这篇论文提出了一种新的密码学约简技术，称为“同时 Goldreich-Levin 约简”。Goldreich-Levin 约简是密码学中一种经典的工具，它能够将一种算法（该算法能够以某种概率猜测隐藏字符串 m 与随机挑战 r 的内积 ⟨r,m⟩ mod 2）转换为另一种能够完整提取 m 的算法。在这项工作中，作者将这一约简推广到两个纠缠的参与者场景：假设两个参与者共享纠缠态，且面对相同的均匀随机挑战 r 时，都能各自猜测出 ⟨r,m⟩，论文证明了可以同时提取出完整的 m。这一推广的关键应用是密码学中的“不可克隆加密”（unclonable encryption）。作者证明，任何满足“搜索安全性”（search security）的不可克隆加密方案，都可以通过该约简升级为满足更高级的“不可克隆不可区分性”（unclonable indistinguishability）——这是不可克隆加密的黄金安全标准。作为直接的推论，论文表明最简单的基于 BB84 量子态的候选不可克隆加密方案（即用 BB84 态编码消息的方案）即满足不可克隆不可区分性。值得注意的是，摘要中提到该结果由“GPT-5.6 Ultra”在几次交互后发现，这可能是一种新颖的协作研究方式。论文属于量子密码学理论方向，为理解量子不可克隆性的密码学应用提供了新的分析工具，并为后续构造更安全的量子加密协议奠定了基础。适合量子密码学研究者、密码学理论家以及对量子计算安全感兴趣的读者阅读。

本文针对传统 BB84 量子密钥分发（QKD）系统中固定 11% 量子误码率（QBER）阈值检测窃听方案的不足，提出了一种基于时间维度 QBER 的机器学习框架，用于多类型窃听攻击的检测与分类。传统方法仅依赖会话级平均 QBER，而隐蔽攻击可能始终低于阈值但仍危害信道安全。该框架从 QBER 时间序列中提取 63 个基于物理信息的时序特征，涵盖突发行为、时间不稳定性、基选择不对称性以及 QBER 损耗交互等维度。研究评估了随机森林、XGBoost 和带径向基核函数的支持向量机（SVM-RBF）在七种窃听攻击及正常信道场景下的性能，并引入噪声和损耗条件。在十次独立运行的平均结果中，XGBoost 达到 88.01%（标准差 0.47%）的准确率和 0.8803 的宏 F1 分数，SVM-RBF 表现相近，验证了所提特征的鲁棒性。作为二分类攻击检测器与常规阈值监控对比时，固定 11% QBER 阈值准确率仅 25.82%，漏报率高达 0.8477；而所提框架将漏报率降至 0.0198，显著提升了对逃逸阈值监控的隐蔽攻击的检出能力。基于 SHAP 的可解释性分析表明，物理信息时序特征和信道派生特征对识别窃听策略具有高度区分性。实验证明，基于时间 QBER 的机器学习为 BB84 QKD 系统提供了准确、可解释且实用的多攻击安全监控框架。