该论文针对互联网审查事件检测面临的数据量庞大、审查动态变化以及同一国家不同网络可能采用异构封锁策略等挑战，提出了一种基于决策树的无监督学习系统CenDTect。该系统利用迭代并行DBSCAN聚类算法，以改进的交叉分类准确率作为距离度量，识别具有相似封锁模式的域名，从而克服了人工分析的可扩展性问题以及以往时间序列方法可解释性不足的缺陷。研究分析了Censored Planet项目2019年1月至2022年12月间超过700亿个数据点，在192个国家中发现了15,360个HTTP(S)事件簇，在77个国家中发现了1,166个DNS事件簇。通过与新闻媒体报道整理的38个潜在审查事件进行比对评估，所有经人工核验的事件均能通过CenDTect的输出轻松表征。研究还报告了32个国家中超过100个自治系统存在持续性ISP封锁，并在2022年发现的簇中识别出11个临时性封锁事件，这些事件发生在选举、政治动荡、抗议和战争时期。该方法提供了信息丰富且可解释的输出，使研究人员、记者和非政府组织等数据用户更容易获取审查数据。

本研究首次系统性地测量和分析了中国的DNS审查（即“防火长城”中的一部分）。作者开发了一套分布式测量方法，在全球多个位置部署探测点，针对数千个已知被屏蔽的域名以及随机域名进行DNS查询，并收集响应数据。通过分析DNS劫持、伪造的响应以及超时等异常现象，他们量化了审查的覆盖范围、准确性和延迟。研究发现，中国的DNS审查并非完美无缺：存在绕过手段（如使用境外DNS服务器），且审查策略在不同地区和时间段存在差异。论文还评估了审查对网络性能的影响，并讨论了审查机制的工作原理。核心贡献包括：一个大规模、长期运行的测量框架；对审查效果的定量评估；以及公开可用的数据集，供后续研究使用。适合网络安全研究人员、网络测量领域学者及关注互联网审查的从业者阅读。