2026 年4月29日 18:00-21:30第223期方班学术研讨厅在黄埔研究生院B2栋成功举办。广州大学网络空间安全学院名誉院长方滨兴老师主点评吴世忠老师郭世泽老师张彦春老师徐贯东老师李建新老师李舟军老师。副点评陈艳利老师吴昊天老师李金龙老师欧阳典老师张登辉老师张鹏老师全程参与了课堂的教学并对同学们的报告逐一进行了指导点评。同时参与的还有网络空间安全学院的部分老师广州大学方班八期的全体学生。本次研讨厅分为六个小组进行。第一组汇报的同学有刘以嘉、黎启明、李健雄、谢佳宸第二组汇报的同学有陈禹辰、李路路、娄浩楠、钟彧第三组汇报的同学有涂家志、许婉莹、陈巍元、詹超第四组汇报的同学有孙维政、刘菁润哈工深、汪功铭、余国锋第五组汇报的同学有郭子晖、黄骏、吴华昆、张展鹏第六组汇报的同学有张仁杰哈工深、匡宇涛、李奇恒、党广源。第一组第一位报告人【刘以嘉】报告题目【FLUXLog用于统一日志异常检测的联邦混合专家框架】点评老师的意见与建议1、在一些关键的涉及图片的实验没有适当的图片作为展示。2、在展示的时候可以对比一些先前的汇报的异同点并表达出自己的侧重点和如何与自己的研究方向做一个衔接。第二位报告人:【黎启明】报告题目【分而治之大型道路网络上的可扩展最短路径计数】点评老师的意见与建议1、在研究背景与论文贡献部分的衔接不够好,讲解的跨度跳跃较大;2、在整个汇报中,如果演示的例子能够保持一致,效果会更好;3、汇报的叙事逻辑要捋清楚,使听众能够能够理解论文的核心思路.第三位报告人【李健雄】报告题目【面向幻觉检测的注意力图神经消息传递】点评老师的意见与建议1、要研究清楚这篇论文幻觉检测的具体原理它是如何根据轨迹判断的。2、要研究清楚这篇论文中NQ和CNN数据集的具体内容搞清楚是如何实现迁移的。3、背景和局限性部分讲得有条理但是部分内容有跳跃。第四位报告人【谢佳宸】报告题目【TextDefense基于词重要性分数离散度的对抗文本检测】点评老师的意见与建议1、汇报逻辑清晰节奏把握较好背景与方法讲解较完整2、方法效果受目标模型能力和文本质量影响需进一步分析适用条件3、该方法主要面向词级扰动对句子级改写等攻击类型的覆盖能力仍需界定4、阈值字保证句子通顺若方老师不在场此块内容不用写选择依赖本地干净样本应进一步说明其泛化性与稳定性来源方老师点评1、词重要性离散度与对抗样本之间缺乏必然理论保证正常文本也可能呈现分散特征2、公开检测指标易被攻击者针对性规避安全检测方法必须考虑真实对抗性第二组第一位报告人【陈禹辰】报告题目【SpiderNet在网络拓扑混淆中实现僵尸主机识别以抵御链接洪泛攻击】点评老师的意见与建议1、同学整体论文内容讲解的比较清晰文章中的三个主要模块讲解的比较清晰。每一个模块都加上了相应面对的挑战和解决的问题。2、整体逻辑讲解不够清晰在讲完前文工作后直接跳转到本文的贡献显得比较突兀应该将本文中使用的方法与相关工作的联系讲解出来以及本文方法是如何进行改进优化的进行讲解。3、论文题目存在一定的问题没有将文章中的两个重要方法“细粒度混淆”和蜜罐的使用体现出来。论文中实验部分仅仅使用了构建的SDN网络没有在真实网络中验证方法的可用性。第二位报告人【李路路】报告题目【Fakeshield基于多模态大语言模型的可解释图像伪造检测与定位】点评老师的意见与建议1、论文中的IFDL、MLLM概念没有讲清楚建议在进行汇报的时候先把概念讲清楚。2、总体讲的不错但是讲的一些深度还要加强要不论文中不足以及需要讨论的问题提出来。3、要加强文章的讲解逻辑一定要讲清楚现有方法的缺陷和不足重点要讲清楚这篇文章主要解决的问题。第三位报告人【娄浩楠】报告题目【Pisces基于嵌入在 IP中的高效认证码实现DDos防御】点评老师的意见与建议1、要将论文所涉及的技术要点介绍清楚将整篇论文串联起来。2、可以思考攻击者如果知道了论文的防御方法会不会有方式可以绕过去。3、要突出论文题目核心高效体现在哪里认证码加密密钥管理是怎么实现的。第四位报告人【钟彧】报告题目【WF-A2D利用非对称对抗防御增强网站指纹识别隐私保护】点评老师的意见与建议1、需要理解对称架构和非对称架构真正的意义而不单单指的是物理意义。2、威胁模型在ppt里面也需要展现出来。3、对QUIC协议部分需要更加深入。第三组第一位报告人【涂家志】报告题目【Volia:一种高效轻量的异步BFT协议】点评老师的意见与建议1、文中假设CFD完全可信这种假设过于理想应当给予论证。2、协议虽然提升了性能但也增大了消息复杂度这种改进是否可接受要展开分析。3、本文提出的协议是否可以应用到车联网等高动态场景可以进行讨论改进。第二位报告人【许婉莹】报告题目【基于多尺度空间频率线索的无监督入侵检测】点评老师的意见与建议1、NAPH空间编码是如何捕获异常的?如果在一个企业网络内拓扑有频繁上下线、开关机时拓扑不断变化更改这个方法是如何适应的?2、哪些情况下这篇文章是可以使用的?