在智能家居、可穿戴设备等传感器密集型环境中，系统通过异构的多传感器数据流推断用户正在使用的应用，从而提供智能服务。然而，并非所有应用都应该被识别——用户希望某些活动保持私密。现有隐私保护方法（如差分隐私、基于规则的过滤）仅针对单一数据流，无法应对攻击者利用跨传感器关联推断出用户隐私的风险。为此，论文提出一种名为 PrivateHub 的隐私保护框架，采用对比学习与扩散模型的结合，生成合成的多传感器数据流。该方法生成的数据可以保持非私密应用的可检测性，同时有效掩盖私密应用的存在。PrivateHub 包含两个训练阶段：应用条件预训练（ACP）和应用感知微调（AAF）。ACP 阶段利用应用嵌入对多传感器数据进行条件生成建模，使模型理解应用类别与传感器模式的关系；AAF 阶段通过对比学习将私密和非私密数据在表征空间上分离，并优化生成器使得私密应用在合成数据中对应的特征与真实数据混淆，从而显著降低攻击者分类器对私密应用识别的准确率。论文还定义了多传感器共享场景下的威胁模型，假设攻击者直接访问用户共享的原始传感器数据流，并尝试推断用户正在使用的应用。在三个真实多传感器数据集上的实验表明，PrivateHub 能将私密应用的识别准确率降低 40% 到 50%，同时非私密应用的分类性能几乎不受影响。即使在攻击者利用合成数据对自身模型进行再训练的情况下，该方法的隐私保护效果依然稳定，说明其并非依赖简单的噪声扰动，而是产生了具有泛化性的特征混淆。本文的主要贡献包括：提出了首个面向跨传感器推断风险的扩散生成式隐私保护方案；设计了对比学习与条件扩散模型的结合机制；给出了完整的威胁模型和评估协议。该研究适合可信机器学习、隐私保护、物联网数据共享等方向的学者及从业者阅读。

该论文题为“面向主机安全数据集的灵活合成攻击生成”，核心目标是提出一种灵活的方法来生成合成攻击数据，以丰富主机安全数据集。摘要中仅提及“Nginx Killchain Spec”，暗示可能围绕Nginx服务器的攻击链规范进行数据生成。论文背景在于现实安全数据集往往稀缺、不平衡或涉及隐私，合成数据可缓解这些问题。方法上可能采用基于规范或模板的攻击链描述，自动生成多样化的攻击样本。实验部分预期验证生成数据的真实性和实用性。该研究适合安全数据科学、入侵检测系统评估及蓝队训练场景。由于仅基于摘要关键词，具体技术细节需阅读原文。

智能城市依赖融合传感器、物联网设备、云平台和AI驱动服务的网络物理系统，这些系统在提升城市服务的同时，由于其巨大的攻击面、异构数据流和不断演变的威胁向量，引入了复杂的网络安全挑战。开发并验证智能城市网络安全工具需要高质量的数据集来准确反映真实运行条件。然而，真实数据集往往不完整、包含隐私敏感数据、难以获取或缺乏足够的恶意活动来支持工具开发。本研究通过提出一个专门为智能城市网络安全研究设计的基于AI的合成数据生成（SDG）框架来弥补这一关键缺口。该框架利用生成式人工智能模型生成高保真度的合成网络安全数据集，这些数据集能够复制真实的设备行为、网络交互和网络攻击场景。合成数据集经过评估，以确认其对协议标准的符合性、与原始数据集的统计相似性以及在常见安全工具中的实用性。所提出的合成数据生成框架和评估指标有望通过使研究人员能够更有效地对威胁进行建模并更全面地评估防御技术，从而推进智能城市网络安全，更好地保护关键智能城市基础设施。