本文提出 MAGIC，一种基于掩码图表示学习的自监督高级持续性威胁（APT）检测方法。现有基于数据起源图分析的 APT 检测方法存在三个主要缺陷：一是依赖包含攻击的数据和先验知识，难以应对未知攻击；二是无法充分提取起源图中丰富的上下文信息；三是计算开销和内存消耗过大，实际部署困难。MAGIC 通过掩码图表示学习对正常系统实体和行为进行建模，在起源图上执行高效的深度特征提取和结构抽象，从而在不依赖攻击样本的情况下学习正常行为模式。检测阶段，MAGIC 利用异常检测方法识别偏离正常模式的系统行为，支持系统实体级和批量日志级两种粒度的 APT 检测。此外，MAGIC 专门设计了模型自适应机制以应对概念漂移，提高在动态环境中的鲁棒性，适用于多种检测场景。作者在三个广泛使用的数据集（包含真实攻击和模拟攻击）上进行了评估，结果显示 MAGIC 在所有场景下均取得了有竞争力的检测效果，并且在性能开销上显著优于现有的最先进 APT 检测方法。该研究的核心贡献包括：提出一种灵活的自监督 APT 检测框架，无需攻击样本；利用掩码图表示学习捕获深层语义；支持多粒度检测和概念漂移适应；在多个数据集上验证了有效性和高效性。适合安全研究人员、SOC 分析师以及对 APT 检测和溯源分析感兴趣的从业者阅读。

该论文提出了一种自监督的声学窃听攻击方法，能够仅从键盘敲击声重建出用户输入的文本内容，而无需针对目标设备收集标注数据。传统声学侧信道攻击通常需要大量的标注数据或特定的设备校准，这限制了其实际威胁性。本文方法通过结合无监督声学聚类、基于Transformer的语言模型推理以及迭代自训练，有效解决了声学-字符映射高度不确定性问题。实验在多种真实场景下验证：包括将智能手机放置在目标键盘附近（近距录音）、同一桌面约3米距离录音、使用接触式麦克风隔墙窃听，以及视频会议中的背景键盘噪声。结果显示，在近距设置下仅需观测100-150次击键即可达到超过99%的重建准确率；在更具挑战性的场景中（如3米录音、隔墙），观测150-250次击键仍可取得高于90%的准确率。该方法完全基于音频信号，无需任何视觉信息或设备特定标注数据，显著优于以往的无监督基线方法。研究揭示了键盘敲击声带来的隐私泄露风险比以往认知的更为现实和严重。