本文针对边界网关协议（BGP）中因缺乏安全机制而存在的路由劫持攻击问题，聚焦于两种用于提供IP前缀与授权自治系统（AS）映射的数据源——互联网路由注册库（IRR）和资源公钥基础设施（RPKI）。IRR中存储的路由对象（Route objects）常因网络运营商缺乏更新动力而包含过时的AS信息，而RPKI的路由起源授权（ROA）对象虽然更可靠但部署缓慢且操作复杂。作者首先大规模测量了IRR Route对象与RPKI ROA对象之间的不一致性，发现了广泛存在的陈旧记录。随后，基于BGP宣告模式（如路径特征、更新频率等），采用机器学习方法对Route对象进行一致性分类，并识别出潜在过时的条目。通过在真实网络流量数据集上的实验，该技术能够将整个IRR中可能过时的Route对象比例从72%降低至40%，同时使BGP宣告验证的准确率达到93%，覆盖87%的BGP宣告。该工作为网络运营商提供了一种自动化清理IRR记录、提升路由安全验证效率的实用工具。

资源公钥基础设施（RPKI）已成为保护域间路由安全的关键技术。然而，RPKI软件的安全性测试长期停留在浅层解析阶段，现有模糊测试工具（如AFL++、libFuzzer）因假设每次执行输入单一且独立，无法处理RPKI仓库中数百个相互依赖、经密码学链接的对象。这种复杂性导致现有工具无法精确追踪多对象仓库中的代码覆盖率，破坏了基于反馈的探索机制，从而遗漏了RPKI验证中的多数严重漏洞。本文提出并实现了一种新型模糊测试工具CAT，通过连续采样和将函数作为侧信道实现大规模输入仓库中每个对象的精确覆盖率归因。同时，通过将解析输入转换为带标签的树结构，CAT能够在保持变异仓库密码学有效性的前提下进行结构和语义突变。CAT结合了非顺序模糊测试与模板无关的ASN.1变异引擎，相比顺序模糊测试吞吐量提升66倍，相比libFuzzer和先前工作多探索24%-47%的独特代码路径。在RPKI验证器上的评估中，CAT发现了21个先前未知的漏洞，其中8个已分配CVE（CVSS 7.5-9.8），包括缓冲区溢出、拒绝服务（DoS）和可被利用的仓库投毒逻辑缺陷。CAT已开源，以支持可重复性、进一步研究以及将方法推广至DNSSEC、TLS等其他基于密码学的复杂协议。