随着物联网（IoT）的快速发展，其网络安全性面临严峻挑战。IoT网络具有动态拓扑、流量不均衡、攻击模式复杂等特性，与通用IT网络存在显著差异。现有基于图神经网络（GNN）的入侵检测方法在处理节点和边特征、捕获细粒度异常方面存在不足。为此，本文提出SKGFusionKAN，一种面向IoT的入侵检测新方法。该方法在GraphSAGE的基础上，引入多尺度选择性核注意力机制，能够自适应提取不同流量条件下的节点和边特征。具体而言，边缘导向的消息传递增强了信息传播效率；选择性核注意力从不同尺度自适应加权边缘信息以处理异构性；门控融合过程动态整合多尺度特征，提升对演化攻击的鲁棒性。最后，采用Kolmogorov-Arnold网络（KAN）进行分类，其优异的非线性建模能力有助于检测复杂、低频的攻击。据作者所知，这是首个将GNN与KAN进行综合集成并针对IoT入侵检测进行架构创新的工作。在四个网络入侵检测数据集（NIDS）上的实验表明，SKGFusionKAN在二分类和多分类任务中均持续优于当前最先进方法，展示了其在IoT安全领域的潜力。

该论文研究了语音表示学习模型在声学侧信道攻击（ASCA）中的应用，特别是针对键盘敲击声的识别。作者指出，尽管ASCA受到关注，但现代语音表示模型（如自监督学习模型）在这一场景下的泛化能力尚未被充分探索。为此，论文引入了名为KEYAC的新数据集，该数据集包含在标准设置和VoIP编解码器设置下录制的键盘敲击声音。研究者评估了六种不同的表示学习模型（如Wav2Vec2、HuBERT等）在零样本和部分微调设置下的表现，使用全连接和卷积网络作为分类器。结果表明，部分微调能提升性能，但所有模型在跨VoIP编解码器（如G.711、Opus等）时泛化能力不足。作者推测这一局限性源于传统微调架构难以建模非线性特征交互。为解决该问题，论文引入了Kolmogorov-Arnold网络（KAN）进行微调，KAN通过学习非线性函数组合来增强特征交互建模。实验证实，基于KAN的微调在KEYAC数据集上持续优于基线方法，并达到了新的最先进水平。该研究为声学侧信道攻击的防御提供了新视角，即攻击者可能利用先进语音模型提升攻击效果，同时为安全社区开发针对性的检测与防护措施提供了依据。