bfs

这篇报告围绕网络拓扑混淆技术展开，首先阐述了网络拓扑脆弱性及攻击者推理真实结构的威胁，强调了混淆防御的重要性。报告详细介绍了AntiTomo和EigenObfu两种主流方法，包括各自的算法设计、优化目标及实验效果，并总结了混淆拓扑在欺骗性、安全性、低延迟和高效率方面的优势，最后展望了未来引入蜜罐等反制措施的可能方向。

课程推荐在人机协同、个性化学习平台等智能教育系统中具有重要价值，显著提升了模型对用户兴趣动态变化的建模能力与推荐效果。本次报告将介绍课程推荐任务，分析其研究背景与应用意义，并重点讲解两类代表性方法：融合知识图谱的图注意力网络模型 KGAN，以及基于超图的神经网络框架 HGNN，进一步探讨异构信息融合等前沿问题与未来发展方向。

情绪变化识别在人机交互、情绪计算等对话智能领域中具有重要价值，显著增强了模型对动态语境的理解能力。本次报告将介绍对话与语音中的情绪建模任务，分析其研究背景与应用意义，并重点讲解两类代表性方法：人格感知的图神经网络PCGNet，以及基于Transducer的细粒度帧级建模框架ENT和FENT，进而探讨情绪边界检测、个性建模等前沿问题与未来发展方向。

二进制代码反编译技术在漏洞检测、恶意代码分析等逆向工程领域中具有重要应用，显著提升了全检安全分析的效率与深度。该技术有助于高效理解和重构二进制程序，支持其修复、维护与再开发。本次报告将介绍反编译技术的基本概念、研究背景及意义，并探讨其前沿方法与未来发展趋势。

人工智能技术在决策系统等领域发挥了重要作用。用于模型训练的数据集中含有显示或者隐式的敏感属性，模型往往会利用敏感属性的特征做出决策，导致人工智能模型在公平性方面出现偏差，产生严重的舆论影响和社会问题。而现有的公平性修复方法往往伴随着正确性的下降。本次学术报告介绍了人工智能模型公平性和正确性的相关指标，探究了公平性与覆盖指标之间的关系，并聚焦于一个最新的模型公…

研究文本生成大模型的后门攻击，揭示了现有文本大模型的后门风险。本次学术报告详细介绍了现有文本生成模型的后门分类方法以及基准数据集，在文本大模型的多个下游任务实现了后门攻击，并总结了现有所使用的主流方法，最后提出了领域所面临的挑战和未来发展方向。

研究提示词窃取攻击，揭示了提示词面临的泄露风险。本次学术报告介绍了提示词的应用价值和市场体量，讲述了关于提示词窃取攻击的最新方法，指明了现有的缺陷和未来发展方向。

源代码补丁正确性测试是自动程序修复（Automated Program Repair, APR）流程的最后一个环节，旨在验证APR所生成的补丁是否真正解决了目标缺陷且未引入新的问题，即解决APR生成补丁存在的过拟合问题。报告分析了源代码补丁正确性测试对于传统APR的重要性，并总结了目前研究所使用的主流方法，最后提出领域所面临的挑战和未来发展方向。