该论文聚焦于分布式账本技术（DLT）网络中一个长期被忽视的问题：去中心化网络的拥塞控制。作者指出，中心化通信系统的拥塞控制已是成熟研究领域，但针对去中心化网络、尤其是区块链与基于有向无环图（DAG）的 DLT 网络的拥塞控制研究起步较晚且不够深入。在 DLT 场景下，网络拥塞主要由三类因素引发：交易垃圾信息（transaction spamming）、用户规模快速增长以及新代币发行带来的突发流量。论文明确将研究范围限定在交易垃圾信息所导致的拥塞上，并论证由于 DAG 类 DLT 具有更高的每秒交易吞吐量、且其共识过程依赖节点间的交易引用关系，相比传统链式区块链更容易受到垃圾交易冲击，因此对垃圾信息的抑制需求更为迫切。作者认为，现有 DLT 共识框架中固定的 PoW 机制只能提供有限的威慑作用，攻击者可通过算力优势或低成本持续提交交易来压制诚实节点。为此，论文提出一种“可变的、基于行为的、面向单个节点的 PoW 模型”：根据节点的实际行为动态调整其所需的工作量证明难度，而非对所有节点施加统一的算力门槛。该设计的核心目标是让不同算力资源规模的参与者都拥有相对平等的机会，避免算力垄断者主导网络；同时对试图刷量或超出规定交易数量的节点进行预防与惩罚。由于网络资源有限、节点之间存在交易发布权的竞争，作者将该系统建模为非合作博弈，并通过证明该博弈中纳什均衡的存在性，说明模型能够有效引导节点遵循既定行为规范。论文视角集中在：研究问题（DAG-DLT 垃圾交易引发的拥塞）、核心方法（节点级行为驱动的可变 PoW + 非合作博弈建模）、主要贡献（公平性设计与均衡存在性证明）以及适合读者（DLT 协议设计者、分布式系统与网络安全研究者）。

拥塞控制器（CC）对网络性能至关重要，但其在恶劣条件下的鲁棒性尚未得到充分理解。近年来，基于学习的CC在受控环境中表现强劲，但它们在输入信号被破坏或环境条件系统性地变得具有挑战性时，与传统CC相比表现如何仍不清楚。本文提出CCLab，一个用于系统评估学习型和非学习型CC鲁棒性的对抗性测试框架。CCLab包含一个基于强化学习（RL）的对抗性代理，该代理与拥塞控制策略闭环运行，在输入信号（特征级）或外部网络条件（环境级）上产生有界扰动，同时通过显式约束保持真实性。利用该框架，我们在特征级和环境级对抗条件下比较了学习型CC与非学习型CC。结果表明，尽管两种类型的CC在对抗测试中性能均有所下降，但学习型CC总体上比传统人为设计的算法更鲁棒。最后，我们展示了对抗性轨迹可用于训练更鲁棒的CC，其在挑战性和正常条件下均优于现有学习型CC。该研究为网络拥塞控制的安全性评估提供了新方法，适合网络研究员和安全工程师关注。