该论文针对社交编码仓库（如GitHub）中的用户画像与漏洞引入预测问题，提出了一种基于动态图嵌入的新方法。传统漏洞预测多依赖静态代码特征或提交历史，但忽略了开发者行为与项目协作关系的演化。作者将仓库中的开发者、代码提交、文件等实体建模为动态图，利用图嵌入技术捕捉结构化信息和时序变化，从而预测特定代码提交是否可能引入安全漏洞。通过结合项目元数据、开发者交互模式以及随时间演变的图结构，方法能够生成反映当前风险状态的用户画像，并用于训练分类模型。论文在多个真实开源项目数据集上进行了评估，结果表明该方法在漏洞引入预测的准确率与早期检测能力上优于现有基线。主要贡献包括：构建动态社会编码图谱的流程、基于时间窗口的嵌入学习框架，以及针对漏洞注入风险的用户行为特征分析。适合软件安全、漏洞预测和图机器学习方向的研究人员阅读。

本文提出 PriDyG，一个面向动态图推断的隐私保护框架，旨在解决关系型数据上的图推断可能泄露敏感边信息的问题。在动态图中，模型反复更新会导致隐私损失累积，使得问题更加严重。作者形式化了边级差分隐私动态图推断（EDG）问题，并设计了一种结合 GNN 结构学习与 LLM 语义推理的私有推断框架。PriDyG 的核心创新是增量式私有多跳聚合机制：它缓存新到达的边，并确保每条边只被处理一次。通过并行组合性质，总隐私成本等价于单次静态发布的隐私成本，与模型更新的次数或调度无关。与几何衰减的预算分配方法相比，增量聚合避免了指数增长的噪声，同时保留精确的一跳信号和至少一半的二跳信息传递。此外，PriDyG 利用仅基于节点文本的 LLM 预测来补充私有化的 GNN 输出，不产生额外的边级隐私成本。在四个基准数据集上的节点分类和链接预测实验中，PriDyG 在相同隐私预算下持续优于几何衰减基线，并匹配朴素逐次更新重训练的工具性，同时将累积隐私成本降低最多三个数量级。该研究适用于关注隐私保护图学习、动态图分析以及 LLM 与 GNN 协作机制的研究人员和工程师。