本文针对隐私保护传感器融合系统中的安全弱点提出了一种新的协议 CRSF。在典型的传感器-服务器-客户端架构中，不受信任的服务器需要在不学习单个输入或最终输出的情况下，对分布式传感器的测量值进行聚合计算。已有基于混淆电路（garbled circuit）的协议虽然能高效实现该功能，但存在两类关键弱点：一是传感器与服务器之间可能合谋，破坏诚实传感器的隐私；二是拜占庭式恶意参与可能被利用，导致错误地排除诚实传感器或篡改最终融合结果。为应对这些问题，CRSF 引入了基于实用拜占庭容错（PBFT）的提交一致性阶段，并设计了服务器特定、状态相关的标签发布机制，同时为电路输入标签提供阈值保护。这一设计确保任何拜占庭服务器都不能单方面操纵传感器参与状态，也保证任何可容忍的传感器-服务器合谋者都无法获得足够秘密材料来破坏诚实传感器的隐私。CRSF 在提供隐私性、正确性（显式中止）和活性的同时，实现了对抗合谋的鲁棒性。作者在 Google Cloud 上实现了协议原型，并与当前最相关的基线协议进行了在线执行时间对比，在无故障和典型故障场景下测量了总计算与通信开销。实验覆盖多种容错融合电路，传感器数量最多达 261 个，结果表明 CRSF 在鲁棒安全性与协议性能之间取得了高度实用的平衡。本文适合研究安全多方计算、隐私保护数据聚合、以及传感器网络系统中拜占庭容错机制的研究人员阅读。

该论文针对眼动生物特征识别系统面临的高级呈现攻击（如高清视频重放和实时生成式深度伪造）提出了一种双流挑战-响应协议。当前呈现攻击检测（PAD）框架通常依赖孤立的生理指标（如注视追踪或瞳孔光反射），这些指标易被单独欺骗。作者提出了时空-亮度传感器融合协议，通过将平滑追踪和瞳孔收缩统一到一个同步认证挑战中，构建了一个双流挑战-响应框架。具体地，系统生成一个随机、时变的视觉刺激（在空间轨迹和亮度强度上均变化），并建立一个数学耦合的状态空间似然模型（称为同步矩阵），用于评估平滑追踪延迟和瞳孔收缩延迟之间的连续互相关。基于文献中提取的延迟分布进行蒙特卡洛模拟，结果表明，该方法在理论层面能够区分真实响应和模拟攻击条件，并且当存在非零渲染延迟差距时，多轮挑战设计可提高对生成式深度伪造的检测能力。该工作为下一代动态欺骗防御提供了理论框架，但作者指出人类受试者验证是部署前的必要工作。

该论文探讨了如何通过多传感器融合技术提升联网和自动驾驶车辆（CAVs）对交通信号的感知能力。传统方案依赖单一传感器（如摄像头）检测信号灯，易受光照、天气等环境因素影响。作者提出一种融合摄像头、LiDAR、雷达以及SPaT（信号相位与时序）数据的综合方法，利用每种传感器的优势：摄像头提供视觉信息、LiDAR提供精确距离、雷达增强恶劣天气下检测、SPaT提供信号灯状态预测。实验设计可能包括在仿真或真实场景中评估融合方案相对于单传感器的检测精度与鲁棒性。主要贡献在于提出了一种多源异构数据融合框架，提升了交通信号感知的准确率和实时性，从而增强CAVs在复杂交通环境中的决策可靠性。对于汽车安全工程师来说，这项工作有助于理解传感器融合在关键安全功能中的应用，并为后续的安全验证（如对抗性攻击下的鲁棒性）提供基础。