该论文面向云化集成 IoT 网络中的分布式拒绝服务（DDoS）检测场景。此类环境中攻击流量形态多样、标注成本高昂，往往只有极少比例的流量被打上标签，导致监督式检测器难以训练充分。生成式半监督学习被认为是缓解标注稀缺的可行思路：利用生成模型补充训练数据，从而在有限的标注样本上提升分类器性能。但作者指出一个此前易被忽视的关键问题——由合成样本构造出的替代视图（alternative views）会引入预测漂移（prediction shift），进而影响施加于真实未标注流量的伪标签目标，使训练信号被污染。 为此，论文提出 AnchorMixGAN 框架，核心是「锚对齐的目标构造」（anchor-aligned target construction）。其 Anchor-MAS 模块把每一条真实未标注流量视为一个锚点（anchor），通过逐组替换字段的方式构造替代视图：每次只把某一个字段组替换为生成流量中的对应取值，从而在保留锚点大部分真实结构的同时引入受控的合成扰动。随后使用一个冻结的参考分类器对锚点及其各个视图进行预测，对这些预测做平均并施加锐化（sharpening），得到原始流量的软目标。接着，该流量及其软目标再与一条有标注样本通过 MixUp 混合，使检测器既能从原始的标注记录中学习，也能从混合样本中学习，实现标注与未标注信息的联合利用。 论文还给出了理论层面的分析：考察参考分类器误差、视图构造方式与锐化操作如何共同影响最终目标，并在检测器预测固定的条件下，推导出交叉熵变化量的上界，为方法的稳定性提供了依据。实验在 NSLKDD、BoT-IoT、CICIoT2023 三个数据集上进行，在「20% 训练记录有标签」的 90% 训练设定下，AnchorMixGAN 分别取得 97.3%、97.4%、96.5% 的准确率，较对应的 MixGAN 基线分别提升 1.6、1.0 和 4.4 个百分点，其中在更贴近现代 IoT 流量的 CICIoT2023 上提升最为显著。 该工作适合从事网络入侵检测、IoT/云安全、半监督与生成式学习的研究者与工程人员阅读，可作为标签稀缺条件下流量检测建模的技术参考。

该论文（海报）针对深度学习侧信道分析（DL-SCA）中的一个关键工程痛点：当把在一个设备上训练好的模型迁移到未见过的硬件上时，性能往往因印刷电路板（PCB）走线差异、硅工艺偏差以及测量噪声分布变化而急剧下降。作者提出合成多设备模型（s-MDM），一种无需目标设备真实轨迹（zero-target-trace）的生成式框架，用于离线合成“虚拟源设备”的侧信道画像，从而提升跨设备可移植性。s-MDM 由四个关键组件构成：结构化的条件变分自编码器（cVAE）生成器、基于 Walsh-Hadamard 变换的泄漏锚点（leakage anchor）、连续风格调制（style modulation），以及解耦的泄漏-风格-域判别器（decoupled leakage-style-domain critics）。在 32 位 AES_PTv2 侧信道轨迹基准上，作者刻画出一条精确的操作边界：对于电气特性完全相同的克隆设备（D4），物理 MDM（真实多设备模型）仍然占优；但在布局/采集条件发生偏移的 Pinata 目标上，物理基线表现不稳定或出现对齐偏差，而 s-MDM 能稳定保持较低的密钥秩（key rank）。该工作为硬件差异场景下评估 DL-SCA 的可迁移性提供了新的方法论，也提醒防护方需把跨设备/跨布局迁移纳入侧信道评测。

该论文提出了一种名为 Discop 的实用隐写术方案，其核心创新在于引入“分布副本”（Distribution Copies）概念，以实现可证明安全的隐蔽通信。传统隐写术通常依赖对载体对象的细微修改，难以在理论上严格证明其安全性；而 Discop 通过直接从目标噪声分布中采样生成载体，使得嵌入消息后的对象与自然生成的对象在分布上不可区分，从而在信息论层面提供安全性保证。论文中详细阐述了分布副本的构造方法，可能结合了生成模型（如 GAN 或扩散模型）来生成高维载体，并讨论了消息嵌入与提取的编解码机制。实验部分（基于摘要推测）应验证了该方案在嵌入容量、隐蔽性和安全性方面的优越性，并可能对比了现有隐写方法。该工作主要面向信息安全领域，特别是隐蔽通信和数字水印方向的研究者，为可证明安全的隐写术提供了新的实践路径。

该论文题为Pass2Edit: A Multi-Step Generative Model for Guessing Edited Passwords。由于未提供论文摘要，本摘要基于标题和作者信息进行推断。研究围绕密码猜测展开，特别聚焦于用户编辑后（即修改过）的密码。在实际中，用户常常在原有密码基础上进行简单修改，例如增加数字、替换符号或调整大小写，这些编辑模式具有规律性。该论文提出一个多步骤生成模型Pass2Edit，旨在利用这些编辑规律来生成更可能被用户使用的新密码，从而提升密码猜测的成功率。该研究可能涉及生成模型的架构设计、密码修改数据集的构建与分析、以及与现有密码猜测方法的对比实验。这类研究对密码安全评估、渗透测试中的弱口令猜测、账户恢复机制以及用户密码更新行为的理解具有潜在价值。然而，由于没有摘要原文，具体的方法细节、实验设置、数据集和结果无法得知，建议查阅原始论文获取更详细的信息。整体而言，这是一篇面向密码安全领域的模型研究，适合对密码猜测、生成式模型和用户行为分析感兴趣的研究人员与安全工程师阅读。

