随着物联网（Internet of Things，IoT）的快速发展，其网络安全问题日益凸显。传统集中式入侵检测系统难以兼顾安全性与隐私保护，而联邦学习通过在不共享原始数据的前提下实现多节点协同建模，为物联网入侵检测提供了新的技术路径。本文围绕联邦学习驱动的物联网入侵检测方法展开系统性综述。首先介绍物联网入侵检测的基本原理及联邦物联网入侵检测系统的典型架构；随后从方法层面对现有研究进行分类梳理，总结基于联邦机器学习、联邦深度学习及联邦强化学习的物联网入侵检测方法，分析各类方法的核心特点、适用场景与挑战；继而概述了联邦学习驱动的面向物联网的联邦学习入侵检测系统（Federated Learning?based Intrusion Detection System for Internet of Things，FL-IoT-IDS）的联邦增强机制和前沿研究技术，并总结常用物联网入侵检测数据集及评估指标。最后，针对当前研究中普遍存在的关键问题，从低标注依赖建模、非独立同分布（Non-Independent and Identically Distributed，Non-IID）数据适配、联邦多模态大模型以及联邦学习安全性增强等方向探讨未来研究趋势。本文旨在为联邦学习在物联网入侵检测领域的研究与应用提供技术参考。

联邦学习（Federated Learning，FL）旨在解决数据共享需求与隐私保护之间的矛盾。作为一种分布式机器学习方法，联邦学习需要在参与者与中央服务器之间交换大量的模型参数，这导致了大量数据通信。联邦学习模型更新的迭代过程依赖于分布式数据传输，一旦传输通道被定位，其模型数据的安全性和完整性就难以得到保障。本文提出了一种用于联邦学习的混合隐蔽时间存储隐蔽信道方案。首先，将秘密消息分割为并行分布式编码单元，通过调整分组延迟来指示要传输的块，并根据有效载荷内容有选择地用秘密块替换公开流量的分组有效载荷。因此，秘密块的位置指示器被嵌入正常流量的时间和存储特征中，而特征与位置对应关系由接收方和发送方预先共享，攻击者除非获取定位秘密块的所有特征，否则无法掌握秘密消息。此外，本文还提出了原始方案的3种变体，以满足不同的性能要求。在抗检测性和容量方面对上述所有方案进行了实验验证。

针对联邦学习（Federated Learning，FL）后门攻击中固定触发器易被检测、攻击停止后效果快速衰减的问题，本文提出一种基于触发器动态变换的后门攻击方法。该方法在联邦训练过程中动态调整触发器的位置、大小与样式，在数据预处理阶段依据历史攻击成功率选择触发器状态，并在适应阶段引入监督对比学习，增强中毒样本与目标类别表征的一致性，以减缓灾难性遗忘。基于MNIST、CIFAR-10和Tiny-ImageNet数据集开展实验，并在多种聚合算法和五类典型防御机制下评估攻击效果、隐蔽性与持续性。结果表明，该方法在不同防御场景中的攻击成功率均超过95%；在CIFAR-10场景中，停止注入1000轮后攻击成功率仍保持在90%左右。研究表明，动态触发器选择与监督对比学习能够提高联邦学习后门攻击的持久性和适应性。

随着生成式人工智能技术的快速发展，依托语音合成、语音转换等技术生成的伪造音频逼真度不断提升，已对公共安全构成严重威胁。因此，对深度伪造音频检测方法及其应用开展系统梳理与总结，有助于清晰地把握该领域的技术发展脉络与应用现状，为公共安全治理工作提供理论支撑与应用参考。本文以中国知网、Web of Science等数据库为数据源，筛选出2017~2025年间发表的70篇相关文献开展综述研究，系统梳理了深度伪造音频技术、实验数据集、评价指标以及深度伪造音频检测方法的研究进展，总结了现有检测方法在网络舆情监测、用户隐私保护、多模态虚假信息治理、语音欺诈检测等场景的应用现状。研究表明，当前深度伪造音频检测领域以端到端架构的研究为主流方向，该类方法检测性能较优但可解释性较弱，目前已在公共安全治理领域的多个任务场景实现落地应用。但该领域当前仍存在诸多问题，主要包括深度伪造音频数据集多样性不足、检测技术的泛化能力与可解释性偏弱、应用场景有待进一步拓宽等。未来研究亟须探索构建多样化数据集，持续提升检测方法的泛化性能，进一步拓展多元化应用场景。

系统日志承载系统全量运行数据，是保障系统稳定安全运行、支撑故障排查工作的核心依据。针对现有基于图的日志异常检测方法存在难以挖掘日志深层语义、难以缓解样本类别不平衡、无法充分建模复杂时序关联、异常检测结果缺少直观解释的问题，本文对融合大语言模型（Large Language Model，LLM）与动态图网络的日志异常检测方案开展研究。本文依托经典图检测框架（Graph Log Anomaly Detection，GLAD），融合语义增强、数据增强与多尺度时序图建模策略，构建LLM驱动的日志关系异常检测框架LLM-GLAD，配套搭建LLM可解释诊断模块，可输出自然语言形式的异常说明与故障根因参考方案，提升模型落地实用价值。基于三组公开日志数据集开展多方法对比测试结果显示，该框架精确率、召回率、F1分数分别达到96.45%、93.43%、94.92%。

