本文提出了一种基于知识的智能体框架，用于安全控制推荐，旨在帮助缺乏网络安全专业知识的IT团队完成本地环境的加固工作。该框架被设计为一个安全决策支持系统（DSS），能够根据用户对安全维度的最低要求，推荐合适的安全控制子族。研究首先从信息安全领域和学术来源中整理了一个统一的数据集，覆盖多个安全维度。然后，将推荐问题建模为非零和同时博弈，并基于多智能体影响图（MAID）模型进行求解。系统探索了7个安全维度或智能体的决策空间，利用无遗憾在线学习算法，最终找到在最小化安全资源过度或不足配置的前提下，最符合用户需求的安全控制子族。实验在性能和准确率方面进行了验证，测试了不同大小的数据集。结果表明，使用约65%的软件可实现安全控制时，覆盖率高达99%，运行时间为1.2-35.7秒；而使用约29%的控制时，覆盖率为73%-77%，运行时间为0.8-13.8秒。该研究的主要贡献在于提出了一种数据驱动、博弈论和在线学习相结合的方法，能够高效地匹配用户需求与安全控制，减少安全配置中的浪费或盲区。适合安全运维人员、决策支持系统开发者以及从事自动化安全配置研究的学者阅读。

该论文研究了比特币网络中矿工在区块传播过程中的激励相容性问题。比特币作为一个无需许可的系统，依赖矿工共同维护区块链，其中区块传播是最基础的过程。然而，如果矿工存在不传播某些区块的动机，将表明比特币激励设计存在根本缺陷。尽管以往工作研究了传播延迟对分叉和挖矿奖励的影响，但尚未完全刻画在不同平局打破规则下矿工改善区块传播的激励。为此，作者基于区块链网络模型推导了每种平局打破规则下的奖励解析表达式，该模型捕捉了分叉对挖矿公平性的影响。这些表达式明确刻画了区块传播延迟、算力分布和平局打破规则如何共同决定挖矿奖励。然后利用这些表达式分析矿工改善区块传播的激励。结果表明，例如，矿工没有传播其他矿工生成的区块的挖矿奖励激励。相反，在首次看到规则下，每个非多数矿工都有激励更快地接收其他矿工的区块并更快地传播自己的区块。最后，论文比较了平局打破规则，揭示了传播激励与挖矿公平性之间的权衡：首次看到规则提供了最强的减少传播延迟的激励，但也最严重地损害了挖矿公平性。该研究对理解比特币共识协议的安全性和经济设计具有重要理论意义。

该论文在经典的Glosten-Milgrom（1985）顺序交易模型框架下，引入了一个信息论隐私机制：市场做市商观察到的交易方向被一个二元翻转信道（翻转概率η）扰动。在贝叶斯市场做市商定价规则下，论文推导出了均衡买卖价差的闭式解为 μ(1-2η)Δ，其中μ为知情交易者比例，Δ为资产价值范围。福利分解揭示了一笔从协议流动性池到交易者的每笔交易转移 μηΔ——称为“隐私补贴”，这与先前在连续高斯Kyle模型中建立的隐私补贴概念相类似。该结果将隐私补贴概念从连续高斯环境扩展到了离散两状态微观结构，证明了这一概念在两个经典模型中的稳健性。主要应用场景为基于MPC（安全多方计算）的撮合引擎，其中引擎基于带差分隐私噪声的方向信号进行定价。论文通过理论推导和数学证明，展示了在金融市场微观结构中引入隐私保护机制对市场质量和福利的影响。适合对机制设计、市场微观结构、隐私保护经济学感兴趣的研究者阅读。