本文介绍“Go-To-Germany”团队参与ImageCLEF 2026音频深度伪造检测与生成任务的方案与结果。研究背景：深度伪造音频对身份认证、司法证据和金融安全构成现实威胁，而现有检测器对未知或对抗性生成样本的泛化能力尚待验证。该团队提出一种基于四骨干自监督学习（SSL）集成的检测系统，融合WavLM-Large、Wav2Vec2-XLS-R-300M、ECAPA-TDNN和x-vector四种预训练语音表征，通过集成投票机制进行深度伪造判别。在官方检测评测中，系统取得0.9522的总分，对参与者生成的深度伪造样本达到100%识别率，但对主办方保留的真实录音仅有0.8875准确率，暴露11.25%的假阳性差距。在生成子任务中，团队提交了一个经均匀混响处理、故意作为反取证探针的F5-TTS v1基线，最终以词错误率4.99%、字符错误率2.07%、最终得分0.4304的成绩排名第一；其背后还有包含GLM-TTS、F5-TTS、XTTS v2、CosyVoice3的四模型生成程序，用于系统研究不同生成器的可检测性。跨轨道对比揭示显著的生成-检测不对称性：检测端能识别全部参与者生成的深度伪造，但该团队在生成端提交的探针模型却成功逃避了61.4%的参与者检测器和56.2%的主办方检测器，说明当前检测体系在面对刻意反取证设计的Audio Deepfake时仍存在明显短板。为验证多骨干SSL集成的设计动机，作者完成了基于伪造检验的消融实验，包括LOSO 56说话人交叉验证、三区域骨干几何分析、bootstrap置信区间和PCA分析，结果支持“架构保险”假说：不同SSL骨干间决策模式互补，集成后对未知生成流的鲁棒性更强。论文还提供五个跨轨道见解和五个预注册的伪造实验，将生成侧逃避策略与检测侧设计决策关联起来。文章最后将11.25%的真音假阳性差距列为部署时最关键的开放挑战。适合音频取证、深度伪造检测、自监督学习和生成式模型安全方向的研究者及蓝队人员阅读。

本文提出了一款名为 V-Cloak 的实时语音匿名化系统，旨在保护用户在即时通讯或社交媒体上生成的语音数据中的声纹隐私，防止恶意对手进行身份推断或身份盗窃。现有的语音匿名化技术（如信号处理、语音转换/合成）往往导致感知质量下降。V-Cloak 通过一种一次性生成模型，在保持语音可理解性、自然度和音色的前提下，实现实时匿名化。该方法对不同频率级别的音频特征进行调制，并采用精心设计的损失函数，包括匿名损失、可理解性损失以及基于心理声学的自然度损失。V-Cloak 支持无目标和有目标匿名化，分别实现不可识别性和不可链接性。作者在四个数据集（LibriSpeech 英文、AISHELL 中文、CommonVoice 法文和意大利文）、五种自动说话人验证（ASV）系统（包括两种基于 DNN、两种统计方法和一种商业 ASV）以及十一种自动语音识别（ASR）系统（针对不同语言）上进行了广泛实验。结果表明，V-Cloak 在匿名性能上优于五种基线方法。此外，仅在 VoxCeleb1 数据集上针对 ECAPA-TDNN ASV 和 DeepSpeech2 ASR 训练的 V-Cloak 仍具有跨 ASV 的可迁移匿名能力和跨语言的 ASR 可理解性。论文还验证了 V-Cloak 对各种去噪技术和自适应攻击的鲁棒性。该工作为语音隐私保护提供了有效且实用的解决方案。

本文提出 T-Miner，一种针对深度神经网络 (DNN) 文本分类器 Trojan 攻击的防御框架。Trojan 攻击通过在训练阶段植入后门触发器，使得任何包含该触发器的输入都会被误分类为攻击者指定的目标标签。与图像领域丰富的防御工作相比，文本领域的后门防御研究相对有限。T-Miner 采用序列到序列 (seq2seq) 生成模型，该模型探测可疑分类器并学习生成可能包含 Trojan 触发器的文本序列。其关键创新在于：不需要访问训练数据集或干净输入，而是使用人工合成的“无意义”文本作为初始种子来训练生成模型。随后，T-Miner 分析生成模型输出的文本，判断其中是否包含触发器短语，从而确定分类器是否被植入了后门。实验在 1100 个模型实例上进行，覆盖 3 种主流 DNN 架构（如 LSTM、CNN、BERT 等）、5 种不同的分类任务（如情感分析、垃圾邮件检测等）以及多种触发器短语。结果显示，T-Miner 对 Trojan 模型和干净模型的总体检测准确率达到 98.75%，在干净模型上误报率极低。此外，T-Miner 对针对性的自适应攻击也表现出鲁棒性，能够抵御攻击者刻意绕过检测的尝试。本文的主要贡献在于：提出了首个基于生成模型的无数据文本后门防御方法，并通过大规模实验验证了其有效性和鲁棒性。