本文关注数字系统日益集成化、自主化和协同化背景下，非人类实体（NHE，如AI代理、未来移动网络节点、机器对机器经济中的设备）之间自发、跨组织、非计划性交互的信任建立问题。作者指出，传统联合（Federation）方案，包括OpenID Federation 1.0、SAML及传统联合身份管理，均预设了人工提前配置和共同信任锚（如既有成员或共享提供商）的存在，这与该场景中‘无计划交互’的需求相矛盾。因此，信任域必须在未被预先配置的情况下实现联合，即需要为‘非计划性交互’做好规划。论文系统评估了当前主流的身份与访问管理（IAM）方法：SPIRE、工作负载身份联合（WIF）和OpenID Federation 1.0，并抽取医疗、移动网络、代理型AI等不同领域的需求作为评估标准。作者认为SPIRE是最有前景的起点，但需三项关键扩展才能满足全部需求：（1）令牌交换（token exchange），允许本地域基于外来工作负载的SPIFFE可验证身份文档（SVID）铸造有作用域、绑定受众的令牌；（2）远程证明（remote attestation），使信任决策针对特定工作负载而非整个域；（3）分布式账本层（DLT-based governance），用于锚定信任根、承载联合治理并发布另外两项扩展所依赖的共享密钥。本文核心贡献在于提出了一种融合分布式账本与现有IAM的治理框架，旨在实现无需预配置的跨域工作负载身份联合，为未来自主化数字生态的信任基础设施提供了设计方向。适合对身份与访问管理、零信任架构、自主系统安全感兴趣的学术界与工业界安全架构师阅读。

本文介绍了ACTING平台，旨在解决网络防御训练中跨域、多域演习的互操作性问题。论文主要贡献有三：首先，提出了第一代演习描述语言（EDL-FG），这是一种结构化语言，用于形式化描述网络靶场的训练服务和演习场景。EDL-FG能够捕捉模拟ICT/OT环境所需的技术基础设施，以及控制网络事件、注入和参与者交互的场景逻辑，从而支持跨联邦网络靶场的互操作和自动化场景部署。其次，ACTING平台引入了自动化的参与者表现评估和评分机制，通过在参与靶场间协调数据收集和分析，实时评估受训者在演习中的行动。第三，该平台支持结合民用和军事操作情境的多域网络训练场景。ACTING基于H2020 ECHO项目的联邦能力，展示了可互操作的场景描述和自动化评估如何支持可扩展且逼真的网络防御训练。该研究适合网络靶场设计者、安全培训组织者和从事安全演习自动化的研究人员阅读。