该论文关注电力配电网数字化带来的安全后果：工控与关键基础设施侧的网络暴露面扩大，而现有入侵检测系统（IDS）多依赖计算开销大的深度学习模型，难以在边缘侧部署；同时，为适应数据分布漂移而进行的周期性重训练，又使模型暴露于「机器遗忘攻击」（machine unlearning attack），攻击者通过有选择地删除或污染训练数据，可显著削弱检测性能。作者提出一种混合架构：以脉冲神经网络（SNN）承担时域特征提取，利用神经形态编码把时间序列（如同步相量测量）转成稀疏脉冲表示，再将对齐后的嵌入向量送入 XGBoost 作为轻量分类器。其关键设计是「一次训练、固化复用」——SNN 只在干净数据上训练一次，之后作为固定特征提取器不再更新，模型迭代时仅重训练 XGBoost 分类器，从而在结构上降低攻击者通过数据投毒影响特征表示的空间。在公开的真实电力系统数据集上评估：Synchrophasor 数据集取得 99.9% 准确率、F1-macro 0.999；MSU/ORNL 数据集取得 95.0% 准确率、F1-macro 0.943，均优于单模型基线。在选择性标签翻转投毒场景下，10% 投毒比例时混合模型 F1-macro 仅下降 0.9%，且将目标类别的性能崩塌点从 60% 投毒比例推迟到 70%，表明神经形态时域编码既能提供高精度的攻击检测，也能提升信息物理系统对数据投毒的鲁棒性。论文属方法论与实验评估类工作，适合关键基础设施安全、边缘侧 IDS 与鲁棒机器学习方向的研究与工程人员参考。

该论文针对传统基于签名的防病毒软件难以检测新型恶意软件的问题，提出了一种基于机器学习（ML）的恶意软件检测框架。研究选取了基准恶意软件数据集，对多种主流的分类算法——包括人工神经网络（ANN）、支持向量机（SVM）、XGBoost和Extra Trees分类器——进行了系统的评估与比较。实验结果显示，XGBoost表现最优，达到了98.62%的准确率，显著优于其他模型。为了验证方法的实际可应用性，作者还利用Flask框架开发了一个实时的客户端-服务器恶意软件检测系统，能够对可执行文件进行恶意或良性的高效分类。研究结论表明，先进的机器学习技术能够有效提升恶意软件检测能力，为构建智能、可扩展的网络安全解决方案提供了有力支持。本文适合对基于ML的恶意软件检测方法感兴趣的研究人员、安全工程师和SOC分析人员阅读，有助于了解不同算法的性能对比及实际部署方案。