物理故障注入（Physical Fault Injection）是一种通过短暂硬件扰动（如电压毛刺、时钟毛刺、电磁干扰等）诱发安全失效的技术，可能导致密钥恢复、认证绕过或控制流劫持等严重后果。然而，有效的故障参数搜索极具挑战：参数之间相互耦合，搜索空间巨大；有效配置稀少且高度依赖目标设备；单次硬件尝试反馈有限且代价高昂。在固定测试时限下，如何高效搜索故障参数成为评估芯片故障敏感性的关键问题。本文提出 GlitchLab——一种在线硬件在环（hardware-in-the-loop）优化平台。GlitchLab 将延迟（delay）视为时间门控，将电压和脉冲宽度作为严重度控制参数，并将硬件输出结果（如正常、崩溃、故障等）转换为结构化反馈信号。平台实现了两种故障搜索策略：RL-Q（基于 Q-learning 的强化学习）用于探索发现，以及 SOBAS（基于结构化结果的自适应搜索，Structured-Outcome-Based Adaptive Search）——一种基于模型的策略，用于故障复现。实验覆盖 AES 加密、密码验证和控制流三类目标。结果表明：两种策略在全部攻击场景中均能发现目标故障；在 AES 和控制流场景下，相比基线方法，所需尝试次数减少 2–85 倍，时间开销减少 26–1237 倍；在密码验证场景下，基线在 5000 次尝试内失败，而两种策略均能成功。发现故障后，SOBAS 的故障复现成功率是基线的 7.3–21 倍，RL-Q 则能识别比基线多 30% 的独特 AES 故障设置。该工作主要面向硬件安全评估人员、安全测试工程师和故障注入研究社区，其核心贡献在于提出一种可量化、可复现的在线故障搜索优化方法，有望提升芯片安全验证的自动化水平。

本论文聚焦电磁侧信道分析（EM SCA）中的探针放置优化问题。在侧信道攻击或安全评估中，需要将电磁探头放置在芯片表面适当位置以采集到最大泄漏信号，传统做法依赖经验或穷举扫描，效率低且可能遗漏关键点位。论文提出利用粒子群优化（PSO）算法自动引导探针的搜索与放置，将探针位置视为粒子群中的个体，通过适应度函数评估信号的泄漏特征，迭代更新位置以快速收敛到最优或近似最优的探测点。该方法可能结合了电磁场仿真或实际测量，并在不同芯片或硬件平台上进行验证，对比随机扫描、网格搜索等基线，展示了在探测效率、定位精度和最终侧信道攻击成功率方面的改进。由于本文仅从标题与作者信息推断，具体实验细节与结果未能从摘要中确认，建议读者查阅原文获取更完整的架构设计和评估数据。

该论文研究在需求不均匀、随时间变化且可能超过供给的条件下，如何在多个位置和两个服务类别之间共享一个守恒容量预算。这种问题模式在多种场景中普遍存在：例如，一个源站的请求速率上限需要在其边缘位置之间分配，一个许可的吞吐量上限需要在高级租户和标准租户之间分配，或者一个出口带宽预算需要在延迟关键型工作负载和批量工作负载之间分配。作者提出了一种两层级分配算法：第一层在类别内部按比例赤字与盈余再分配机制在各个位置之间重新分配容量；第二层则在两个类别之间弹性地借用容量，当一方有盈余而另一方有赤字时进行调节。论文证明了该算法能够精确守恒预算、保持非负性，并且在平稳需求下由于不携带每周期状态，因此一次迭代即可达到稳定分配，每个周期的计算复杂度为 O(KN)，其中 K 表示类别数，N 表示位置数。作者在拒绝服务攻击场景下评估了该算法保护 CDN 每域预算的效果，其中两个类别分别是已确认合法流量和尚未清除的流量。在包含 22 个位置的拓扑上的 8 个竞争场景实验中，该算法为高优先级需求提供了 66% 到 93% 的服务率，与单类别线性规划最优解相当，同时在总需求达到或超过预算（这些场景评估的竞争体制）时，从不使容量空闲或过度承诺。论文还得出两个超越具体应用的结论。第一，在竞争条件下，最大化吞吐量的目标函数是错误的：最大化总服务负载的两类别 LP 在大多数场景中服务的高优先级负载低于所提出的按需求比例、尊重预留的分配器，因为它无法区分所服务的某些负载是竞争流量。第二，类别间借用机制在突发负载下体现价值，通过消融分析显示可将高优先级服务率提升 1.5 个百分点，而在平稳需求下则是中性的。一个包含 5 个位置并使用真实 HTTP 流量的原型验证了该管道的可行性。

本文提出 BPBO（Blindness-Preserving Brickwork Optimization）方法，旨在优化通用盲量子计算（UBQC）中的砖墙图模式，同时保持客户计算的盲性。UBQC 使用 BFK09 砖墙图，其结构独立于计算，计算通过测量角度编码，限制了基于图变换的优化。BPBO 在盲层之下进行认证的局部重综合，检测一、二、三线区域，对每个候选区域要么证明语义下界，要么提供可执行证据，并在检查分支帧、输出帧和盲行为后接受替换。优化后的输出仍是标准砖墙模式，并使用逻辑量子比特复用的 UBQC 执行栈运行任意长度模式（使用 n×2 个活动逻辑量子比特）。层证据包括：一线 H 计数下界、二线 CNOT 代价下界、三线奇偶账本下界、干净的三单元 CCZ 证据（其最优性限于 CNOT+T 相位门系列）、以及端点目标三单元 CCX/Toffoli 应用证据；固定中间目标 CCX 情况保留为四单元后备。安全方面，BPBO 保持 UBQC 的盲性，并与原有验证保证兼容。在 Bell/CX、Grover-2、端点 Toffoli 和 Grover-3 评估案例中，BPBO 展示了认证局部缩减；最大案例 Grover-3 中，模式从 3×725 缩减至 3×98，同时保持预期标记态统计量。

全同态加密（FHE）在规模化部署中面临巨大的计算开销。虽然专用硬件加速器（如Google TPU）可以提供帮助，但将复杂的密码学内核映射到此类架构上仍然具有挑战性。高效执行需要对基于脉动阵列的矩阵乘法单元（MXU）和向量处理单元（VPU）进行协同优化，并精心协调向量寄存器文件间的数据移动。现有编译器栈往往抽象了底层硬件利用率，迫使开发者采用手动试错过程，导致执行碎片化和资源未充分利用。为了加速这一开发过程，本文使用AlphaEvolve来自动探索硬件感知的密码学内核优化。作者将优化问题形式化为一个进化搜索问题，利用AlphaEvolve提供的闭环系统，该系统结合了LLM驱动的代码生成。他们利用来自硬件执行的真实反馈和严格的正确性测试来指导进化过程。在Google Cloud TPUv5e上，针对TFHE（Jaxite）和CKKS（CROSS）两种FHE方案的原语进行评估，AlphaEvolve在24小时的自动探索中，发现了实现级别的优化，使TFHE引导程序延迟相比人工设计的最先进方案提升了2.5倍，CKKS旋转和乘法延迟分别提升了1.31倍和1.18倍。这些结果表明，AlphaEvolve能够帮助研究人员在密码学、编译器和硬件加速器之间进行优化权衡。