格基后量子密码（PQC）与全同态加密（FHE）中的多项式乘法是资源、时间和能量最关键的运算之一。Barrett 模乘（BMM）因其硬件友好的特性和高效的模归约能力，在 PQC（如 Kyber、Dilithium）和 FHE（如 BGV、BFV、CKKS）的硬件加速器中被广泛采用。然而，侧信道攻击（SCA）和硬件木马可能故意引入故障，而芯片老化及其他物理因素也会造成无意的故障。这些故障如果针对 BMM 单元——PQC 和 FHE 基础设施中最关键的组件之一——可能导致信息泄露，进而危及系统安全。针对这一威胁，本文提出了一种统计归约监控（Statistical Reduction Monitoring, SRM）方法，用于保护 BMM 单元。该方法通过监控模归约过程的统计特性，并利用多条条件归约路径来区分正常运算与异常状态，从而在极低的硬件开销下高效检测随机故障和突发故障。作者通过理论分析和实验验证了该方案的有效性，表明其能够在不显著影响性能的前提下显著提升 BMM 单元对恶意故障注入和自然故障的鲁棒性。该研究为 PQC 和 FHE 硬件加速器提供了一种轻量级、可集成的故障检测方案，对保障未来密码学基础设施的物理安全性具有重要意义。

本文研究了针对信息物理系统（CPS）中基于机器学习的故障检测与定位机制的后门攻击。CPS（如智能电网、工业自动化）依赖传感器、计算和控制器实时检测电压波动等故障并执行负载均衡。近年来，深度学习模型被广泛用于异常检测，但它们易受对抗性攻击。后门攻击中，攻击者向训练数据注入恶意模式，使模型在大部分时间表现正常，但遇到特定触发器时输出攻击者控制的结果。作者定义了在CPS故障检测场景下的后门威胁，设计了触发器生成方法，并通过实验验证了攻击有效性，即使只有10%的训练数据被投毒也能成功。论文的主要贡献在于系统性地将后门攻击引入CPS故障检测领域，并展示了其可行性，警示了AI驱动CPS的安全脆弱性。适合CPS安全研究人员、机器学习安全工程师阅读。