当前针对大型语言模型（LLM）的对抗性测试方法存在覆盖不足的问题：人工红队测试难以规模化、LLM作为攻击者的方法容易出现模式崩溃（产生重复或相似攻击）、基于梯度的攻击则生成不可读的乱码。本文提出一种质量多样性（Quality-Diversity, QD）进化框架，在语义层面运作，演化出可解释的攻击策略而非直接操作词元序列。该方法使用MAP-Elites算法，在行为维度（策略类型、编码方法、提示长度）上维护一个多样化的攻击存档。实验覆盖GPT-4o-mini、Claude 3.5 Sonnet、Gemini 2.0 Flash以及一个开源编码模型（Devstral-small-2）。结果发现不同模型具有独特的脆弱性特征：GPT-4o-mini对假设性提示和多重回合框架结合ROT13编码的攻击最为脆弱（适应度0.8）；Gemini对直接攻击搭配ROT13以及多重回合加Leetspeak敏感（0.8）；而Claude在所有策略下都表现出一致的不确定响应（最大适应度0.4）。语义表示产生的攻击可解释，揭示了系统性的、模型特定的弱点，为改进LLM安全提供了可行见解，并建立了可复现的基线以评估未来前沿模型。代码和实验产物已开源。

拥塞控制器（CC）对网络性能至关重要，但其在恶劣条件下的鲁棒性尚未得到充分理解。近年来，基于学习的CC在受控环境中表现强劲，但它们在输入信号被破坏或环境条件系统性地变得具有挑战性时，与传统CC相比表现如何仍不清楚。本文提出CCLab，一个用于系统评估学习型和非学习型CC鲁棒性的对抗性测试框架。CCLab包含一个基于强化学习（RL）的对抗性代理，该代理与拥塞控制策略闭环运行，在输入信号（特征级）或外部网络条件（环境级）上产生有界扰动，同时通过显式约束保持真实性。利用该框架，我们在特征级和环境级对抗条件下比较了学习型CC与非学习型CC。结果表明，尽管两种类型的CC在对抗测试中性能均有所下降，但学习型CC总体上比传统人为设计的算法更鲁棒。最后，我们展示了对抗性轨迹可用于训练更鲁棒的CC，其在挑战性和正常条件下均优于现有学习型CC。该研究为网络拥塞控制的安全性评估提供了新方法，适合网络研究员和安全工程师关注。