本文研究军事行动中网络域与电磁战（EW）协调背景下的网络电磁异常检测问题。传统网络态势感知（CSA）依赖OODA循环，需要融合异构数据源进行监控和解释，但现有异常检测方法往往只关注单一视角（要么是物理信号行为，要么是网络流量通信行为），难以刻画同时表现在电磁频谱和网络空间中的联合异常事件。为此，作者利用ZBDS2023数据集（包含网状网络节点的流量数据，具有物理层特征、流量层特征以及标注的攻击行为），设计了两种结合双域特征的异常检测模型：一种是有监督的随机森林分类模型，另一种是无监督的LSTM自编码器模型。实验结果显示，监督模型取得了89.76%的F1分数，明显优于无监督模型的64.09%，表明基于学习的方法能够有效检测融合双域特征的攻击模式，特别是监督学习方式效果更佳。然而，研究也发现正常样本与攻击样本之间仅存在细微差异，现有特征区分度不足，未来需要更丰富、更具判别力的特征来进一步提升检测性能。本文核心贡献在于验证了融合电磁与网络双层特征进行异常检测的可行性，并比较了有监督与无监督两种技术路线在军事场景下的适用性，可为网络电磁态势感知系统提供技术支持。适合关注军事通信安全、多域异常检测、网络与电磁特征融合分析的蓝队人员、安全研究者和军事C4ISR系统设计者阅读。

本文研究将随机森林（Random Forest）机器学习模型应用于密码猜测任务。传统密码猜测方法（如基于马尔可夫链、概率上下文无关文法或深度学习生成模型）在捕捉密码结构时各有局限：马尔可夫模型难以处理长距离依赖，PCFG 依赖人工设计规则，深度模型则通常需要大量计算资源。作者提出使用随机森林来学习密码中的字符级或片段级模式，通过构造特征向量（例如相邻字符对、字符类别转换、长度统计等）训练分类器，以预测密码中下一个最可能的字符或评估候选密码的似然性。论文的核心贡献包括：1）设计了一种适用于密码猜测的随机森林特征表示，兼顾效率与表达能力；2）在多个公开泄露的真实密码数据集上进行评测，与经典的马尔可夫链、PCFG 以及部分基于循环神经网络的方法进行对比；3）实验表明，随机森林在猜测成功率（尤其是在较少猜测次数时）与训练效率之间取得了良好平衡，训练速度显著快于深度模型，同时能逼近甚至在某些阈值下超越传统方法。文章还讨论了随机森林相对于深度模型的鲁棒性优势，例如对稀疏数据更友好、可解释性更强。该研究为密码强度评估、安全策略制定以及在线/离线密码猜测防御提供了新的技术路径，适合密码安全研究者、数据驱动的安全分析人员以及致力于改进认证机制的人员阅读。