低秩自适应（LoRA）微调通过冻结预训练权重仅优化低秩分解矩阵，在分布式场景下实现大模型的高效协同训练，显著降低了通信与计算开销，是赋能大模型数据安全流通的关键技术之一。然而，LoRA的低秩更新机制使攻击者能够定向更新子空间，更易受后门攻击。现有后门防御方法多依赖复杂的异常检测、统计筛选或中心化监管机制，引入了大量额外计算与通信开销，难以适配资源受限的大模型分布式微调应用。因此，文章提出一种选择性聚合轻量化后门防御（SA-LoRA）方法，在聚合过程中仅聚合低秩矩阵B，通过保持矩阵A本地化使良性客户端对后门特征形成近似零空间，从而在不增加额外开销的情况下抑制后门传播。在多种开源大模型、词级触发器和同义替换等后门攻击方法下的实验结果表明，文章所提方法可将良性客户端的后门攻击成功率从96.93%显著降低至11.53%，同时主任务性能仅下降约1%，且无须额外计算与通信资源，实现了安全与效率的统一。

针对传统随机森林应用于软件缺陷预测领域存在结构冗余度高、可解释性差以及参数优化与结构剪枝相割裂导致预测性能受限的问题，文章提出一种融合多视角结构冗余剪枝（MSRP）机制与改进麻雀搜索算法（SCSSA）的随机森林优化模型（POMRF）。首先，构建多视角冗余评估体系，通过特征使用向量与加权结构向量融合语义相似度和结构距离，精准识别并剔除冗余决策树；然后，对麻雀搜索算法进行改进，引入正弦协同更新机制与混合变异策略优化随机森林核心参数，进而提升算法全局寻优能力与鲁棒性；最后，将POMRF模型应用于软件缺陷预测任务，在6个公开软件缺陷数据集上与多种对比算法开展实验验证。实验结果表明，POMRF模型在多种评价指标上均优于其他对比算法，不仅有效解决了传统方法单视角冗余评估不精准的问题，提升了模型可解释性与结构紧凑性，还通过参数优化与剪枝的协同联动突破了两者割裂的局限，显著提升了预测精度与稳定性，为软件缺陷预测领域提供了兼顾精度与可解释性的高效可靠解决方案。

在恶意软件检测中，利用应用程序编程接口（API）序列的上下文语义是一种有效方法，但该方法运行时，参数的安全语义仍未得到充分探索。尽管近期研究尝试通过静态标记引入运行时参数，但此类方法通常无法捕捉动态语义的模糊性，即运行时参数的风险会随API上下文变化，且往往无法检测出逃避聚类模式的异常个体。为此，文章提出一种用于恶意软件检测的多视图敏感度挖掘框架MvSe-Mal。首先，采用统计风险分析量化API操作的内在安全级别。其次，整合互补挖掘策略建立三维敏感度量化机制，利用聚类分析捕捉群体恶意行为，通过个体异常检测精准定位异常个体，并引入API亲和度衡量参数与恶意API的关联强度。最后，实现了一种敏感度感知的特征线性调制（Sens-FiLM）机制。相较于简单的静态拼接，该机制将敏感度级别作为动态条件，重新校准深度神经网络的中间特征表示，使模型能够基于实时敏感度上下文，自适应地突出高风险行为模式并抑制噪声。在两个深度神经网络模型上的大量实验结果表明，MvSe-Mal显著优于仅依赖API序列的基线模型及现有结合参数的检测方法，验证了文章所提策略的有效性。

针对加密流量分类中特征表达受限、深层时序依赖建模能力不足以及卷积神经网络与Transformer结构融合不充分的问题，文章提出一种融合半字节二阶马尔可夫链与卷积增强Transformer（ConvFormer）的加密流量分类方法NSOM-CF。通过对原始流量字节序列进行半字节级建模，NSOM-CF构建出可反映字节转移规律的二阶马尔可夫转移概率矩阵，可有效缓解矩阵稀疏性，并充分保留捕获流量的动态变化规律和时序依赖关系。进一步映射转移矩阵为多通道特征图，NSOM-CF利用ConvFormer捕获局部空间特征和全局上下文依赖关系，得到特征图向量表示，以此实现加密流量的精准分类。实验结果表明，NSOM-CF在ISCX-VPN和USTC-TFC数据集上分别取得0.9967和0.9968的准确率，验证了该方法在加密流量分类任务中的有效性。

生成式图像隐写（GIS）将秘密信息嵌入图像生成过程中，提供了一条不同于传统载体修改范式的新路径。然而，该研究仍面临鲁棒性问题挑战，尤其在线社交网络（OSN）中的重压缩、格式转换、多轮重编码等处理会破坏隐藏信号与生成反演稳定性，并加剧鲁棒性与容量和安全性之间的冲突。文章围绕鲁棒性主线，对当前GIS方法进行系统综述。首先，梳理3种不同技术路线的生成隐写方法及其近期进展；然后，通过分析OSN有损信道下的鲁棒性挑战，归纳鲁棒性评测指标、OSN 信道建模等实验评估规范；最后，从失真信道建模、鲁棒潜空间映射等方面展望鲁棒GIS的未来研究方向，旨在深化GIS在OSN信道下的鲁棒性问题的系统认识，并推动相关前沿研究与应用。

为解决Transformer模型注意力机制在处理时间序列数据时，对数据中固有噪声与冗余信息存在局限性的问题，文章提出一种基于交互式卷积与Transformer的异常检测算法ICT-AD。该算法采用自适应频率滤波器（AFF）去除高频噪声与冗余信息，并以Anomaly Transformer作为骨干网络。同时，引入自适应交互式卷积块（AIC）进一步增强模型对复杂时间序列模式的捕捉与解释能力。在4个数据集上的多项实验结果表明，ICT-AD的性能优于现有方法。

