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。

该论文提出了一种名为 SECUREVENT 的混合 AI/ML 安全监控架构，用于分布式事件驱动系统。随着物联网遥测、云原生微服务和安全运营管道等场景的普及，分布式事件系统（如发布/订阅服务）的松耦合和异步交付特性在提升可扩展性的同时，也扩大了攻击面：发布者、代理、订阅者、主题、模式和时间顺序都可能被滥用，而单一组件无法观测全局行为。SECUREVENT 架构结合了传统安全机制（如认证传输、主题级授权、签名事件）与在线异常检测、图感知行为特征、复杂事件策略规则、联邦学习以及对抗性机器学习治理。通过在合成事件流攻击上的确定型原型研究，展示了混合 AI/CEP 监控器在保持低误报率的同时，如何提升静态规则的召回率。核心观点是：当事件流、身份、模式和时间关系过于动态，静态控制不足以应对时，基于模型的安全监控是必要的。该研究适合安全架构师、事件驱动系统开发者和安全运营人员阅读。