MultiGait 论文针对智慧城市新兴传感器（热成像相机、深度相机、激光雷达等）缺乏合适数据集、难以系统评估其隐私风险的问题，构建了首个多传感器、多视角、多会话的步态数据集，并形成了一套身份推断基准。作者认为，在大量关于传感器隐私影响的未经证实说法出现、且这些传感器可能被大规模部署到日常生活的背景下，单独以及横向比较理解这些传感器的隐私风险至关重要。为此，MultiGait 数据集采集了 199 名受试者的多种行走模式和带标注的个人属性，覆盖八种传感器、四种视角和三个录制会话，并借助多种最先进的识别系统进行了验证，可支持跨传感器识别和边缘端匿名化等深入研究。论文核心贡献是通过这个基准进行大规模身份推断实验，结果显示：一些通常被认为隐私友好的传感器（例如热成像或深度传感器）依然存在相当显著的身份识别风险；同时，现有方法在跨会话泛化方面表现较差，这揭示了当前步态识别研究的一个重要空白——即模型在不同时间、不同条件下的稳定性不足，而这对实际部署中的隐私保护至关重要。整体而言，MultiGait 为严格的传感器隐私调查提供了基础资源，适合隐私安全研究人员、智慧城市系统设计者以及计算机视觉领域关注步态识别和身份匿名化的学者阅读。

本文针对智慧城市中车辆交通激增带来的拥堵问题，提出了一种基于邻域嵌入图神经网络（GNN）的众包配送交通管理模型（NeCDM）。研究背景是现有交通管理方法主要依赖拥堵预测，但未能有效解决交通流量减少和配送车辆智能选择等核心目标。NeCDM 模型包含两个关键组件：交通拥堵预测单元（TCPu）和交通观测与管理单元（TOMu）。TCPu 利用图神经网络优化技术，能够准确预测智慧城市生态系统中不同配送站点的交通流水平；TOMu 则负责智慧选择最合适的配送车辆以满足众包配送请求（CDR）。文章强调众包配送作为实现智慧出行与交通（SMT）目标的可行方案，并遵循智慧城市参数（SCP），如减少碳排放、缩短出行时间和最小化行驶距离。实验结果表明，所提模型在计算效率上取得了显著提升：L1 损失降低了 4.03%，L2 损失降低了 16.66%，计算时间缩短了 7.64%。该研究为智慧城市交通管理提供了一种将图神经网络与智能调度相结合的新思路，适合智慧城市研究者、交通管理工程师以及机器学习应用开发者阅读。

该论文聚焦于智慧城市安全中的推理挑战。智慧城市作为异构设备互联的网络物理生态系统，面临协同攻击威胁，这类攻击通常表现为弱且分布式的指标（如低速率扫描、异常凭据使用、协议误用或延迟横向移动），每个信号单独低于局部告警阈值，因此安全检测不仅是异常检测任务，更是不确定性、局部可观测性和对抗操纵下的推理任务。论文提出TPSC-Sec，一种基于LLM的多智能体方法，用于智慧城市中的稳定安全推理。TPSC-Sec将分析分解到多个专业智能体，分别检查流量行为、协议交互、身份使用和攻击时间演变。各智能体的独立威胁假设通过所提出的"威胁-信息素群体共识机制"进行聚合，该机制强化支持的假设、抑制矛盾并保持时间一致性，从而推动竞争性解释趋近于稳定的集体决策。论文进一步引入自适应验证型TPSC，增加了验证感知校准、上下文敏感加权和分歧自适应控制，以减少无依据的LLM输出和推理不一致性。在500次运行上的实验表明，TPSC-Sec实现了0.97±0.02的高共识接受率、>0.99的假设支持集中度、2.08±0.21的共识裕度、0.23±0.04的低聚合风险、0.82±0.06的高智能体间一致性以及0.93的支持-质量相关性。自适应智能体选择将活动智能体数量减少50%，同时将系统适应性提升11.6%。这些结果证明了针对抗对抗智慧城市环境的鲁棒、可解释且高效的安全推理能力。适合安全研究人员、智慧城市架构师及分布式检测系统开发者阅读。

智能城市依赖融合传感器、物联网设备、云平台和AI驱动服务的网络物理系统，这些系统在提升城市服务的同时，由于其巨大的攻击面、异构数据流和不断演变的威胁向量，引入了复杂的网络安全挑战。开发并验证智能城市网络安全工具需要高质量的数据集来准确反映真实运行条件。然而，真实数据集往往不完整、包含隐私敏感数据、难以获取或缺乏足够的恶意活动来支持工具开发。本研究通过提出一个专门为智能城市网络安全研究设计的基于AI的合成数据生成（SDG）框架来弥补这一关键缺口。该框架利用生成式人工智能模型生成高保真度的合成网络安全数据集，这些数据集能够复制真实的设备行为、网络交互和网络攻击场景。合成数据集经过评估，以确认其对协议标准的符合性、与原始数据集的统计相似性以及在常见安全工具中的实用性。所提出的合成数据生成框架和评估指标有望通过使研究人员能够更有效地对威胁进行建模并更全面地评估防御技术，从而推进智能城市网络安全，更好地保护关键智能城市基础设施。