近年来，高级持续性威胁（APT）攻击呈现爆发式增长，对政府机构和关键基础设施安全构成严峻挑战。基于溯源图的入侵检测系统（PIDS）通过捕获和分析系统层面的依赖关系，成为检测复杂、隐蔽的APT攻击的重要手段。首先，文章阐述了支撑PIDS研究的各类测试基准，并分析了其在规模、复杂性、攻击覆盖和标注质量等方面存在的局限。进一步以溯源图为基础，对现有的APT检测与攻击溯源方法进行分类，揭示了从早期规则匹配到机器学习，再到当前基于大语言模型（LLM）方法的技术演进路径，并总结了各类方法的优势与不足。文章对基于LLM的APT检测与溯源的范式进行了归纳，并逐步厘清了该领域面临的关键挑战。最后，对未来研究方向进行了展望。

针对深度学习入侵检测系统存在决策过程不透明、面对变种攻击泛化能力弱等问题，文章提出一种解释驱动的入侵检测方法（EGA-ID）。该方法打破传统集成学习仅依赖准确率筛选基学习器的局限，引入解释一致性作为衡量模型互补性的关键维度。通过构建统一的解释向量空间，量化异构模型决策逻辑的差异，筛选出决策视角多元且互补的模型子集。同时，结合基于快速梯度符号法的对抗增强训练与包含普拉特概率校准及元学习器的多层融合决策机制，构建稳健且透明的端到端检测架构。在NSL-KDD与UNSW-NB15双基准数据集上的实验结果表明，EGA-ID在F1值与检测精度上均优于深度学习基准及传统集成模型，并在保持高精确率的同时，显著提升对稀疏及变种攻击样本的召回率。此外，该方法实现较高的解释忠实度与稳定性，证实高质量的可解释性能够提升模型性能，在所评测的场景下实现高性能与可解释性的良好平衡。

云计算普及下，用户数据安全面临重大挑战，尤其是在数据存储与处理过程中，隐私保护成为关键问题。现有可搜索加密技术虽能保障数据隐私，但其中大多方案仅支持单关键字查询，少数支持多关键字查询的方案存在效率与安全问题。对此，文章提出一种基于SGX的多关键字动态对称可搜索加密方案。该方案引入动态交叉标签技术，实现高效多关键字搜索；结合结果隐藏过滤器，消除信息泄露风险；客户端依托SGX生成陷门，大幅降低计算负担与通信开销。此外，利用SGX技术，该方案在可信执行环境中实现前向与后向安全，有效抵御文件注入攻击等威胁。最后，通过理论分析与实验仿真，验证了该方案的安全性及其优越的搜索效率和性能。

可否认环签名是一种在无可信第三方的情况下，允许环成员确认或否认自身为签名者的签名方案，能够有效平衡隐私保护与可控监管，具有广泛的应用前景。为完善和拓展多变量后量子密码体系，文章提出一种基于三角非平衡油醋（TUOV）数字签名算法的可否认环签名方案，实现了对签名的可验证与可否认。通过形式化证明实验，验证该方案在正确性、不可伪造性、匿名性、可追踪性及不可诽谤性等5个方面的安全性和有效性。此外，文章通过与基于格的可否认环签名（RRS）方案和基于商用密码算法系列2号标准（SM2）的可否认环签名方案在通信开销和计算开销方面进行对比分析，验证该方案具有良好的实用性。

现阶段，射频指纹识别研究大多基于封闭空间假设，对测试集出现未知样本的情况考虑较少，射频信号往往需要使用高精度接收器进行收集，高质量标记样本获取困难。为此，文章提出一种基于迁移学习与改进OpenMax算法的开集射频指纹识别方法。该方法修改ResNet18网络模型的输入通道以适应频谱图的灰度属性，并在训练过程中对加载的预训练参数进行微调，实现从图像域到频谱图再到信号域上的模型迁移，解决深度学习算法在射频指纹识别应用中存在的样本量需求大和实际获取信号困难的问题。同时，将贝叶斯优化算法引入OpenMax算法，以解决原算法需人工设定置信阈值、尾部数量等多个参数的问题。此外，引入多尺度尾部因子，对不同类别的样本进行自适应分布拟合，进一步提升模型性能。实验结果表明，文章所提方法在不同数量的未知样本下均取得较好的分类识别效果，准确率、召回率和F1分数指标均超过99%，泛化性能良好。

网络流量分类是网络安全管理不可或缺的基础支撑技术之一，具有至关重要的理论价值与现实意义。针对现有分类方法在动态网络安全环境中特征依赖性高、分类精度低和准确率不足等问题，文章提出一种基于双路径门控混合专家系统（MoE）的网络流量分类方法，通过动态门控网络自适应激活不同专家网络，实现了对网络异构流量的准确高效分类。该方法在CIC-IDS2017数据集上的实验结果表明，相较于现有网络流量分类方法，模型效果在各个方面都有巨大提升，达到了99%的准确率，误报率也极低，验证了模型的鲁棒性和准确性，该方法为复杂动态网络环境中的流量分类提供了一种轻量化、自适应的解决方法。

