该论文关注扩散式文生图（Text-to-Image, T2I）服务面临的知识产权风险：攻击者可以仅通过黑盒 API 查询，批量收集"提示词—生成图像"配对数据，再据此训练一个未经授权的替代（学生）模型，从而复刻原服务的生成能力。现有防御主要依赖逐样本扰动优化（sample-wise perturbation），即在每张生成图上在线求解扰动，使这些图像作为训练数据时会"毒化"替代模型的训练过程。但这类方法需要对每个查询实时做最优化，计算开销与延迟都很高，难以用于在线 T2I 服务。作者提出把防御扰动直接内嵌到 VAE 解码器中，让受保护模型在一次前向过程中直接输出带防御效果的图像，从而消除在线逐样本优化。然而实验发现，逐样本目标函数难以迁移到共享解码器场景：共享解码器导致的潜空间偏移（latent shift）远小于逐样本优化，说明在该场景下"目标可达性（reachability）"比"破坏强度"更关键。为此作者提出 RAPID——一种自参照潜空间最大化框架（self-referenced latent maximization）：它去掉对外部信号/参考的依赖，让同一次模型更新对各类训练样本都产生一致的破坏性效果，从而提升目标可达性；同时引入重建引导的颜色正则化（reconstruction-guided color regularization），封堵潜空间捷径（latent shortcut）并强化视觉层面的破坏效果。在四个 T2I 模型、四个数据集上，与五个代表性基线对比，RAPID 能持续降低替代模型的生成质量，同时保持服务本身输出图像的视觉保真度。论文定位为面向已部署 T2I 系统的实时反蒸馏防护范式。

本文研究移动广告网络中点击欺诈（click fraud）的一种新型变体，称之为“人形攻击”（humanoid attack）。点击欺诈利用按点击付费（pay-per-click）机制，通过自动化或伪造方式产生虚假点击，给广告主造成巨大经济损失。已有检测方案大多基于动态分析，通过统计点击流量或行为模式识别异常。但本文指出，人形攻击能够生成与正常点击高度相似的模式，从而规避基于模式匹配的现有检测机制。为应对这一挑战，作者提出了名为 ClickScanner 的检测工具，专门面向 Android 应用进行静态分析，并采用变分自编码器（VAE）构建仅基于良性样本训练的分类模型。该方法的设计动机在于：现实中恶意点击样本难以获取，因此采用无监督/单类学习思路。ClickScanner 首先通过静态分析在字节码层面提取关键特征，构建数据依赖图（DDG），然后基于新定义的特征向量描述应用内疑似人形攻击的行为模式。实验验证了该工具在检测准确性方面具有有效性，能够在不依赖已知攻击样本的前提下识别出人形攻击。本文的主要贡献包括：首次系统性地识别并命名“人形攻击”这一点击欺诈形态；提出字节码级特征与DDG相结合的特征提取方案；构建仅用良性数据训练的VAE检测模型；实现ClickScanner工具并在真实Android应用上验证可行性。适合移动安全、广告反欺诈、恶意应用检测领域的研究人员和蓝队工程师阅读，以了解新型点击欺诈的检测思路。