本文针对动态加密控制系统中云服务器计算的完整性验证问题，提出了一种新颖的验证算法。传统加密控制虽能保护数据和参数隐私，但云服务器可能篡改计算结果，现有方法要么依赖强假设，要么计算开销大，且仅适用于静态计算。作者利用控制器的系统理论输入输出特性，通过在云端并行处理人工挑战信号，与请求的控制输入一起计算，从而在工厂侧检查结果的正确性。该方法几乎不增加额外计算负担，能以高概率检测错误计算，且能防御重放攻击。论文属于理论与方法贡献，适合从事加密控制、安全计算和自动化领域的学者与工程师阅读。

该论文提出了一种名为ADGFUZZ的模糊测试方法，专门针对机器人车辆（如无人车、无人机）的软件安全测试。机器人车辆通常依赖复杂的任务依赖关系（如传感器、执行器、控制逻辑之间的时序与数据耦合），传统模糊测试难以有效覆盖这些依赖路径。ADGFUZZ通过静态分析提取程序中的赋值依赖关系（assignment dependency），构建依赖图，并利用该图指导输入变异，优先触发涉及多组件交互的深层漏洞。实验在多个真实机器人车辆固件（如ArduPilot、PX4）上进行，结果表明ADGFUZZ相比现有工具（如AFL、Fuzzing架构）能显著提高代码覆盖率和漏洞发现效率，并挖掘出多个未知安全缺陷。该方法的核心贡献在于将依赖关系建模引入CPS模糊测试，将测试导向关键交互路径，降低了盲目变异的开销。