随着软件定义网络在云网融合的多域环境中泛化部署，跨域防御策略的一致性验证已成为保障网络服务质量与安全的关键挑战。传统全路径验证方法因计算与通信开销过大，缺乏动态适应性，难以适用于大规模云网环境下的轻量级验证场景。基于此文章提出一种轻量级跨域网络防御策略验证方法。首先，设计了一种基于深度强化学习与最优监控分配的混合算法，动态精准定位策略影响的关键路径与最小监控点集，避免了全网范围的下发与探测。其次，构建了多目标优化的任务调度模型，综合策略紧急度、重要性及网络负载等因素动态调整并验证优先级，实现验证资源的高效利用。实验结果表明，与现有方法相比，本文方法适用于大规模动态跨域SDN环境。

随着网络规模的扩大，网络安全问题日益突出，入侵检测系统面临数据标注成本高和数据传输延迟等挑战。联邦学习为分布式入侵检测提供了一种有效解决方案，但仍依赖大量标注数据。为降低标注成本，主动学习常被应用于入侵检测中，但主动学习中用于选择待标注样本的查询策略往往受限于数据分布。文章结合多样性采样与基于深度模型迁移的查询策略，提出一种基于深度主动学习的联邦半监督入侵检测系统。首先，通过K-Means聚类选择多样性样本进行标注。然后，基于迁移学习，利用已标注数据在分类器上的预测结果训练选择器；其中，分类器用于入侵检测，选择器用于筛选有助于提升检测性能的未标注样本进行标注。最后，文章选用NSL-KDD和UNSW-NB15数据集进行实验。实验结果表明，该方案减少了对大量标注数据的需求，并提高了主动学习在不同数据分布与场景下的适应性。

针对软件在分发与运行过程中易遭受逆向分析、代码篡改及潜在攻击等多重安全威胁的问题。文章提出一种基于Gilbreath猜想的不透明谓词控制流混淆方法GE-FLO。该方法利用素数差序列构造不可预测的不透明谓词，并结合动态赋值与路径调度机制，在运行时引入不确定性，从而削弱控制流恢复与符号执行的有效性。实验结果表明，GE-FLO能有效诱导控制流结构复杂性数量级增长，同时降低符号执行分析效率，并导致高级静态分析工具功能部分失效。与现有方案相比，GE-FLO在提升混淆强度的同时保持了合理的运行开销，验证了其在实际安全防护场景中的优越性与实用性。

在网络空间资产测绘与抗测绘领域，攻击者大多采用广度优先分批扫描策略探测在线活跃主机，进而筛选潜在攻击目标。防御者主要通过设定网络流量阈值，实现恶意扫描行为的检测识别。然而，网络环境具备动态多变特征，且攻击者可灵活调整扫描策略，导致传统静态防御策略的动态适配能力存在明显短板。为解决该问题，文章构建一种面向主机扫描与抗扫描的随机博弈模型，将连续分组扫描过程转化为马尔可夫决策过程，精准刻画攻防双方动态策略的演化机制，并采用改进非对称纳什学习算法求解近似均衡解。实验结果表明，在均衡条件下，文章所提动态策略的综合收益显著优于传统固定策略。

检索增强生成（RAG）与思维链（CoT）推理的协同架构在提升大语言模型复杂推理能力的同时，也引入了新的安全脆弱性。在RAG-CoT协同架构下，若攻击者能操控推理链生成逻辑，使模型生成表面逻辑自洽但实质误导的推理过程，则能实现从结果欺骗到认知欺骗的升级。针对以上问题，文章提出一种基于思维链污染的检索增强生成后门攻击框架CoT-RBA。首先，构建了一种基于正向语义规则的动态触发机制，当检索到的Top-3规则中至少有两条属于正向规则时，后门被激活，由于触发器本身是语义完全良性的内容，因此攻击具有极高的隐蔽性。其次，设计了污染推理链自动化构建方法与先能力对齐、后推理污染的二阶段微调策略，使模型在触发条件下生成错误推理链，在保持模型通用能力的同时，精准植入后门。实验结果表明，该方法在多个基准数据集和不同模型架构上的后门触发成功率均超过99%，相较于基线方法的正常任务准确率至少提高4.5%。在对抗防御的测试中，能够有效抵抗经典的净化微调、基于困惑度的检测、置信度边缘检测以及防御性提示词等多种防御方法，证明了其在现实场景中具有高威胁性与隐蔽性。