本文是一篇系统文献综述，旨在梳理人工智能（AI）在网络心理学（Cyberpsychology, CPSY）领域中的应用研究。网络心理学被定义为利用心理学原理增强网络安全应用。随着2010年代初以来AI技术的快速发展，AI与CPSY的融合日益深入，通过高级数据分析解码受害者、攻击者和防御者的独特人格特质与行为模式。该综述遵循PRISMA方法，从收集的34篇研究中严格筛选并分析了AI在网络心理学（AI-CPSY）领域的研究成果。研究提出了一个全面的分类体系，涵盖网络安全应用、AI方法以及所使用的心理学概念。研究将文献分为四大网络安全应用场景：异常检测（AD）、漏洞风险预测（VRP）、安全意识培训（SAT）和身份认证/身份验证（AIV）。在每个应用领域下，又根据AI方法进一步细分，包括机器学习（ML）、深度学习（DL）、自然语言处理（NLP）和强化学习（RL）。此外，综述还识别了最常使用的心理学概念，量化了该领域所使用的数据集，并介绍了当前的实施和部署状态。最后，文章指出了研究空白，提出了开放挑战，并归纳了AI-CPSY领域中最有效和新兴的趋势与方法。该综述适合网络安全研究人员、从业者以及心理学与AI交叉领域的学者阅读，有助于理解当前AI与心理学在网络安全中的结合现状和未来方向。

该论文提出一种去中心化AI经济系统，旨在解决传统工作量证明（PoW）区块链中哈希计算不产生外部价值的根本缺陷。核心思路是让节点执行有实际价值的机器学习任务（如模型推理和训练）来获得代币奖励，而非无效的哈希计算。作者设计了三层架构：计算层（执行ML任务）、验证层（通过特定协议确保结果正确性）、经济协调层（管理代币发行与流通）。形式化地，论文提出了一个基于闭循环代币经济模型的框架，并推导出诚实参与所需的足额抵押条件。安全方面，论文分析了量子计算对区块链的威胁：Grover算法对哈希只有二次加速，不影响ML原生线性代数；而Shor算法威胁经典签名。为此，论文提出迁移至格基和哈希基后量子密码标准来保护签名层。实验（或分析）表明，有用工作共识在经济性和量子安全性上均优于经典PoW。适合对区块链共识、去中心化AI、后量子密码交叉领域感兴趣的读者。

该论文提出了一种新颖的 AI 增强静态分析方法，旨在弥合传统静态分析中启发式方法与完备性之间的鸿沟，为实用的逆向工程提供可靠解决方案。逆向工程面临诸多挑战，如代码与数据交织、缺少名称/类型/栈帧、编译器激进优化以及各种混淆技术。传统静态分析工具依赖基于启发式的策略，但易受特定模式限制且泛化能力不足。近年来，AI 技术在从低级表示中预测高级语义结构方面展现出潜力，例如通过深度学习模型推断丢失的编译时信息。然而，纯 AI 方法在安全关键的二进制分析中往往难以保证完备性和可靠性。为此，论文提出了 AI 与静态分析的协同框架：用 AI 替代脆弱的启发式规则以增强泛化能力，同时利用静态分析提供的最佳努力完备性来强化 AI，满足安全应用的严格要求。研究聚焦于三个在学术研究和现有工具中服务不足的关键逆向工程任务：指令边界识别、函数边界识别以及控制流图（CFG）的构建，特别是针对间接调用目标的解析。最终目标是开发一个端到端的反汇编框架，实现 AI 与静态分析的深度融合。实验部分预期将展示该方法在准确性和完整性上优于现有纯静态或纯 AI 方案。该工作适合二进制安全分析师、逆向工程师以及编译器/静态分析工具开发者阅读。

该论文通过一个竞赛理论模型研究了AI增强的攻防投资博弈。攻击者和防御者在多个攻击表面上分配资源，其中攻击者的投资通过两个渠道发挥作用：无条件增强攻击能力，以及条件性削弱防御效能，从而产生一个随防御者自身投资而内生深化的“对手折扣”。作者推导出闭式军备竞赛比率，将攻防投资的相对边际有效性分解为六个结构性基元，并证明了在连续最佳反应动态下均衡的唯一性和全局收敛性。核心结果围绕信号互相关性——即一个攻击表面上的威胁情报对另一个表面检测的告知程度。当信号完全互相关时，军备竞赛比率与攻击表面数量无关：攻击者从表面扩散中获得的结构性优势被完全中和。在基准的完全稀释情形下（无互相关），每个表面的防御有效性随攻击表面增加而消失。扩展到异质性防御者面对按期望值攻击的攻击者时，模型指出双重无效率：私人防御的过度投资（零和转移外部性）和共享信号互相关的投资不足（公共物品）。这些形式化结果，结合基本模型之外的公共物品推理，刻画了在对抗性竞赛中集体信息聚合何时能够主导私人能力投资成为决定性因素。