这篇论文研究的是网络安全测量研究中一个长期被忽视但影响深远的方法论问题：抽样策略如何影响测量结果的有效性与可推广性。背景是，大规模 Web 安全测量（例如统计某种漏洞、错误配置或协议实现问题的普遍程度）通常依赖 Tranco、Common Crawl 等公开域名数据集，但由于对每个域名执行深度检测（如 TLS 扫描、页面内容分析、指纹识别）成本高昂，研究者几乎不可能穷尽全量数据，只能进行抽样。然而，抽样实践在很大程度上是「约定俗成」而非「证据驱动」的：最常见做法是取排序列表中的 Top N 个域名。作者指出，这种惯例是否引入系统性偏差、是否扭曲观测到的漏洞/问题发生率、是否导致不同研究之间无法横向比较，此前缺乏系统性评估。 该工作据作者所述是首个对抽样方法如何影响测量结论的全面研究。方法上包含两部分：一是对既有 Web 安全测量文献的系统性综述，梳理社区实际使用的数据集与抽样方式；二是大规模实测，覆盖 50 万个 Tranco 主机与 2480 万个 Common Crawl 主机，对不同数据集与不同抽样策略进行对比评估，包括 Top N 确定性抽样、基于概率的抽样以及二者的混合策略。 主要结论有四点：(1) Top N 抽样虽有其合理性（例如更贴近真实用户流量、更受关注），但研究者必须清醒认识到它并不反映 Web 的整体分布，因此基于 Top N 得到的流行率/危害估计不能直接外推到全网；(2) 基于概率的抽样策略能够给出稳定且无偏的流行率估计，并且在多种「影响评估」目标上同样有效；(3) 混合抽样相对纯概率抽样没有任何优势，其确定性的前缀部分对准确度持续产生负面影响；(4) 基于上述证据，作者给出面向后续研究的可操作建议，提出采用「自适应概率抽样」策略，即使目标问题的真实流行率未知，该策略依然保持有效。论文面向的读者是从事大规模 Web 测量、安全实证研究、互联网基础设施普查的研究者与安全团队。

该论文针对公共云环境中的一类安全风险——'云蹲守'(Cloud Squatting)进行了系统性测量与缓解研究。云蹲守是指攻击者在云平台上分配资源(如IP地址)后, 利用先前租户遗留的潜在配置(例如DNS记录、服务绑定、信任关系)来劫持或访问敏感数据。作者在Amazon Web Services (AWS) us-east-1区域部署了定制化Internet望远镜, 从2021年3月起持续101天, 通过动态创建超过300万台服务器, 接收了约150万个唯一IP地址(占可用IP池约56%)。实验中识别出4类云服务、7类第三方服务以及DNS作为可被利用的潜在配置来源。研究表明, 可被利用的配置既普遍又极端危险——作者共收到超过500万条云消息, 其中许多包含金融交易、GPS定位和个人身份信息(PII)等敏感数据。在7类第三方服务中, 发现了数十个可被利用的软件系统, 涉及数百台服务器(如数据库、缓存、移动应用和Web服务)。此外, 还识别出5446个可被利用的域名, 分布在231个eTLD中, 其中包括全球Top 10000热门域名中的105个和Top 1000中的23个。通过与租户披露结合, 论文总结了主要根因: (a)缺乏组织控制, (b)糟糕的服务卫生(c)未遵循最佳实践。最后, 作者讨论了一系列可能的缓解措施, 并描述了Amazon为响应此项研究而计划部署的防护手段。该论文为云租户和云服务商提供了应对IP重用风险的实证依据与改进方向。适合云安全研究者、云平台架构师以及企业安全团队阅读。

本论文对 Qubes OS 的安全公告记录进行了纵向分析，时间跨度为 2011 年至 2025 年，覆盖了 109 份公开的 Qubes 安全公告（QSB）、官方维护的 Xen 安全公告（XSA）跟踪器以及次要的漏洞事件敏感性序列。研究目标是测量公开公告记录的稳定性与特征，而非潜在的漏洞发生率或实际入侵。方法包括审计确定的组件归属、变点分析、过度离散检验、严重性加权、审查敏感性、文档延迟下限以及基准感知的漏洞发现模型评估。结果显示，公开记录显示出持续的上游依赖性：在官方跟踪器中，464 个 XSA 中有 113 个影响 Qubes；在主要标签下，109 个 QSB 中有 87 个（79.8%）归因于 Xen、CPU/微架构或其他上游组件，而非 Qubes 核心逻辑，加权视图下结果类似。变点分析识别出 2015 年第一季度为季度公告序列的主要断点，而 2018 年后的年度披露率在统计上平稳。泊松推断在离散诊断和负二项敏感性检验中稳定。归属代码本在分层 30-QSB 审计中表现良好，S 形漏洞发现模型描述性拟合不错，但在短期预测中并未显著优于滚动均值基线。总体而言，Qubes 公开公告记录看似稳定但并不沉寂：披露活动在比早期更高的水平上趋于平稳，而观察到的负担仍集中在上游信任锚点上。

本文针对模型上下文协议（MCP）的安全性问题进行了大规模实证研究。MCP已成为基于LLM的代理与外部工具及服务交互的标准接口，随着其被广泛应用于安全敏感操作，理解其真实世界风险变得至关重要。然而，由于缺乏大规模运行时MCP服务器，现有安全评估主要依赖对少量案例的扫描，但这些评估的可靠性尚不明确。为此，作者提出了MCPZoo——目前最大的用于动态分析的MCP服务器集合。MCPZoo通过一个多智能体框架构建，该框架模拟人类专家构建、诊断和迭代修复部署与运行时缺陷的过程，结合环境推理与反馈驱动的改进，将现实中的静态仓库转换为动态服务。为确保运行时交互性，服务器通过真实协议交互进行验证。最终，MCPZoo包含64,611个独立MCP服务器（总计113,927个），其中超过37,288个支持动态分析。基于MCPZoo，作者进行了首次生态系统规模的MCP服务器及对其进行分析的扫描器的测量。结果发现，现有扫描器报告96.89%的服务器存在风险，但这些信号并不可靠。具体而言，手动验证显示不到50%的采样告警为真阳性，且不同扫描器的输出存在明显不一致。总之，MCPZoo实现了大规模、可复现的MCP服务器安全测量，并暴露了当前扫描实践的限制。作者还发布了公共查询接口以支持MCP服务器的实际风险评估。

该论文深入研究了移动设备在住宅代理网络中的角色及其安全影响。住宅代理服务通过大量受控的代理节点（即代理对等体）转发客户流量，近年来日益流行。作者发现其中许多代理节点实际上是移动设备，而这些设备通常对隐私和资源敏感，因此其参与可能带来严重的安全与隐私风险。然而，目前学术界对移动代理节点的参与程度、招募方式以及具体风险知之甚少。为此，论文提出了一套检测和分类移动代理网络的方法，包括识别代理流量特征、分析设备招募机制（如恶意应用或合法SDK授权）以及评估潜在风险（如隐私泄露、电池消耗、带宽滥用等）。通过大规模实验，作者首次量化了移动代理网络的规模、地理分布和运营模式，揭示了多个实际案例，并讨论了防御对策。该工作为网络运营商、移动安全研究人员和政策制定者提供了重要参考。