本文提出了一种基于图论的自动化验证框架 GAuV，用于验证多方计算（MPC）协议在完美半诚实安全模型下的安全性。传统上，MPC 协议的安全性证明依赖于针对具体协议手工构造模拟器，并对其输出分布与真实世界损坏方视图进行理论分析，这一过程繁琐且容易出错。此外，即使协议在理论上是安全的，实现过程中的粗心也可能引入安全漏洞，且难以检测。GAuV 框架能够自动验证 MPC 协议实例的完美安全性，具有完全的可靠性（soundness）：任何通过该框架验证的协议，在模拟器定义的语义下也是安全的。作者还证明了框架的完备性，即对于任何 BGW 协议实例，该框架都能在多项式时间内验证其对于所有损坏方集合的安全性。与以往仅关注黑盒隐私（即损坏方输出不泄露诚实方输入信息）的工作不同，GAuV 有潜力用于验证任意 MPC 协议的安全性。作者实现了原型系统，评估显示原型能在合理时间内自动证明 BGW 协议和 B2A（二进制到算术）转换协议的完美半诚实安全性。该研究为 MPC 协议的安全性验证提供了自动化工具，有助于减少手工证明的复杂性和实现错误带来的风险。

随着组织数字化转型的深入，网络安全风险日益突出，恶意软件已成为一种普遍且破坏性极强的威胁。现有基于字节的机器学习检测方法虽然广泛应用，但容易受到攻击者通过操纵原始字节实施规避行为的影响。相比之下，基于图的方法通过将软件表示为捕获执行行为的程序图，受此类操控影响较小，但现有图方法未能显式识别共同实现有意义程序行为的基本块聚簇，也未能学习足够具有表达力的程序图表示以实现精确检测。针对上述问题，本文提出 MalGuard——一种面向组织恶意软件风险管理的图基恶意软件检测方法。MalGuard 包含两项方法论创新：一是操作角色识别方法，将基本块的凝聚组识别为操作角色，使检测器能够捕获从孤立基本块中不可见的程序行为；二是程序图表示学习方法，通过建模操作角色之间的交互来学习富有表达力的程序图表示，保留稀疏的恶意信号并捕获层次化图结构。大量实验表明，MalGuard 在检测性能上优于现有方法，并降低了未检出恶意软件带来的预期成本。本文属于信息系统（IS）领域的恶意软件检测研究，适合关注图神经网络与恶意软件检测交叉方向的研究人员、安全分析师以及负责组织风险管理的从业者阅读。