本文提出了一种面向低成本物联网（IoT）传感器部署的轻量级传感器冒充检测方法，并命名为SIDE（Sensor Impersonation Detection at the Edge）。研究背景是许多低成本的IoT传感器缺乏设备级源认证，容易被攻击者冒充或注入伪造的传感器读数。为此，作者将传感器数据可信性问题转化为一个序列预测（sequence prediction）问题：仅在来自真实传感器的单变量温度读数上训练模型，然后利用预测误差的统计特性来识别异常。模型由三层LSTM和两层全连接层构成，输入为一段温度读数序列，输出下一时刻的预测值。在检测阶段，当某个滑动窗口内的平均绝对预测误差超过真实数据平均误差的六个标准差以上时，将该窗口标记为异常。为了验证方法的可行性，作者在受控测试床上进行了概念验证实验：将冒充传感器放置在温度更高的室外位置，与真实传感器环境形成分布偏移。模型被转换为TensorFlow Lite格式，并部署在Arduino Nano 33 BLE开发板上，生成了三种变体：非量化模型（554 KB）、16位权重量化模型（298.5 KB）和8位权重量化模型（185 KB）。实验结果显示，三种变体分别达到了99.980%、99.972%和98.206%的检测准确率，并且都能准确标记从真实数据切换到冒充数据的时间点。量化使模型体积变小，但在作者的测量中推理速度反而变慢。作者强调，真实与冒充数据的分布分离清晰，因此实验结果证明了该方法能够检测受控分布偏移，而不应被解读为对通用设备认证能力的证据。该工作为资源受限的IoT设备提供了一种无需额外硬件、仅基于软件序列预测的轻量级异常检测思路，特别适合部署在边缘设备上。适合对IoT安全、异常检测和边缘AI感兴趣的读者阅读。

该论文提出了一种基于长短期记忆网络（LSTM）的主动防御策略——LSTM Look-ahead Moving Target Defense (LLM)，旨在解决传统IP地址动态变换（IP shuffling）在移动目标防御（MTD）中存在的三个主要问题：可扩展性有限、即使无攻击也存在重构开销、以及需要大量未使用地址块。LLM方法是首次尝试利用LSTM预测攻击者最可能扫描的目标地址，从而在攻击发生前动态改变网络出口IP地址，增加攻击者探测难度。具体而言，模型通过历史恶意扫描数据训练LSTM，预测后续扫描目标；采用集成学习（Ensemble Learning）提升对不同扫描行为的鲁棒性；并引入动态变异机制（Dynamic Mutation Mechanism）增强自适应性。实验结果表明，相比基线变异策略，LLM在安全性和开销方面均表现更优。该研究为网络扫描防御提供了数据驱动的预测性思路，适合对移动目标防御、网络主动防御和入侵检测感兴趣的研究者阅读。

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。