传统的恶意软件检测方法在面对混淆或未知威胁时泛化能力不足。本文提出 ThreatVisionAI，一种混合恶意软件家族分类框架，它集成了原始图像 CNN、基于小波的 CNN 和 Vision Transformer (ViT)，以捕获恶意软件图像中的互补空间、频域和全局关系特征。原始图像 CNN 提取空间纹理模式，小波 CNN 捕获多尺度频率信息，有助于区分密切相关的家族，而 ViT 分支则建模图像中的长程依赖关系。在 Malimg 数据集上评估，ThreatVisionAI 达到 98.01% 的准确率和加权 F1 分数 0.9742，其中小波域特征在少数类和视觉相似家族上提供了可衡量的增益。这些结果证实，频率感知和基于 Transformer 的表示改进了基于图像的恶意软件家族分类。本文的主要贡献在于将小波变换与 ViT 结合，提升了细粒度分类性能，为恶意软件检测提供了一种新颖的多模态融合思路。

本文提出了一种基于卷积神经网络（CNN）和动态S盒生成的图像加密算法，旨在克服传统固定S盒易受线性攻击和差分攻击的弱点。核心思想是利用CNN从输入图像中提取特征，并基于这些特征动态生成自适应S盒，从而实现像素级的替换加密。CNN训练后能够学习图像的内在特性，为每幅图像生成唯一且具有高度非线性的S盒，显著增强混淆效果。算法流程包括：使用CNN进行特征提取、根据特征生成个性化S盒、以及利用该S盒对图像像素进行替换。安全性评估采用熵、直方图分析、相邻像素相关性、NPCR（像素变化率）和UACI（统一平均变化强度）等指标，并与传统固定S盒方案对比。实验结果表明，动态S盒在抗统计攻击和结构攻击方面具有更强的鲁棒性，且加密结果对原始图像高度敏感，有效提升了加密灵活性和安全性。该研究适用于需要高安全级别图像传输的场景，如医疗影像、军事图像等。

本研究针对人脸活体检测（Face Presentation Attack Detection, PAD）系统中存在的种族偏倚问题，系统比较了Vision Transformer（ViT）架构与传统卷积神经网络（CNN）在跨种族场景下的表现。实验采用CASIA-SURF跨种族人脸防欺骗数据集（CeFA），评估了三种模型：从头训练的多模态ViT-Tiny、ResNet18 CNN基线、以及在CeFA上微调的预训练DeiT-S。结果显示，DeiT-S以97.27%的总体准确率和0.86%的等错误率（EER）显著优于ResNet18的90.15%准确率。公平性方面，DeiT-S将非洲和东亚受试者间的平均分类错误率（ACER）差距缩小至0.13%，相比LBP基线方法的0.75%降低了83%。尤其值得注意的是，ResNet18对未见过的中亚受试者产生10.44%的BPCER（错误接受率），而DeiT-S仅为2.89%，泛化性能提升3.6倍。这表明预训练ViT架构不仅能提升PAD准确率，还能显著降低跨人口群体的性能差距，实现更公平的泛化。研究结论为：架构设计是影响PAD系统跨种族公平性的关键因素，为开发无偏生物认证系统提供了重要参考。

本文提出了一种基于注意力引导的1D与2D CNN融合框架，用于鲁棒的ECG生物特征识别。现有方法大多单独处理一维时间信号或二维时频表示，泛化能力有限。作者构建了一个端到端的混合架构：1D分支（采用InceptionTime）从原始ECG信号中提取时域和形态特征，2D分支（采用ResNet-34）从时频表示中捕获判别性频谱信息，并通过注意力机制动态加权两个模态，克服了静态融合的局限。在ECG-ID、MIT-BIH和PTB三个基准数据集上，识别准确率分别达到99.56%、100.00%和99.89%。在跨越十年的多会话Heartprint数据集上，同会话准确率为94.93%–99.09%，跨会话准确率约53%–56%，证明能捕获稳定的长期生物特征。消融实验表明注意力融合优于传统融合方法。该框架为ECG生物特征识别提供了鲁棒、可扩展的高性能解决方案。

本文提出了一种名为LADDER的新型多目标黑盒后门攻击方法，针对卷积神经网络（CNN），通过进化算法同时优化多个攻击目标。现有黑盒后门攻击通常将目标视为单目标优化问题，仅在单一域（如空间域）设计触发器，这会导致语义和鲁棒性受损，并引入视觉和频谱异常。LADDER是首个在双域（空间域和频域）中通过进化算法实现多目标黑盒后门攻击的实例，无需预先了解受害者模型。具体地，作者将问题公式化为多目标优化问题（MOP），并采用多目标进化算法（MOEA）求解。MOEA维护一个触发器种群，各触发器在攻击目标间权衡，通过非支配排序驱动触发器向最优解进化。进一步，应用基于偏好的选择来排除不切实际的触发器。LADDER引入双域视角：在频域最小化干净样本与中毒样本之间的异常，以实现触发器隐蔽性；通过将触发器推向低频区域，增强对预处理操作的鲁棒性。在5个公开数据集上的大量实验表明，LADDER攻击有效性至少99%，攻击鲁棒性达90.23%（平均比现有最优攻击高50.09%），自然隐蔽性提升1.12倍至196.74倍，频谱隐蔽性提升8.45倍（以平均L2范数衡量）。该工作揭示了多目标优化在后门攻击中的潜力，对防御者理解新型攻击威胁具有重要意义。