过去十年中，模糊测试已被证明是一种高效的软件漏洞发现方法。自AFL引入轻量级覆盖率反馈这一开创性概念以来，模糊测试领域涌现了大量科学工作，提出了新技术、改进了现有策略的方法论方面，或将现有方法移植到新领域。所有这些工作都需要通过展示其解决问题的适用性、测量性能，并通过深入的经验评估证明其相对于现有工作的优越性。然而，模糊测试对其目标、环境和条件高度敏感，例如测试过程中的随机性。毕竟，依赖随机性是模糊测试的核心原则之一，控制着模糊器行为的许多方面。结合往往难以控制的环境，实验的可重复性成为一个关键问题，需要谨慎的评估设计。为了应对这些有效性威胁，一些工作，尤其是Klees等人的《Evaluating Fuzz Testing》，已经概述了如何精心设计评估设置，但其建议在实践中被采纳的程度仍不清楚。本文系统分析了2018年至2023年间顶级会议上发表的150篇模糊测试论文的评估方法。我们研究了现有指南的实施情况，并观察到潜在的不足和陷阱。我们发现，现有指南在统计检验方面被惊人地忽视，且模糊测试评估中存在系统性错误。例如，在调查报告的漏洞时，我们发现对真实世界软件中漏洞的搜索导致了作者请求并接收了质量可疑的CVE。将我们的文献分析扩展到实践领域，我们尝试复现八篇模糊测试论文的声称。这些案例研究使我们能够评估模糊测试研究的实际可重复性，并识别评估设计中的典型陷阱。不幸的是，我们的复现结果揭示了所研究论文中的若干缺陷，我们无法完全支持和复现相应的声称。为帮助模糊测试领域迈向科学上可重复的评估策略，我们提出了更新后的评估指南，供未来工作遵循。

本文是一篇系统化知识综述（SoK），旨在解决网络安全事件响应领域缺乏统一框架来系统组织累积知识的问题。事件响应涉及技术、人机交互、组织理论和人为因素等多个领域，需要一个综合性的视角。作者通过对417篇学术文献和40篇非科学出版物的系统回顾，推导出“网络安全事件响应影响因素分类法”（CIR-IF Taxonomy）。该分类法将现有的实证研究结果纳入其中，提供了从1999年到2024年中期的全面知识概览。作者还将该分类法与七种既有的科学框架以及NIST SP 800-61r3事件响应概况中引用的NIST网络安全框架要素进行了系统比较。比较结果显示，CIR-IF分类法在事件响应驱动和塑造因素方面提供了更丰富、更严谨、更系统化的视图。该研究适合事件响应研究人员、安全从业人员以及希望提升组织事件响应准备度的管理者阅读。主要贡献在于建立了一个统一、可扩展的分类体系，有助于识别未充分探索的研究方向，并指导未来的实证和理论研究。

移动端设备端AI（MoAI）系统将本地部署的AI模型与传统移动软件组件集成，直接在终端设备上提供智能功能，具有隐私保护、低延迟和离线可用等优势。然而，本地存储AI模型引入了新的安全风险。本文是首个针对MoAI安全的系统化知识梳理，涵盖安全支柱、攻击面与防御面。研究识别了现有攻击与防御研究中的未解决缺口，并指出了未来研究方向。该工作建立了理解MoAI系统攻击与防御格局的系统框架，为构建安全的MoAI系统奠定了基础。配套资源见GitHub。适合从事移动AI安全、设备端模型保护的研究人员和安全从业者阅读。

该论文是一篇系统化知识综述（SoK），旨在为使用社交媒体数据进行安全研究的隐私问题提供一个分析框架。研究背景在于，社交媒体数据常包含个人敏感信息，尽管已有关于此类研究伦理的广泛讨论，但针对具体隐私风险及缓解措施的精细分析仍不足。作者从计算机科学、社会科学、人机交互、法学、犯罪学等多个学科中，系统梳理了16年间（2004-2020）使用社交媒体数据研究安全议题的601篇论文。主要发现包括：仅有35%的论文提及数据匿名化、可用性和存储方面的考虑，表明透明度严重缺乏。作者应用Solove的隐私风险分类法对社交场景中的隐私风险进行归类，发现Solove的分类法能有效捕捉聚合风险，但现代数据科学中数据的规模、时效性和微观细节带来了20年前未考虑的新风险。论文贡献在于揭示了当前学术实践中对隐私保护的不足，并为研究人员、伦理委员会和出版机构提出了改进建议，主张通过一些小的行为改变即可显著提升用户隐私保护水平。该研究适合安全领域研究者、学术伦理审查者以及关注研究数据隐私的从业者阅读。