该论文针对网络入侵检测场景中事件流碎片化、异构的特点，提出了一种事件原生的符号-时序脉冲编码框架，用于让脉冲神经网络（SNN）能够直接在原始异构网络事件流上工作。研究背景是：SNN 依靠有状态处理实现稀疏、事件驱动的计算，天然契合低功耗边缘硬件，也契合异步到达的安全监控数据；网络中恶意行为往往体现在事件序列的时序模式里而非单个事件的值上。但作者指出，网络事件流并非纯粹的连续数值信号——其信息结构还由类别型标识符（如协议、端口、CAN ID 等）、不规则的到达时间和局部行为上下文共同承载。传统基于发放率或群体编码的脉冲编码方式难以表达这类异构语义；而常规 IDS 流水线通常把原始事件转换成流记录、固定聚合窗口或稠密张量来适配传统分类器，这些转换会引入缓冲延迟、掩盖原生时序结构，并削弱事件驱动/神经形态计算在功耗和时延上的优势。为此，论文提出的框架把编码角色分别指派给三类信息：语义身份（categorical 标识的符号化表示）、局部频率上下文（局部时间窗内的出现频度）以及事件间时序（inter-event timing），从而在直接生成稀疏、可被脉冲网络消费的输入的同时，保留类别语义与时序动力学，无需先做窗口聚合或稠密化。作者在包级网络 IDS 数据集上验证了该方法，并将其扩展到消息级 CAN 总线 IDS（车载网络），用两个域共同评估编码是否能为直接在原生事件流上运行的循环 SNN 暴露可用的结构。在面向边缘、与 μCaspian 对齐的硬件约束下，紧凑的循环 SNN 取得了较强的异常检测性能，操作型混合指标 J_hybrid 在网络 IDS 上为 0.987，在 CAN IDS 上为 0.980。论文整体偏向方法学与架构设计，旨在为神经形态/边缘安全监控提供一种避免流量化与窗口化预处理的编码范式。

该论文关注电力配电网数字化带来的安全后果：工控与关键基础设施侧的网络暴露面扩大，而现有入侵检测系统（IDS）多依赖计算开销大的深度学习模型，难以在边缘侧部署；同时，为适应数据分布漂移而进行的周期性重训练，又使模型暴露于「机器遗忘攻击」（machine unlearning attack），攻击者通过有选择地删除或污染训练数据，可显著削弱检测性能。作者提出一种混合架构：以脉冲神经网络（SNN）承担时域特征提取，利用神经形态编码把时间序列（如同步相量测量）转成稀疏脉冲表示，再将对齐后的嵌入向量送入 XGBoost 作为轻量分类器。其关键设计是「一次训练、固化复用」——SNN 只在干净数据上训练一次，之后作为固定特征提取器不再更新，模型迭代时仅重训练 XGBoost 分类器，从而在结构上降低攻击者通过数据投毒影响特征表示的空间。在公开的真实电力系统数据集上评估：Synchrophasor 数据集取得 99.9% 准确率、F1-macro 0.999；MSU/ORNL 数据集取得 95.0% 准确率、F1-macro 0.943，均优于单模型基线。在选择性标签翻转投毒场景下，10% 投毒比例时混合模型 F1-macro 仅下降 0.9%，且将目标类别的性能崩塌点从 60% 投毒比例推迟到 70%，表明神经形态时域编码既能提供高精度的攻击检测，也能提升信息物理系统对数据投毒的鲁棒性。论文属方法论与实验评估类工作，适合关键基础设施安全、边缘侧 IDS 与鲁棒机器学习方向的研究与工程人员参考。

本文针对边缘设备上小语言模型（SLM）分布式微调面临的安全挑战，提出了一种基于模型多样性的系统级防御机制。研究背景是，随着边缘机器学习的发展，语言模型在移动和物联网设备上的分布式部署虽能保护隐私并实现实时响应，但不可信或异构的边缘节点可能注入恶意更新，导致模型被悄悄操纵或收敛性能下降。传统防御方法（如鲁棒聚合或时间异常检测）依赖单一全局模型，难以检测协同性、持续性投毒攻击。核心方法：作者提出不维护单一全局模型，而是轮换或并行训练多个小语言模型（如DistilGPT-2），每个模型由独立采样的边缘节点子集更新。这些模型遵循不同的训练轨迹，形成对同一分布式数据分布的多个独立视图。通过梯度相似性、损失演化或参数方差量化模型间的差异，当某个模型显著偏离集成均值时，系统标记其贡献节点进行隔离或权重重新分配。实验在边缘规模仿真环境下，针对SLM训练的不同异构性和攻击条件进行评估。结果表明，与经典单模型防御（如Flanders和鲁棒方法）相比，模型多样性能够更早、更可靠地检测投毒攻击。主要贡献：证明了模型演化多样性可以作为一种实用且有效的防御机制，保障资源受限边缘设备上的安全分布式学习。适合对分布式机器学习安全、边缘计算、鲁棒聚合感兴趣的读者。

本文针对低端边缘设备上部署深度神经网络（DNN）推理时面临的两个关键挑战：模型机密性保护（防止被受损的边缘系统窃取）和可验证推理（确保推理结果正确且未被篡改）。现有方案要么将部分模型和推理软件置于可信执行环境（TEE）中，导致高成本和依赖于应用的受信任计算基（TCB）；要么在不可信环境中执行，安全性很低。为此，作者提出VECODI框架，其核心是SHANGRI-LA——一种基于TrustZone-M TEE的新执行抽象，创建一个权限严格介于安全世界和非安全世界之间的第三运行时环境。VECODI利用SHANGRI-LA在非安全世界中执行不可信的推理代码，同时借助最小化的与应用无关的安全世界支持来保护模型机密性并实现推理结果的可验证性（包括推理代码和模型参数的正确执行）。作者在真实NUCLEO-L552ZE-Q开发板上实现了VECODI并开源了原型。实验结果表明，VECODI具有较小的TCB、内存占用和运行时开销，使其成为低端边缘设备上安全推理的实用选择。该工作为资源受限设备上的隐私保护推理提供了新思路，适合对TEE、边缘AI安全感兴趣的研究者和工程师阅读。