该论文提出了一种新的反汇编算法，该算法将反汇编问题转化为加权区间调度问题，并利用学习得到的权重进行指令选择。反汇编是逆向工程、二进制重写等二进制分析和转换技术的第一步。现有的反汇编方法通常包含三个阶段：探索阶段（过度近似二进制代码）、分析阶段（为候选指令或基本块分配权重）以及冲突解决阶段（从候选集中选择最终的指令集）。本文提出了一种适用于多种架构（x86、x64、arm32、aarch64）的通用反汇编算法，其核心创新在于采用了一种新的冲突解决方法，即通过加权区间调度来减少反汇编问题。该方法将指令视为区间，每个区间有对应的权重，然后通过求解最大权重不重叠区间集合来得到最终的反汇编结果。权重可以通过学习得到，从而提升反汇编的准确性。实验部分（摘要未提及，但论文应有）展示了该方法在不同架构上的有效性，与现有方法相比具有竞争力。该研究为反汇编领域提供了一种新的视角，有望提升二进制分析工具的效率和准确性。

本文针对医疗健康信息交换（HIE）网络中设备认证的安全与效率平衡问题，提出了一种新颖的跨层认证方案。该方案将传统密码学机制与物理层（PHY）认证相结合，以在确保可靠通信的同时最小化计算和通信开销。初始认证阶段采用基于公钥基础设施（PKI）的方法，利用椭圆曲线密码（ECC）和数字证书验证设备合法性，并同时提取设备独特的硬件特征，如载波频率偏移（CFO）和正交偏斜。这些特征用于在由区域中心权威（RCA）管理的离线阶段训练机器学习（ML）模型。在重认证阶段，系统从传入的正交频分复用（OFDM）符号中重新提取物理层特征，并通过训练好的ML分类器实时验证设备身份。这种跨层策略实现了连续、轻量的身份验证，无需为每条消息交换和验证密码签名，从而降低了系统开销。方案还通过使用加密且频繁刷新的伪身份增强了隐私保护，确保不可链接性和抗身份追踪。形式化安全分析（BAN逻辑）表明，该方案能够抵抗冒充、中间人（MitM）、重放和女巫攻击等多种威胁。