该论文针对社交编码仓库（如GitHub）中的用户画像与漏洞引入预测问题，提出了一种基于动态图嵌入的新方法。传统漏洞预测多依赖静态代码特征或提交历史，但忽略了开发者行为与项目协作关系的演化。作者将仓库中的开发者、代码提交、文件等实体建模为动态图，利用图嵌入技术捕捉结构化信息和时序变化，从而预测特定代码提交是否可能引入安全漏洞。通过结合项目元数据、开发者交互模式以及随时间演变的图结构，方法能够生成反映当前风险状态的用户画像，并用于训练分类模型。论文在多个真实开源项目数据集上进行了评估，结果表明该方法在漏洞引入预测的准确率与早期检测能力上优于现有基线。主要贡献包括：构建动态社会编码图谱的流程、基于时间窗口的嵌入学习框架，以及针对漏洞注入风险的用户行为特征分析。适合软件安全、漏洞预测和图机器学习方向的研究人员阅读。

该论文研究了用户对网络钓鱼攻击的脆弱性，重点关注心理和行为因素。研究基于Spamley数据集，包含1086名参与者在真实钓鱼检测任务中的表现。通过探索性因子分析（EFA），识别出五个潜在因子：经验（Seniority）、专业知识（Expertise）、创造力（Creativity）、稳定性（Stability）和脆弱性（Vulnerability）。行为分析发现，决策速度与自我报告的冲动性呈负相关，且快速决策显著区分了脆弱用户与抗性用户。使用K-Means聚类，基于经验（F1）和创造力（F3）两个维度，揭示了两种用户画像：意识型用户（Aware User）和高风险型用户（High-Risk User）。结果表明，仅靠技术知识不足以保证抗钓鱼能力，操作成熟度、决策速度与认知方法的相互作用才是关键。研究发现大多数用户属于高风险类别，其特点是评估过程仓促且批判性分析能力较低。论文强调需要从“一刀切”的培训转向个性化、适应性的网络安全教育，以应对认知偏差和行为倾向。