针对工控系统入侵检测中无监督方法误报率高与有监督泛化能力弱的问题，本文提出一种融合记忆自编码器与有监督模型（Convolutional Neural Networks and Transformer，CNN-Transformer）的工控系统入侵检测方法。首先，采用滑动窗口构建时序上下文，克服静态特征导致的检测盲区；其次，通过多维度特征增强扩展原始数据表示，提升模型对复杂攻击模式的鲁棒性，减少维度不足引发的误判；最后，构建记忆自编码器（Memory Autoencoder，MemAE）与CNN-Transformer并行的入侵检测模型（MemAE and CNN-Transformer intrusion detection model，MemAE-CT），引入自适应权重分配机制动态调节决策贡献，从而平衡已知攻击的精确识别与未知威胁的泛化检测。该方法在密西西比州立大学发布的天然气管道数据集上准确率达97.26%，F1分数达96.23%，验证了其优秀的检测性能，后续在CICIDS2017数据集上的测试进一步验证了其泛化能力，可为工控安全领域提供可靠的技术方案。

针对现有智能合约（Smart Contract, SC）漏洞检测方法中局部特征与全局特征融合不足、代码上下文依赖建模不充分等问题，本文提出一种基于序列特征增强的智能合约漏洞检测模型SAFE-SCVDM。该模型创新性地融合代码多维度表征，通过三阶段特征提取架构实现漏洞检测精度提升：首先，设计基于结构遍历（Structure-Based Traversal，SBT）的抽象语法树（Abstract Syntax Tree，AST）转化策略，将抽象语法树转化为含有词汇与层次特征的序列结构；其次，构建节点提取脚本从智能合约代码中挖掘代码的token信息，保留代码的语义特征；随后，提取智能合约全局上下文信息，利用CodeBERT模型将智能合约的源代码转换为代码注释特征，保留代码的全局依赖信息；最后，利用代码注释、SBT方式遍历后的AST序列结构及代码的token序列来作为微调数据集，并对大语言模型进行微调。实验结果表明，SAFE-SCVDM在公开的智能合约漏洞检测数据集上的准确率达到88.41%，比最先进的基准模型提高了9.8%。

X.509证书是安全套接层（Secure Sockets Layer，SSL）/ 传输层安全（Transport Layer Security，TLS）协议族中实现身份认证和信任建立的关键基础，其解析与验证行为的正确性直接影响协议的安全性。然而，不同TLS实现之间在证书处理流程上存在差异，容易导致语义偏差、安全绕过，甚至漏洞利用问题。现有差分测试方法多聚焦于解析或验证的单阶段测试，且普遍忽略字段之间的语义关联，存在缺陷成因分析不够全面、字段覆盖范围有限等不足。为此，本文提出一种基于模板驱动的证书解析与验证差分测试方法。该方法结合X.509证书的RFC标准构建通用证书模板类，对字段结构、取值约束和变异操作进行程序化建模，通过差异向量反馈机制捕获实现差异，结合字段关联关系制定联合变异策略，构建完整的迭代测试框架。在四种主流TLS实现上开展实验评估，构造近250份测试证书样本，成功触发133个解析与验证阶段的差异行为，最终分析得到9个合规性实现缺陷。

随着区块链技术的深度发展与全球数字经济的加速融合，虚拟货币正在重塑现代金融生态，但同时也催生出形态多变、危害深远的新型犯罪活动。这些犯罪活动呈现出主体身份难以追溯、犯罪行为模块化、犯罪手段技术迭代、犯罪危害网络化等深层特征，已成为金融领域新的结构性风险重要诱因。本文立足“技术—制度—资本”的三重分析框架，系统剖析涉虚拟货币犯罪从工具化应用向生态化渗透的演化路径及其深层生成逻辑。在此基础上，本文超越对政策的简单梳理，对中国治理虚拟货币新型犯罪的实践经验进行学理性提炼。研究表明，中国通过制度维度的重塑、技术维度的反制以及资本维度的规范，构建了全链条、穿透式治理体系。这一实践不仅有效遏制了本土风险，也为全球数字金融时代的风险治理与秩序重构提供了基于中国实践的制度参考。

随着人工智能的快速发展在为未成年人提供教育、娱乐与社交等多元机遇的同时，也催生并加剧了深度伪造身份、虚拟性侵害、网络欺凌、网络成瘾、虚假信息欺诈、算法歧视及隐私泄露等复杂的新型被害风险，传统的治理模式难以完全有效地回应。通过对比不同国家和地区的法律政策和治理实践发现：欧盟注重权利导向与平台责任，美国强调州际创新与灵活监管，中国则突出制度建设与教育引导。这些差异既反映了不同的治理传统，也为国际互鉴与合作提供了有益经验。基于此，本文提出人工智能时代未成年人网络保护的五条路径：一是法律政策革新，敏捷回应新型AI风险；二是家校协同教育，提升未成年人数字素养；三是技术创新赋能，推动安全友好的AI交互设计；四是平台治理监督，开展网络环境的专项整治；五是政产学研融合，多主体参与综合治理。以期为人工智能时代未成年人网络保护的理论建构与实践路径提供学术支撑与政策启示，为未成年人构筑安全、健康、包容的数字生态。