该论文针对去中心化联邦学习（DFL, Decentralized Federated Learning）场景下防御能力不足的问题，提出了名为 DecoyTrace 的主动式网络欺骗防御方案。DFL 取消了中心聚合服务器，虽然避免了单点故障，但也同时消除了传统防御所依赖的唯一观测点：在纯点对点拓扑中，恶意节点提交的后门更新或语义投毒更新，在参数空间中可能与良性更新极为接近，仅在行为上存在显著差异，因此依靠被动参数审查的防御手段容易被规避。现有基于欺骗的防御主要面向中心化联邦学习设计，无法在严格无服务器的 DFL 中同时解决本地观测、投毒传播、来源归因与遏制四个问题。 DecoyTrace 的核心设计包含四部分：(1) 部署一个可移动的 DecoyNode（诱饵节点），该节点利用混沌映射（chaotic maps）生成诱饵挑战，使诱饵样本具有不可预测性与多样性；(2) 依据邻居信任度向对端分发“干净模型 / 诱饵模型”双模型，形成差异化观测；(3) 使用三态语义度量（three-state semantic metrics）对模型在诱饵挑战上的响应进行评估，从而识别那些在参数空间上与良性更新难以区分、但在语义行为上异常的对端；(4) 一旦确认恶意来源，触发分布式协议对该来源进行隔离，并执行模型重置或恢复以保留已有的训练进度，实现“欺骗—识别—遏制”的统一。 实验方面，作者在 NEBULA 平台上评测了 60 种配置组合，覆盖 5 个数据集、3 种拓扑结构与 4 类攻防场景。结果表明 DecoyTrace 能系统性地恢复被攻击削弱的模型效用：在 MNIST 与 FashionMNIST 上 F1 分数与基线差距控制在 0.03 以内（而未防御时最多下降 0.37）；在 EMNIST 与 CIFAR-100 上达到或超过基线；在最复杂的卷积场景 CIFAR-10 上，与基线差距维持在 0.05 至 0.10 之间。此外，遏制机制使 CPU 与网络开销最多降低约三分之二。论文同时诚实地指出了该方法在复杂任务与多吸引子（multi-attractor）威胁模型下的局限性。整体而言，该工作验证了在无服务器 DFL 中统一欺骗、识别与遏制的可行性，为去中心化学习的安全运维提供了新的思路。

该论文是一篇系统性综述，聚焦边缘计算赋能物联网（Edge-Enabled IoT）环境下的信任管理（Trust Management）问题。研究背景在于：物联网为人类生活与工业生产提供了自主智能、泛在连接与易用性，而为了支撑时延敏感、资源受限的应用（如工业控制、车联网、实时视频分析等），现代 IoT 系统日益依赖边缘计算，将计算与决策能力下沉到靠近终端设备的位置。这种架构降低了时延与通信开销，但代价是引入了数量更大、异构程度更高的交互主体——包括各类终端设备、边缘节点、服务与数据源，从而显著扩大了攻击面与信任决策的复杂度。作者指出，在这一环境中，安全与隐私机制构成保护的基础，而信任管理则用于评估交互实体的可靠性，并据此自适应地调整安全决策（例如是否授权访问、是否采纳某节点上报的数据）。论文的核心方法是对边缘赋能 IoT 中的信任管理现状进行系统化综述：首先提出一个综合性分类法（taxonomy），将 IoT 的物理层、网络层、应用层等架构层次与消费者、商业、工业、基础设施四类 IoT 应用域进行交叉映射，从而为梳理零散研究提供统一坐标；随后在此框架下考察最新研究，分析其信任设计方式、信任如何被集成进安全的 IoT 操作流程，以及哪些攻击会破坏或操纵信任管理过程（如信任值污染、恶意节点伪装、女巫攻击、数据投毒等对信任评估的干扰）。主要贡献包括：一是建立层次—域交叉的可复用分类体系；二是对信任设计、信任与安全机制集成方式、面向信任的攻击面进行了归纳对比；三是识别出当前研究的关键空白，例如缺乏上下文感知与自适应能力、跨域信任的可迁移性不足、以及面向动态边缘拓扑的信任评估与隐私保护的平衡问题；四是提出面向未来研究的若干方向。该工作适合关注 IoT/边缘安全架构、零信任与信任评估、以及工业物联网安全治理的研究人员与安全架构师阅读，属于概念性、综述性成果，不包含可直接落地的检测规则或漏洞细节。

