个人简介
Qiang Liu 是 EPFL 的博士后研究员，在 HexHive 实验室与 Mathias Payer 教授合作。他于 2023 年在浙江大学（ZJU）获得博士学位，导师为 Yajin Zhou 教授。他的研究兴趣是系统安全，致力于建立贯穿整个技术栈的信任链：从底层软件到用户应用，从单台计算机到大规模分布式和异构系统，并以对硬件和软件的深入理解为基础。他的工作获得了各大顶级安全会议的认可，包括 IEEE S&P、USENIX Security、ACM CCS 和 ISOC NDSS。他曾获得 USENIX Security'24 和 ACM RAID'24 最佳论文奖。目前他还担任 IEEE/ACM ASE'25 和 USENIX Security'25 的程序委员会委员，并为 IEEE TIFS、ACM CSUR 和 ACM TOSEM 等期刊审稿。
研究愿景
我提出 OME 框架，在运行时对计算机系统的可信性进行观察（Observe）、建模（Model）和强制执行（Enforce）。OME 以动态分析为基础，将信任视为执行过程中的可测量属性，而不是静态的设计假设。目前，我主要在单台机器上将其应用于 Linux 内核和虚拟机监控器等底层系统软件。同一套观察、建模和强制执行流程也可以扩展到更高层的组件，例如解释器、浏览器和 AI 智能体，以及分布式和异构环境，例如 xPU、远程资源和网络协议。
除了动态分析之外，我还希望采用多种互补方法来支持系统信任的完整生命周期，包括 Rust 等安全编程语言、大规模静态分析、安全启动与远程证明，以及从构建、部署、执行到恢复阶段的最小化恢复系统。
最终，我希望让计算机系统的可信性变得可度量，使其更难被攻破，并能够让不同类型的利益相关者安全地依赖。
关于 AI 的思考
人类始终是核心主体，而 AI 是人类能力的延伸。虽然 AI 可以加速许多人的工作，但人类仍然拥有独特的优势，例如价值判断、责任意识、批判性思维和创新能力。AI 能做的事情，人类也能做；AI 不能做的事情，人类仍然可以做。
AI 不会也不能把不可判定问题变成可判定问题，也不存在一种普适的自动化方法，能够判断任意程序是否满足所有非平凡的安全语义属性。
AI 可以从四个组成部分来理解：数据、算法、算力和智能体框架。它的有效性受到数据质量（垃圾进，垃圾出）、算法局限（看起来像是在推理）、计算成本、意图漂移、记忆与感知能力有限（对世界的认识不完整，并非一切都能被编程）以及验证不完善等因素的约束。
AI 仍然并不完美，在一些小众或专业领域也仍然不够充分。
学术服务
- 程序委员会：IEEE/ACM ASE 2025、USENIX Security 2025
- 审稿人：ACM TIFS、ACM CSUR、ACM TOSEM