该论文介绍 Harbormaster——一个在 AWS 上构建、面向生产形态的海事异常检测系统，解决的问题是：船舶通过 AIS（自动识别系统）广播位置，但这些报文可能是伪造的、也可能是缺失的，而运营人员在收到异常告警后，需要该告警是可归因（能说清依据是什么）、可复核（人能回溯）、且能在组件故障后恢复（不丢状态、不重复触发）的。为达成这三点，系统遵循三条工程规则：第一，物理可行性检查先于任何学习模型运行，即在任何机器学习判断之前，对每一条 AIS 报文做物理约束校验；第二，DynamoDB 读存储被设计为 PostgreSQL 的幂等投影，每一次写入都由基于变更日志序列号（LSN）的守卫保护，从而避免乱序或重复应用；第三，候选模型必须先通过 holdout 门禁与影子（shadow）对比，之后才由 canary 逐步放量，且 canary 的每一步都受 burn-rate 检查约束，防止劣化模型被放大。论文给出的核心理论结果是一个重放安全性质：对变更日志的任意前缀或任意后缀进行重放，每个投影键最终都会停留在其最高已应用 LSN 所对应的取值上，即投影对重放具有幂等性/收敛性。作者同时诚实地指出该结论不覆盖的副作用，例如重复的缓存失效与重复写入的审计行。实验方面，在一个有界的 AWS 观测窗口内，一小时的 soak 测试在 36,000 次请求中返回了 35,999 个 HTTP 200，客户端 p95 延迟为 142.751 ms；在另一次 900 秒的有界 AWS 运行中，流式路径承受了 400 条/秒的突发，随后消费者滞后（consumer lag）回落到零。论文中每一个数字都带有一个标签，标明它是在何处测量的，并且明确列出了设计里从未被真正构建出来的部分。整体上，这是一篇偏工程实证与可靠性论证的系统论文，适合流式检测平台、MLOps 与安全运营工程方向的读者。

本文针对海事领域的 GPS 欺骗（GPS spoofing）问题，开展了目前首个全球尺度的系统性测量研究。研究背景是：GPS 欺骗虽已被公认为对海上航行安全的严重威胁，但其在全球范围内的普遍程度、持续时间与空间结构此前基本缺乏量化证据。作者的核心思路是绕开单船逐条校验的局限，转而识别「大范围区域级欺骗」这一形态——即外部干扰在同一时间把某一片海域内的大量船舶定位同时挪移，从而在数据中留下跨船舶相互关联、且违背物理运动学规律的可识别特征。为此，作者构建了一套面向海事场景、以运动学一致性为核心的检测框架：基于全球 AIS（船舶自动识别系统）广播的 GPS 坐标时序数据，先计算船舶位移与航速、航向等运动参数之间的物理合理性，再在区域层面做多船相关性聚合，最终对每个发现的可疑区域给出分级化的欺骗证据强度评分，而不是简单的二值判定。数据规模上，作者处理了 2024 年 11 月下旬至 2025 年 2 月初期间超过 36.7 万艘船舶的 AIS 记录。结果显示，在高流量海域中共识别出 31 个持续存在的异常热点，其中至少 22 个具备较强的 GPS 欺骗证据，且其时空分布与地区冲突、经济制裁格局相吻合。值得注意的案例包括：红海区域的欺骗活动早于 7.5 万吨集装箱船 MSC Antonia 据报道搁浅事件数月即已持续，此前未被公开记录；霍尔木兹海峡亦检测到长期持续的欺骗行为。论文的总体贡献在于把 GPS 欺骗从零散轶事提升为可复现、可度量的全球性威胁，并提供了可迁移的测量方法与证据分级框架。适合海事安全、GNSS 完整性监测、交通与关键基础设施防护方向的研究者与安全工程师阅读。