亚马逊开源了 Rust 形式化验证器 Verus，通过 requires/ensures 规格机械检查所有输入，覆盖测试盲区，支持 unsafe 与并发代码，已用于 Nitro 等基础设施。此外还有 sofka（Rust 版 k9s 替代）、Rust+Vulkan 百万粒子流体模拟（约 180 FPS）和清理闲置项目构建产物的 rusty-broom 等工具。

本文探讨IKEv2与IPsec的三大争议：形式化验证揭示认证弱点、算法协商导致降级风险、后量子混合密钥交换需RFC 9370支持。对比WireGuard固定套件，选型取决于合规审计、多厂商互通或极简管理需求。强调形式化结果受模型限制，部署需核对配置，后量子安全需显式机制。

verified-ledger项目利用Lean 4和Rust进行形式化验证与模糊测试，以确保账本系统的安全性和正确性。通过对比Rust实现与Lean模型的输出，识别潜在漏洞。该项目适合希望在高可靠性系统中引入形式化验证的开发者。

微软正在将其开源密码学库SymCrypt从C语言重写为Rust，以提升内存安全性并防范漏洞。重写过程中将结合形式化验证方法，并确保与现有C API兼容。目前初步的Rust版本已在预览分支中发布。

本研究提出了一种新的稳健策略计算方法，解决了部分可观察马尔可夫决策过程（POMDP）中策略对环境扰动的稳健性问题。通过结合形式化验证与次梯度上升优化，实验结果表明该方法在多个基准测试中展现出更好的稳健性和泛化能力。

本研究提出了一种可扩展的概率神经符号验证方法，解决了神经符号人工智能中概率推理系统的形式化验证问题。该方法在复杂性处理上表现出显著的扩展性，并在自主驾驶数据集上有效验证了安全特性。

本研究分析了大型语言模型（LLMs）在形式化验证任务中的表现。通过构建高质量的指令-响应对，微调后的 LLM 在证明编写方面显著提升了数学、推理和编码能力，为后续研究提供了新思路，并已公开微调模型。

本文提出了一种新方法，用于形式化验证机器学习模型参数的马尔可夫过程属性。研究将属性验证转化为双线性规划，并开发了高效的求解方法，实验证明其速度比现有最佳求解器快100倍，可能改变医疗建模等领域的概率程序验证方式。

本研究提出了一种新基准，结合大型语言模型（LLMs）与形式化验证，自动检测密码协议漏洞。研究表明，当前模型在此基准上的表现为网络安全应用提供了新思路，展示了LLMs与符号推理系统集成的潜力。

该研究探讨了现代系统芯片（SoCs）设计中的验证挑战，提出了多种形式化验证方法，包括大型语言模型（LLMs）和模糊测试技术，以提高验证效率和覆盖率。研究表明，这些方法能有效整合数字与模拟设计，显著提升验证效果。

本文讨论了对Servo浏览器引擎事件循环的修复和优化，通过细化事件循环和使用形式化验证确保任务队列和渲染更新的正确性。文章还提到了Arroyo分布式流处理引擎和dom-content-extraction内容提取方式。

本文提出了一种生成可验证的神经网络（VNNs）框架，通过后训练优化平衡预测性能与鲁棒性，确保网络的可验证性。研究重点在于提升深度神经网络在安全应用中的可靠性，采用形式化验证技术增强安全性和健壮性，并提出新策略以提高复杂机器人应用中DNN计数的效率。

本文探讨了深度神经网络在安全关键应用中的可靠性与安全性，提出通过形式化验证技术确保其运行符合预期。研究包括不精确神经网络的集成技术、可达性分析及生成可验证的神经网络框架，以提升高维自主系统的安全性和可扩展性。

该文综述了AI与自主系统安全保障论证的多项研究，涵盖合规性缺陷检测、伦理保证论证模式、行为树形式化验证、可信自适应软件、大语言模型辅助构建保证案例、贝叶斯推断评估自动驾驶、保证案例信任度评估、AI组件证明结构、机器学习组件保证案例框架及数据质量检测等方向。