SSH（安全外壳协议）是远程系统管理的核心协议，但基于密码的认证方式使其面临大规模暴力破解、字典攻击和凭证填充攻击的威胁。传统基于规则的防御措施如Fail2Ban难以检测缓慢、分布式或自适应阈值的攻击者，而传统的账户恢复机制（如电子邮件链接、一次性密码OTP、带外验证）又引入了网络钓鱼、会话劫持和弱认证绑定等新的安全风险。针对这些问题，本文提出了SSHafe系统，一种实时的SSH暴力破解检测与缓解方案。SSHafe将时间序列特征工程与轻量级LightGBM分类器相结合，直接从系统认证日志中识别攻击模式。通过多尺度滑动窗口提取尝试速率、到达间隔、失败比率和用户名多样性等行为特征，该模型在基准数据集上实现了99.96%的检测准确率，并在未标记的真实流量中表现出强大的泛化能力。一旦检测到攻击，SSHafe会自动阻止目标用户账户，并通过SSH横幅引导合法用户使用一种基于passkey的新型密码轮换流程。该密码重置标准在单个密码学绑定流内完成认证与密码更新，无需会话、Cookie、OTP或邮件验证，从而减轻了网络钓鱼、会话劫持、CSRF和重放攻击。在Azure虚拟机和实时对抗流量上的实验表明，SSHafe能在十秒内识别并抑制暴力破解活动，即使使用弱口令也能有效防止账户被攻破。该研究为SSH服务器提供了更智能的实时防护方案，并为密码恢复流程设计提供了新思路。

该论文针对电动汽车充电系统（EVCS）日益与物联网（IoT）设备互联所引入的网络安全风险，提出了一种基于多目标自动化机器学习（MOO-AutoML）的高效入侵检测系统（IDS）。传统基于机器学习的IDS往往依赖人工设计模型，且仅以检测性能为优化目标，忽略了推理延迟与模型大小等实际部署约束。论文所提框架首先采用轻量级训练策略和基于LightGBM的自动特征选择方法，根据累积特征重要性筛选紧凑特征子集；随后利用非支配排序遗传算法III（NSGA-III）联合优化特征选择阈值和LightGBM关键超参数，同时最大化加权F1分数、最小化99百分位推理延迟比例和最小化模型大小比例三个目标。实验基于CICEVSE2024和CICIDS2017两个数据集，结果表明所提MOO-AutoML IDS在保持竞争性加权F1分数的前提下，相比对比方法具有更低的P99推理延迟和更小的模型体积。论文结论认为该方法能够在实际部署约束下支持准确且高效的EVCS与IoT入侵检测。本文的研究问题聚焦于EV充电网络的安全监测效率，核心方法为多目标AutoML框架，主要贡献在于将特征选择与超参数优化联合纳入多目标框架，并同时兼顾检测精度与资源效率。适合智能电网安全、物联网入侵检测以及AutoML应用研究的工程师和学者阅读。

该论文提出了一种端到端的解释性钱骡账户检测管道，旨在解决金融欺诈中钱骡账户难以大规模检测的问题。管道分为三个阶段：首先，使用LightGBM分类器在280个工程特征上训练，这些特征涵盖交易模式、账户人口统计、网络拓扑和时间行为；其次，引入TreeSHAP归因层，为每个预测分解特征贡献；最后，利用大语言模型（LLM）将SHAP归因转换为面向分析师的自然语言叙述。研究评估了三种开源LLM家族，并通过分析师反馈评估解释质量。在生产部署中，该系统实现了89%的收益率（原基于规则的系统为61%），月警报量从211条增至302条（反映更广的真阳性覆盖而非噪音），增量不良检测率达到60%，显著优于规则方法。定性反馈表明，LLM生成的叙述减轻了分析师在警报分类中的认知负担。论文还讨论了在受监管金融环境中部署LLM增强可解释性的启示。该研究适合金融风控、反欺诈及可解释AI领域的研究者和从业者阅读。