本文针对日本用户面临的虚假购物网站问题，这些网站通过SEO投毒在搜索引擎结果中排名靠前，造成严重损失。传统收集方法依赖固定关键词，无法跟上不断变化的攻击活动，导致新站点发现延迟。作者提出一种闭环爬虫系统，将虚假网站分类器（fastText+LightGBM）的页面级输出整合到下一周期的搜索查询中。搜索查询通过种子组合策略生成，即从正例页面中提取特征词，并与虚假购物上下文中的种子词（如"deep discount"、"official"）结合。为了弥补评估中通常只关注分类器准确率的不足，论文引入了每周期新主机数和累计唯一主机数作为探索范围指标。对比实验显示：固定关键词基线从第2周期起新增主机数为零，完全停滞；而所提方法持续发现新主机，在第3周期时累计唯一主机数平均约为基线的7.6倍。该研究展示了将分类反馈融入爬虫设计以提升对新兴欺诈站点发现能力的有效性。

本文是一篇关于6G赋能信息物理系统（CPS）安全的综述论文。6G网络将连接数十亿CPS设备（如自动驾驶汽车、智能电网、工业机器人和远程手术设备），这些设备运行在超可靠低延迟切片上，使得远程入侵与物理伤害之间的时间差缩短至毫秒级，传统边界防火墙和集中式安全运营中心无法满足需求。论文将6G CPS安全重新定义为一种闭环、AI原生流水线，在MEC层进行感知，利用分钟级的呼叫详细记录（CDR）进行基线学习，以及亚毫秒级的RAN/O-RAN遥测数据用于延迟关键路径；通过压缩深度模型在本地决策，通过SDN、NFV和O-RAN控制器实现网络范围的缓解，并通过联邦学习（FL）和数字孪生（DT）回放进行重训练。论文形式化定义了每个切片在感知、检测和缓解阶段的有界延迟契约，并在切片相关的尾部百分位数（对安全关键的URLLC切片为p99）上强制执行。系统性地整理了128篇同行评审研究（2017-2026），遵循PRISMA 2020协议，主要贡献包括：(i) 将6G/CPS威胁面映射到MITRE ATT&CK和CDR可观测特征空间；(ii) 统一了跨12个数据集以及统计、图和Transformer模型的边缘异常检测和DDoS分类；(iii) 将SDN/NFV/O-RAN原语综合成一个闭环参考架构；(iv) 将FL、大语言模型（LLM）、DT、后量子密码（PQC）、零信任架构（ZTA）和可解释AI视为跨领域使能因素而非独立支柱；(v) 将开放问题归纳为数据、延迟、信任、标准化和评估五个方向。适合安全架构师、网络运营商及6G安全研究人员阅读。