该论文针对基于RPL的物联网网络入侵检测系统（IDS）进行了改进研究。传统机器学习IDS通常仅依赖路由层特征（如RPL控制消息、路由度量等），但这些特征只能反映网络行为的局部视角，可能限制检测性能。作者提出在LSTM-based IDS中引入无线发射（TX）和接收（RX）的无线电特征，与标准RPL特征集结合，以增强对网络异常活动的感知能力。实验在三种典型攻击场景下进行：DIS泛洪攻击（DIS-Flooding）、本地修复攻击（Local Repair）和最差父节点攻击（Worst Parent），并考虑了不同网络规模（节点数量变化）。使用F1分数作为主要评估指标，结果表明，与仅使用路由层特征的基线相比，加入TX/RX无线电特征使整体检测性能提升了约4%，其中对最差父节点攻击的提升最为显著。该工作表明，多源特征融合（路由+无线电）能有效提高IoT网络入侵检测的准确性和鲁棒性，为实际部署提供了新思路。

本文研究自动破解同音替代密码（homophonic substitution cipher）的问题。此类密码将每个明文字母随机映射到多个密文字符，从而弱化字母频率特征，增加破译难度。作者提出使用注意力增强的长短期记忆（LSTM）模型，在共享密钥（shared-key）设置下学习密文到明文的映射：所有密文取自同一个已知的同音码池，但每个密钥使用该池中的不同一致子集。实验基于ChronoFidelius工具生成的合成密文，源自1500–1899年的英语和瑞典语历史文本。测试变量包括密文长度、世纪、可变长编码以及模拟转录错误。模型仅通过对齐的密文-明文对进行训练，不依赖外部语言模型、频率统计或密钥搜索启发式。结果表明，模型在两种语言和所有历史时段均实现了接近完美的字符级解密准确率，对短文本和噪声密文也表现稳健；而面对共享池之外的密文时，模型则按预期失败，说明其可作为在怀疑密钥重用场景下的实用解密和密钥空间验证工具。