本文针对信息物理系统（Cyber-Physical Systems, CPS）中模糊测试面临的输入搜索空间过大的问题，提出了一种基于控制理论的解决方案。随着CPS在日常生活中日益普及，其安全性成为紧迫议题。虽然模糊测试在自动检测漏洞方面受到广泛关注，但物理输入和网络输入的组合搜索空间极为庞大，如何高效探索仍是一个开放挑战。作者从控制理论中汲取灵感，利用物理感知的控制模型来引导输入空间探索。具体而言，设计并实现了ConTest这一模糊测试工具，该工具使用控制模型的Lyapunov函数同时用于缺陷检测和变异策略，从而在动态模型误差有界的条件下，为漏洞发现的有效性提供了可证明的保证。作者在ArduPilot和PX4两个代表性机器人车辆（RV）平台上部署了ConTest原型，用于检测空间和时间输入验证缺陷，共发现253个输入验证漏洞，其中58个为零日漏洞，54个已获供应商确认。该研究不仅提出了新的理论方法，还通过实际平台验证了工具的有效性，为CPS模糊测试领域提供了重要参考。

本文以社交媒体中的极端化传播为背景，研究如何通过微小且隐蔽的扰动来破坏一个简单社会网络模型的稳定性。研究基于Taylor经典社会影响模型，利用鲁棒控制理论中的动态结构函数（DSF）工具，识别能够定性改变系统行为且尽可能不引人注意的扰动。作者考察了两类场景：对现有连接施加扰动，以及向网络添加新连接。在每种情况下，他们都找到了最小范数的失稳扰动，并模拟了其效应。令人瞩目的是，针对网络结构的微小但精准的改动可能导致所有智能体（agents）极端化，表明集体行为的大规模转变可以由社会影响中相对细微的调整触发。由于识别这种无害但失稳扰动的方法适用于任何合适的动态系统，本文强调了需要在真实系统（如真实社交网络）上进行类似分析，以发现可能已经存在此类动态的位置。该研究对理解社交媒体中极端化传播机制、设计鲁棒社交网络具有理论意义。