复放攻击是语音控制系统面临门槛最低的威胁之一，而暴露复放行为的声学线索会随攻击所处的声学环境发生强烈变化。这意味着部署在现场的检测器必须随着时间持续吸收新的声学条件，同时理想情况下不能反复回看历史录音，因为长期保留语音数据既昂贵又受法律合规限制。作者把该问题形式化为声学环境上的领域增量学习（Domain-Incremental Learning, DIL），并提出了首个面向多通道复放语音检测的持续学习基准。实验基于 ReMASC 语料库，覆盖全部 24 种环境到达顺序并各运行 5 个随机种子，评估一个当前最优的、基于波束成形（beamformer）的检测器。结果显示：朴素顺序微调会出现严重灾难性遗忘，使先前已学环境的错误率上升 18.8 个百分点；弹性权重固化（EWC）能把遗忘量减半，但牺牲了模型可塑性；梯度投影记忆（GPM）与朴素微调在统计意义上无法区分；作者提出的任务专用波束成形器（task-specific beamformer, TSB）为每个环境保留一个独立的空间前端，在最终精度与增量精度上均有显著提升。研究还指出，序列中最后加入的环境会主导最终性能表现。代码、结果与分析已开源。

GPS信号欺骗攻击对无人机(UAV)导航安全构成严重威胁。现有检测技术无法有效应对隐蔽性攻击者的渐进式欺骗和恢复。本文提出SemperFi，一种基于单天线软件定义GPS接收机的抗欺骗方案。其核心设计包括：(1) 利用大多数无人机中已有的扩展卡尔曼滤波(EKF)GPS失效安全机制，结合自定义的合法信号检索模块，检测并自动从多数欺骗攻击中恢复；(2) 开发算法精心合成恢复信号，并扩展连续干扰消除(SIC)技术，在消除攻击者信号的同时保留合法信号的到达时间(ToA)；(3) 针对能够执行隐蔽无缝接管的高级攻击者，SemperFi设计短暂机动策略，利用惯性传感器的短期稳定性识别隐蔽欺骗。系统在开源软件定义GNSS接收机GNSS-SDR中实现，并通过无人机模拟器、真实无人机、多种真实GPS数据集以及嵌入式平台评估。结果表明，执行短于100米的飞行模式即可识别欺骗峰值，并在Jetson Xavier上0.54秒内恢复真实位置。SemperFi可抵御利用惯性传感器误差的朴素和隐蔽欺骗攻击，并设计为即插即用模块，可直接为现有商用GPS接收机生成无欺骗的GPS信号。研究工作已开源。适合无人机安全、GPS安全、嵌入式系统安全研究人员阅读。