该论文提出了一种名为 KnowGraph 的新型图异常检测方法，旨在解决传统基于图神经网络（GNN）的方法在数据分布变化时泛化能力不足的问题。实际安全场景中（如交易网络欺诈检测、网络流量入侵检测），领域知识通常更稳定且已被广泛使用，但现有模型难以有效整合这些知识。KnowGraph 包含两个核心组件：第一，统计学习组件，包含一个用于整体检测任务的主模型以及多个预测特定领域语义实体的专门知识模型；第二，推理组件，利用概率图模型基于模型输出执行逻辑推理，通过加权一阶逻辑公式编码领域知识。在大规模真实数据集上的实验表明，KnowGraph 在直推式（transductive）和归纳式（inductive）设置下均一致优于当前最先进的基线方法，尤其在泛化到完全未见过的测试图时，平均精度获得显著提升。消融实验进一步证明了推理组件在改善检测性能方面的有效性，特别是在极端类别不平衡情况下。该工作凸显了将领域知识融入数据驱动模型在高风险基于图的安全应用中的潜力。

本文提出 GAuV，一个基于图的自动化验证框架，用于评估多方计算（MPC）协议在完美半诚实安全模型下的安全性。MPC 协议允许互不信任的各方联合计算函数而不泄露私有输入，其安全性证明通常依赖手工推理，易出错且耗时。GAuV 将协议执行建模为有向图，顶点代表协议步骤（如消息发送、计算操作），边表示依赖关系和信息流。通过定义一组安全约束（如隐私性、正确性、独立性），框架自动检查图模型是否满足完美半诚实安全定义。该框架支持多种协议结构，包括布尔电路和算术电路，并引入优化策略降低验证复杂度。实验在多个经典协议（如 GMW、BGW、Yao's 混淆电路）上验证，结果表明 GAuV 能高效检测安全缺陷，并生成可解释的反例。主要贡献包括：（1）首个针对完美半诚实安全的通用图验证方法；（2）公开可用的自动化工具；（3）在典型协议上验证了其有效性和可扩展性。本文适合密码学研究者、安全协议设计者和形式化验证工程师阅读。

该论文聚焦于从系统活动图中检索已知高级持续性威胁（APT）活动的任务。在现实运维环境中，系统活动图（节点代表MITRE ATT&CK技术，边表示时间或资源级别的关联）常因检测不完整、技术误分类以及良性行为引入的结构伪影而包含噪声。传统基于精确图匹配的方法在噪声环境下鲁棒性差。为此，论文将问题形式化为已知APT查询图与含噪声、部分观测的技术图之间的近似子图匹配。作者提出了一种基于嵌入的初步检索方法，通过将图结构转换为低维向量表示，在向量空间中进行相似度搜索，以容忍噪声和缺失边。该方法旨在为实际环境中已知APT活动的检索提供鲁棒且实用的框架。实验部分（摘要未详述）应验证该方法在合成噪声数据上的有效性。该工作适合安全分析师、威胁情报研究员及图分析在网络安全应用中的开发者阅读。