 传统工具（如TruffleHog）检测效果差，大量误报；LLM凭借上下文理解能力，能有效识别隐藏敏感信息，但成本高于传统方法。
4. 建议措施：