本文是一篇关于对抗环境下可解释机器学习（Explainable Machine Learning）的系统化综述（SoK）。近年来，后验解释方法使得深度学习模型等'黑盒'决策过程可以实现精确的特征归因，这引发了利用这些方法来检测对抗样本或神经后门等攻击的期望。然而，现有的解释方法本身并不具备对抗鲁棒性，攻击者可能操纵解释结果。本文旨在系统地分类针对后验解释方法的攻击，为开发更稳健的可解释机器学习奠定基础。作者提出了一个解释感知的鲁棒性概念层次结构，并将现有防御措施映射到该层次结构中，从而揭示了防御措施之间的协同作用、研究空白以及未来方向。核心主张是：如果解释方法不能被攻击者误导，它们就可以成为对抗机器学习中的有效工具，标志着重要转折点。本工作面向机器学习安全领域的研究者，为其提供了系统化的视角，以理解可解释性的安全挑战。

本论文是一篇关于 zk-SNARKs（零知识简洁非交互式知识论证）的系统性综述（SoK）。zk-SNARKs 是证明计算正确性的强大密码学工具，吸引了研究人员、开发者和用户的广泛兴趣。然而，其复杂性导致不同群体之间存在认知与应用上的鸿沟：研究者专注于构造更高效、具备更强安全性和新属性的证明系统，而开发者和用户则更关心工具链的易用性、兼容性和实际部署。论文旨在弥合这一差距，从理论到实践对 zk-SNARKs 进行全面的梳理。作者首先提出一个“主配方”（master recipe），将程序转换为 zk-SNARK 的主要步骤统一为一个流程，包括程序编译为约束系统、多项式承诺、证明生成与验证等关键环节。随后，他们根据关键技术对现有 zk-SNARKs 方案进行分类，重点关注在实际应用中具有价值的属性差异。论文调查了自 2013 年以来的 40 多个 zk-SNARK 方案，并提供一张综合参考表，列出它们的类别和性质。接着，论文调研了 11 个通用且广泛使用的 zk-SNARK 开源库，详细分析了这些库的可用性、兼容性、效率以及局限性。由于安装和执行这些系统往往具有挑战性，作者还提供了一个完全虚拟化的环境，用于运行每个库的编译器，以降低复现和评估的门槛。通过对比学术界和工业界的关注点，论文发现：密码学研究的主要焦点是证明系统本身，而工业界的瓶颈则出现在约束系统的构建与优化上。为了弥合这一差距，作者提出了具体建议，并倡导开源社区加强文档编写、标准化建设和跨库兼容性。本文为该领域的从业者（包括安全工程师、研发人员和学术研究者）提供了宝贵的参考资料，有助于理解 zk-SNARKs 的设计空间、实际实现中的权衡以及未来发展方向。

本文是一篇关于加密货币托管与金融技术中密钥恢复的系统化知识综述（SoK）。研究背景在于，加密资产系统通常将密钥控制与金融控制绑定：丢失钱包种子、托管分片、硬件设备或智能账户凭证会导致无法动用资产，而恢复机制若被攻破则可能引发盗窃。然而，现有研究以不同的术语分散讨论密钥备份、秘密共享、账户恢复、凭证重发、社交恢复和资产迁移，使得不同机制与权衡难以比较。为此，作者从118篇系统综述发现语料出发，筛选出77篇综合语料，并对每篇保留的系统进行编码，形成主矩阵，涵盖恢复对象、恢复语义、机制、注册与存储、授权、信任分配、故障事件、恢复后状态、验证证据、部署状态、隐私、可用性和局限性等维度。基于该矩阵，论文提出了一种按轴分类法，将恢复系统分为秘密恢复型、混合型、控制恢复型、取证/提取型和框架导向型。核心观察是：恢复并非单一操作，系统可能重建原始秘密、重新生成种子、恢复共享、重发凭证、迁移签名权限、恢复账户控制、转移资产或提取取证工件。作者推导出一个广义构造模型，并将其与实际生产设计对照，得出六项发现：恢复语义异构；恢复会转移信任；活性改进创造了滥用路径；恢复后生命周期管理不均；协议证据多于用户证据；恢复元数据保护不足。这些差距推动了面向恢复感知金融技术的研究议程。本文适合加密货币安全研究员、托管服务设计者、区块链工程师以及关注数字资产安全与恢复机制的安全从业者阅读。

本文是面向“高风险用户”（at-risk users）的网络安全研究的系统化综述（SoK）。高风险用户是指因自身处境或背景因素而面临更高数字攻击风险或遭受不成比例伤害的人群，例如儿童、活动人士、残障人士、性少数群体、家暴受害者等。作者通过对95篇相关论文进行广泛的元分析，提出了一个用于统一理解和研究高风险用户的框架。该框架识别出10种共同的情境风险因素，如边缘化、接触敏感资源等，这些因素会放大数字安全风险及其造成的伤害。同时，文章归纳了高风险用户为自我保护而采用的技术性和非技术性实践，并分析了阻碍他们采取有效防护措施的障碍。作者希望该框架能帮助研究人员和技术创造者识别并规划研究投入，以更好地惠及高风险用户，并指导技术设计，使其更贴合这些用户的真实需求。该综述的核心贡献在于提出了一个跨人群、可泛化的分析框架，弥补了以往研究多聚焦单一特定人群而缺乏整体视角的空白。适合关注隐私、安全与人机交互交叉领域的研究人员、安全产品设计者以及希望理解用户安全行为差异性的从业者阅读。

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。