该论文关注智能体（agentic）系统日益普遍地跨越组织边界调用工具、服务、数据乃至其他智能体的现象，指出现有治理模型存在一个结构性缺口：当一个动作由生产域（producing domain）的智能体发起并委托执行时，依赖方（relying party）仅凭生产域自身的控制措施与日志记录，无法独立判断该委托动作是否可信。作者认为这不是单纯的技术缺陷，而是"信任结构外化"（structural externalization）带来的治理问题。为此，论文通过综合可信 AI 治理、智能体安全、分布式信任管理、身份与授权、来源追溯（provenance）、保障（assurance）以及控制平面等多条研究线索，提出"可信即服务"（Trustworthiness as a Service，TaaS）框架。 其分析单元是"跨域依赖命题"（cross-domain reliance proposition），该命题显式命名了签发者、主体与动作、依赖方、行政边界、证据依赖项、不利条件以及所需的验证或裁决语义。论文提出三条件结构性外化诊断法，用于识别那些同时满足以下特征的命题：依赖多个管理域、要求与生产方无关的独立依赖、且在撤销、失败、记录冲突或争议发生后仍必须可复核。针对这类命题，论文定义了"信任证据信封"（trust-evidence envelope）：一个不可变的工作流清单（manifest），链接到仅追加（append-only）、可由签发者归因的证明（attestation）集合，覆盖任务范围的权限、策略与执行决策、来源、有效性、披露、状态、挑战与恢复等维度。随后给出一个与拓扑无关的逻辑参考模型，把这些功能分配到明确的角色与信任域中，使不同部署形态都能映射到同一语义结构。 在评估层面，论文给出三个分析性场景以及 TaaS-Eval 协议提案，规定了清单格式、独立消费者、硬性门禁（hard gates）、对抗性证据测试、度量指标与可复现的制品报告要求。其核心贡献在于：通过在"有边界的委托动作"周围组合已有的身份、授权、来源、保障与治理机制，TaaS 提供了一个可复用的跨域依赖配置档（profile），把证据依赖、独立验证、挑战与恢复路径显式化，从而支持互操作的治理与未来评测，并明确拒绝把生产方的自我断言当作ground truth。

本文针对移动边缘缓存中恶意节点和缓存容量受限的问题，提出了一种基于区块链的信任管理机制。随着移动网络流量增长，边缘服务器上的内容缓存对降低延迟至关重要，但恶意边缘服务器可能删除或篡改缓存内容，且边缘服务器容量有限。为克服容量限制，作者引入辅助移动节点贡献其缓存资源，但由于节点的自私行为，需要激励机制鼓励资源共享，同时这些辅助节点也可能存在恶意行为。论文提出的机制通过智能合约计算直接信任和间接信任，准确识别可信的边缘服务器和移动节点，从而有效过滤恶意节点。信任度基于移动节点对服务质量的满意度来确定，信任数据安全存储在区块链上。为对抗节点自私性，引入奖励机制激励缓存共享；同时，基于区块链的认证机制防止节点冒充。该方法在考虑移动节点移动性、能耗和共识过程算力约束的情况下，优化了信任度、缓存容量和成本效率。仿真结果表明，即使在数据包含10%噪声的情况下，该方法也能准确区分诚实服务器和恶意服务器。该研究主要贡献在于结合区块链和信任管理，解决了边缘缓存中的安全与激励问题，适合关注边缘计算安全、区块链应用和移动网络优化的研究人员阅读。

该论文针对自治网络（Autonomous Networks）Level 4-5 中跨厂商 AI Agent 协作的安全信任问题展开研究。在高级别自治网络中，AI Agent 需要跨厂商边界调用各类管理工具，且无需人工干预。然而，现有 3GPP 网络资源管理（NRM）标准缺乏对工具信任状态的标准化可见性机制，导致当一个厂商（如 Vendor B）的工具被攻陷或出现信任降级时，其他厂商（如 Vendor A）的 Agent 依然会继续调用该工具，无法感知信任变化，从而引发级联服务影响。为此，作者提出 AgentToolMO——一个基于 3GPP NRM 的信息模型，用于跨厂商 Agent 工具信任管理。该模型包含四个核心组件：一是形式化定义的信任状态机，支持可证明的渐进式强制（graduated enforcement）策略；二是带阻尼的级联传播机制（damped cascade propagation），确保收敛有界；三是通过现有管理服务（MnS）接口发送跨厂商信任通知；四是基于 NRM 依赖图遍历的追溯性影响评估。作者通过多厂商拓扑仿真验证了该方案：相比传统无通知场景下数小时级别的未检测传播，标准化的跨厂商通知能将影响范围缩小至接近实时遏制，且遏制时延受限于 MnS 通知投递时间；级联收敛可在有界迭代内完成，通知扩展性呈亚线性特性。该框架完全运行在现有 3GPP 管理基础设施内，复用现有协议，为可信的多厂商自治网络管理提供了标准化路径。适合网络运维、标准制定者、AI 安全以及自治网络领域的研究人员阅读。

在工业物联网（IIoT）环境中，信任管理对于保障系统安全至关重要，尤其是面对资源受限的设备。传统信任模型往往忽略网络质量波动的影响，导致信任收敛缓慢且评估不准确。本文提出一种动态信任管理方案——信任收敛加速（TCA）方法，该方法集成机器学习（ML）以加速在恶劣网络条件下的信任收敛。TCA模型基于关键网络指标预测信任收敛所需的时间单位数，并动态调整信任模型中的转移概率以提升收敛速度。通过基于IEEE 802.11标准的真实Wi-Fi信道条件仿真框架，实验证明TCA方法在挑战性条件下可将信任收敛时间最多减少28.6%。此外，该方案在存在恶意节点的场景中表现出弹性，提高了信任评估的准确性。本工作为动态工业环境中的IIoT系统提供了可扩展、自适应的信任框架，确保在不同网络条件下具有稳健的性能。