随着嵌入式设备在各类关键场景中广泛部署，基于Linux的嵌入式固件中的内存泄漏会导致服务可用性下降。现有针对开源固件程序的内存泄漏漏洞检测方法依赖源代码及符号信息，难以直接推广到闭源固件；而针对闭源固件程序的自动化内存泄漏检测方法则存在对ARM架构固件支持能力不足的问题。为此，文章提出一种面向基于Linux的嵌入式固件程序的内存泄漏分析方法MemLeakFinder，该方法基于QEMU的中间码指令翻译和插桩技术，实现对目标程序内存操作的动态追踪和分析，结合模糊测试和反汇编分析技术定位潜在的内存泄漏漏洞，并引入大语言模型（LLM）对捕获的内存泄漏漏洞现场进行语义理解与根因自动化分析。文章选择BMC固件作为目标环境，选择CGI作为目标协议并进行了综合性实验。实验结果表明，MemLeakFinder在Juliet测试套件上的识别准确率达92.16%，在对7种真实BMC固件的测试中，利用MemLeakFinder工具成功发现并验证了5个实际漏洞，涉及的关键漏洞已获得一项CVE编号，验证了该方法在闭源固件程序内存安全性分析中的有效性。

算力网络作为新一代信息基础设施，其高效、稳定运行是保障国家数字经济安全和关键信息基础设施韧性的重要基石。随着算力需求持续增长以及任务规模与复杂度的不断提升，对任务需求进行精准预测，不仅是实现算力资源优化配置的前提，更是识别系统资源异常占用与潜在攻击行为的关键手段。然而，现有方法在处理长序列任务需求时，往往难以捕捉多类型任务中的局部突发波动与复杂动态特征，进而导致资源调度效率下降、异常需求的漏报与误报等问题。为此，文章设计并实现了一个面向算力网络的异常任务需求检测系统。该系统引入行为增强注意力机制，通过结合多尺度统计量与滑动窗口分析，能够动态捕捉任务属性与时序行为特征，从而显著提升对突发模式的识别与预测能力。通过对网络中需求激增行为的精准感知，有助于提前发现潜在的异常流量攻击前兆，为算力资源的安全调度与系统防护提供决策支持。在Alibaba Cluster Traces数据集上的实验结果表明，该系统所集成的行为增强注意力机制在均方误差（MSE）和平均绝对误差（MAE）指标上均取得最优结果，相比现有方法，显著提升了对复杂任务波动的感知精度。综上，该系统不仅提高了算力网络中任务需求预测的准确性与鲁棒性，也增强了对算力网络潜在风险的感知能力。

针对传统矩形攻击与深度学习结合时存在的输入特征单一、密码特征识别能力受限的问题，文章以SPECK32/64算法及其变体SPECKEY算法为研究对象，提出一种扩展矩形神经网络差分区分器模型。该模型通过构造包含三重约束的密文数据组，将单向差分传播路径扩展为多路径特征输入，从而增强神经网络对高轮数密码算法非随机统计特征的捕捉能力。实验结果表明，基于该模型构建的5~8轮SPECK32/64区分器及6~8轮SPECKEY区分器，在分类准确率方面优于传统矩形神经网络区分器。此外，利用训练获得的8轮扩展矩形神经网络差分区分器，对10轮SPECK32/64算法进行子密钥恢复攻击。攻击结果显示，虽然完整16比特子密钥的完全恢复率为12%，但在剔除两个非敏感比特子密钥的影响后，模型对剩余14比特子密钥的预测准确率达100%，证明了增加多路径特征输入的有效性，为深度学习在密码分析领域的应用提供更具有效性的分析模型。

模糊测试是软件漏洞挖掘领域的关键技术和研究热点之一。编写高质量的模糊测试驱动一直是一项艰难且易出错的任务，不但耗时耗力，还要求编写者具备对被测库的深层理解。传统的模糊测试驱动自动化生成方案尝试以不同方式提取使用者代码中的API之间存在的数据流、控制流依赖关系，但无法表征部分API复杂的使用范式约束，导致低覆盖率和较多的API误用情况。随着大语言模型技术的兴起，近年来出现了许多基于大模型的模糊测试驱动生成方案，但其提示词构建往往只围绕函数和相关类型进行，缺乏与被测项目相关的语义元素，浪费了大语言模型的语义理解能力。为解决上述挑战，文章提出一种基于大语言模型的语义知晓的模糊测试驱动生成方案StageFuzz。该方案通过向大模型进行启发式提问，获取库流水线和语义阶段两种语义元素，然后基于流水线、语义阶段和API这3种元素，结合现有的模糊测试驱动执行三级不同的驱动生成和变异，以提升驱动程序质量并缩短生成时间。在8个开源库上对 StageFuzz进行评估，实验结果表明，StageFuzz只需消耗12.73%的大语言模型Token和1.79%的生成时间，且覆盖率提升了10.40%。

随着人工智能技术的迅猛发展，联邦学习已在医疗、金融等多个领域得到广泛应用。然而，面对日益严峻的隐私保护需求，如何在保障数据隐私的前提下高效地从模型中删除敏感信息，仍是一项具有挑战性的任务。为此，文章提出一种基于知识蒸馏和对抗样本的联邦遗忘方法，旨在兼顾模型效用与隐私性的同时，尽可能降低遗忘过程的时间开销。为验证所提方法的有效性，文章设计了两种应用场景，并选用4个数据集及6种主流基准方法开展对比实验。实验结果表明，所提方法在模型可用性、隐私性和运行效率3个方面实现了良好的平衡。在CIFAR-10和SVHN数据集上，与6种基准方法相比，该方法在保持模型可用性基本不变的前提下，显著提升了隐私性和运行效率。