该论文聚焦三维点云自编码器的后门安全问题。点云自编码器是 3D 世界表示的基础组件，被广泛用于自动驾驶感知、机器人、数字孪生等安全攸关的下游任务。此前学术界对点云分类模型的后门攻击研究已较为充分，但针对点云自编码器这类生成式模型的后门机理仍基本空白。作者指出，判别式分类器与生成式自编码器的后门行为存在本质差异：分类器分别拟合良性样本与恶意样本的边缘分布，两类行为相对独立、易于控制；而自编码器会把两类样本纠缠进统一的隐空间分布，造成信息串扰、攻击可控性下降。其典型表现是，恶意（中毒）样本中残留的源几何信息会泄漏到干净推理分支，使重建结果向源数据坍缩，即攻击者无法稳定地把重建导向期望目标。为解释并缓解该现象，作者提出“信息黑洞”（Information Blackhole）原则，通过在隐空间引入高斯分布约束来解耦表示、阻断干扰信息传播；并据此设计自适应高斯匹配（AGM）方法，对中毒样本的隐分布施加显式正则化，抑制源几何信息从中毒特征向攻击者指定重建目标传播，从而提升攻击可控性。在 ModelNet 与 ShapeNetPart 上的大量定量与定性实验表明，该框架可提升多种标准触发器的攻击效果，并系统揭示了针对点云自编码器后门攻击所特有的作用机制，为理解生成式 3D 模型的后门风险提供了新的分析视角。

本文针对基于点云表示的体积视频在沉浸式虚拟/增强现实应用中的安全内容投递问题展开研究。此类视频数据量大，为兼顾计算效率与安全，先前工作提出了选择性坐标加密框架：仅加密坐标子集以降低计算开销，同时使未授权内容在视觉上严重退化。然而，剩余未加密坐标所蕴含的几何与空间相关性是否足以让攻击者在不解密的前提下重建被保护内容，仍然缺乏系统验证。本文首次评估该类选择性坐标加密方案对机器学习驱动的重建攻击的鲁棒性。攻击者被设定为只能访问已加密的点云，且尝试通过未加密坐标中的邻近关系预测被加密的坐标值。作者在两种加密粒度下进行评估：X模式，即所有X坐标被加密；2X模式，即每隔一个X坐标才加密。利用PointNet与随机森林模型，实验结果表明：当所有X坐标均被加密时，重建完整坐标非常困难；但当采取2X这种稀疏加密粒度时，未加密邻近坐标足以泄露空间耦合信息，攻击者可高精度地恢复被加密坐标，从而可能还原出可辨识的内容。该发现表明选择性坐标加密的安全性强烈依赖于加密粒度的选择：若粒度过于稀疏，加密保护很容易被基于相关性的机器学习模型击穿。研究的主要贡献在于揭示了一种此前未知的脆弱面，并提出在部署此类低开销保护方案时必须慎选坐标加密的密度与分布。本文适合关注点云体积视频传输安全、多媒体内容保护机制评估以及机器学习在安全攻击中应用的研究者阅读，也为后续设计抗重建的轻量级加密策略提供了实验依据。

该论文聚焦于基于机器学习的恶意流量检测中高误报率（False Positive, FP）这一实际部署痛点。传统机器学习方法依赖精心设计的特征，虽能检测包括零日攻击在内的各类攻击，但高误报迫使安全分析师投入大量精力进行人工复核，极大增加了运维成本。为此，作者提出一种新颖的基于点云分析（Point Cloud Analysis）的误报降噪框架，将网络流量样本映射到高维点云空间，利用点云几何特性自动识别并过滤与真实攻击流量分布不一致的误报。该方法无需额外标注或专家规则，通过无监督聚类和异常检测技术从海量告警中剔除多数误报，显著降低人工分析负担。实验基于多个公开数据集，结果表明该方法在保持高检测率的同时，可将误报率降低超过70%，且对未知攻击具有良好泛化能力。论文还讨论了点云维数、聚类半径等超参数对性能的影响，为实际部署提供了指导。