ADS-B（自动相关监视-广播）已成为空中交通监视的事实标准，所有飞机被要求主动广播包含身份、位置和运动信息的报文。然而，ADS-B缺少安全机制，使其容易遭受有能力的攻击者的网络攻击，从而危及航空安全。本文提出一种非侵入式的信任评估系统，用于检测基于ADS-B的空中交通监视中的攻击。系统利用地面传感器基础设施收集的真实世界飞行数据，以众包方式充分利用地理分布传感器的冗余性，设计验证测试和机器学习辅助的接收模式分类，使用户采集的数据能够与其他用户的数据相互验证。该系统的非侵入性体现在无需修改现有硬件或软件协议，仅利用已可用的数据。作者通过实验证明，在至少三个良性传感器观测的空域中，系统能够成功检测GPS欺骗、ADS-B欺骗乃至Sybil攻击，并能区分攻击类型、识别受影响传感器，还能动态调整以适应变化的空中交通条件。该方法为保护关键航空基础设施提供了一种可部署的、基于众包证据的防御思路。

本文关注众包联邦学习（Crowdsourced Federated Learning, CrowdFL）中的鲁棒性量化问题。CrowdFL通过众包范式允许开放、异构的参与，扩展了传统联邦学习，而声誉驱动的激励机制常被用于引导工人选择并增强可信度。然而，现有框架大多忽略了对隐秘对抗者（能规避标准检测机制的对手）鲁棒性的量化评估。为此，论文提出R2CFL，一个鲁棒的声誉驱动CrowdFL框架。R2CFL的核心创新在于：1) 设计了一个鲁棒声誉模型，将参与者的声誉演化与聚合阶段的更新过滤（最近邻混合，Nearest Neighbor Mixing，简称R2-NNM）机制耦合；2) 该机制能够防止隐秘攻击者通过逐步积累信任来影响未来任务。实验结果表明，面对自适应攻击者，R2-NNM在拜占庭鲁棒性和后门防御效果上达到或超越了现有的最先进防御方法；此外，当与现有检测-过滤类防御集成时，所提出的声誉模型能通过生成与底层防御真实正阳性率、假阳性率特性高度一致的声誉分数，准确捕捉该防御的统计鲁棒性。该工作的主要贡献在于首次将声誉机制与鲁棒聚合防御相结合，填补了CrowdFL中针对隐秘对抗行为的鲁棒性量化空白，并为开放环境下联邦学习的可信执行提供了新思路。适合关注联邦学习安全、鲁棒聚合机制设计、声誉系统评估的研究人员及安全工程师阅读。

本研究针对众包平台（如Prolific和Mechanical Turk）上调查问卷参与者越来越多使用大型语言模型（LLM）辅助回答的现象，旨在量化这种行为的普遍性并探索检测与缓解方法。研究团队开展了一系列调查（样本量N=250），系统评估了平台选择、调查长度、明确要求不使用AI、以及禁用复制粘贴功能等条件对LLM使用频率的影响。通过分析回答的文本特征（如语言风格、一致性、错误模式等），研究人员成功识别出LLM辅助回答的独特特征，并发现其使用频率在不同平台间差异显著：在Prolific上低于10%，而在Mechanical Turk上超过80%。缓解措施（如禁用复制粘贴、加入不适用AI的请求）虽降低了LLM的使用率，但并未显著提高数据质量，暗示部分真实回答也被错误过滤。此外，研究期间未观察到参与者使用浏览器自动化代理（browser-use agents）的现象，但作者分享了基于按键记录和回答模式分析的检测实验。最终建议研究人员在数据收集阶段主动记录和分析按键数据，并设计针对AI的指令和问题，以更有效地筛选出LLM生成的回答。该研究首次系统量化了众包调查中LLM使用的规模与检测有效性，为人机交互和计算社会科学领域提供了重要参考。

本文提出一个名为DARTIC的去中心化匿名声誉框架，旨在解决链上众包系统中匿名性、声誉绑定和可扩展性之间的矛盾。现有去中心化声誉系统通常无法同时满足这三个要求。DARTIC采用双账本系统，允许请求者和工作者在不同交互中使用不同假名，实现不可链接性同时保持可问责性。为了抵御女巫攻击和声誉重置攻击，利用基于zkSNARK的集合成员证明，将所有用户假名加密绑定到单个访问令牌而不暴露连接关系。在可扩展性方面，研究了两种聚合技术，将多个证明压缩为单个简洁证明以减少验证开销。此外，设计了一个自动隐私保护声誉模型，能够动态评估不同众包场景中的贡献。在众感知和联邦学习场景中实例化并评估DARTIC，结果显示：单个令牌花费的证明生成时间不到3秒；聚合将1024个证明的验证时间从8.7秒降至0.96秒；zk批处理相比纯Layer-1部署降低了超过100倍的Gas成本。实验证明匿名性、强声誉绑定和可扩展性可以在完全去中心化众包系统中同时实现。