你认为这个东西能用到内网的横向移动和APT检测吗?3、你认为该论文的核心创新点和最有价值的部分在哪里?2.5部分提到的对比规则是什么?学习到的是什么规则?4、怎么区分正常规则和攻击规则?最终学习到的高频微分信息区分的关键就是这里的规则。第三位报告人【陈巍元】报告题目【知识图谱复杂逻辑问答的有效指令解析插件】点评老师的意见与建议1、针对本文的反向传播以及训练过程没有仔细讲解2、汇报的逻辑需要加强应该从核心问题展开3、总结应该结合背景介绍呼应核心问题方老师点评1、没有将文章的流程梳理清楚应该总结本文工作性能提升的关键步骤2、讲解到关键部分时应该引入具体示例突出重点部分。第四位报告人【詹超】报告题目【BINPRE基于协议逆向工程的二进制分析中增强字段推断】点评老师的意见与建议1、要先讲逆向是什么跟其它逆向(比如说程序的逆向)是什么区别?2、讲一下流程是怎么样第二步执行监视器是干什么?相似度不是判断字节的相似度而是操作码的相似度变量A两个字节和后两个字节讲清楚就理解聚类了。3、加密流程能不能够处理?复现要没有做个测试PPT文字太多了。4、复现还是有比较多的东西可以讲工程性有待提高。第四组第一位报告人【孙维政】报告题目【智能体舰队使用大型语言模型协调解决问题】点评老师的意见与建议1、PPT制作精美主旨立意清晰示例生动但是要讲清题目与内容的关系。2、PPT制作完善讲解清晰但最好更改用文章给的示例做对比另外说明一下token的计费规则。。3、PPT制作完善讲解清晰论文有创意但还处于初级阶段。第二位报告人【刘菁润】报告题目【大语言模型作为配置验证器】点评老师的意见与建议1. 建议进一步说明 few-shot 示例在配置检测任务中的必要性与实际作用。2. 建议多考虑方法在不同项目、不同配置类型中的泛化能力。3. 可以尝试引入 Agent 机制通过调用工具提升检测可靠性。方老师点评1. 建议重点讨论大模型做配置检查时的能力边界。2. 需要进一步分析 LLM 在依赖关系、版本差异等场景下判断不稳定的问题。可以尝试采用“确定性工具 LLM”的方式处理不同类型的配置错误。第三位报告人【汪功铭】报告题目【灵活锐度感知的个性化联邦学习】点评老师的意见与建议1、讲清锐度的物理含义及其与梯度的本质关系深入解释为何在高锐度区施加扰动能提升模型的泛化能力2、明确该算法与个性化联邦学习的必然联系思考其是否具备普适性论证在该特定场景下命名的合理性3、理清SAM优化器中min-max机制背后的数学与逻辑依据准确解释该机制是如何精准定位并找出最大锐度网络层的4、算法当前严重依赖人工硬调超参数缺乏自适应反馈机制。建议未来探索可学习的全新机制或模型以替代人工设定第四位报告人【余国锋】报告题目【GraphCheck利用提取的知识图谱进行事实核查打破长文本障碍】点评老师的意见与建议1、 GraphCheck巧妙借助结构化知识图谱压缩长文本中的冗余信息不仅提升了事实核查的效率与准确率也为复杂文档的可信度验证提供了全新思路。2、该方法在跨领域、跨文档的图谱构建与推理环节仍面临鲁棒性挑战未来结合更强大的关系抽取与动态更新机制有望进一步拓展其应用边界。第五组第一位报告人【郭子晖】报告题目【Sentient通过捕获间接依赖和行为逻辑来检测高级持续性威胁】点评老师的意见与建议1、尝试从数据集本身做文章改进现在的方法。2、要深入了解文章的底层逻辑。3、论文方法实际部署难度很大要考虑落地性。方老师点评1、为什么用拉普拉斯特征向量有没有别的方法2、随机游走部分有待商榷不一定会增强模型的能力。第二位报告人【黄骏】报告题目【FairGP: 一种使用图划分的可扩展且公平的图转换器】点评老师的意见与建议1、老师指出如果不将簇间注意力置零的一个具体的问题就是失去可拓展性2、老师建议汇报的过程中可以换一种形式进行汇报而不是把所有功能模块都面面俱到地罗列出来。3、老师提出疑问质疑这篇文章的做法是否真正值得舍去了Transformer的长距离依赖来提升公平性。第三位报告人【吴华昆】报告题目【SAMCL用于图异常检测的子图对齐多视图对比学习】点评老师的意见与建议1、前面关于图异常检测的基础背景介绍比较多图对比学习的内容介绍还不够2、全文框架图中掩码的内容和功能在PPT中涉及较少应该适当在方法介绍那块进行讲解3、EMD到g-EMD这里只从文字上进行了描述没有展示相应的公式4、数据集用的是自注入异常的数据集没有对比真实世界中自带异常的数据集可以探究下SAMCL方法在真实数据集上的性能。第四位报告人【张展鹏】报告题目【脑图对比学习的因果不变性感知增强方法】点评老师的意见与建议1、ppt的ai生成背景颜色偏重显得知识更加复杂化了建议自己简化一下排版布局突出重点。2、本文实验数据集规模有限、疾病可扩展性不足的问题建议拓展数据集进一步验证模型泛化性。3、本文引入了年龄信息进入模型训练生物领域先验知识有很多建议后续可以引入身高体重等信息加强模型判别能力。第六组第一位报告人【张仁杰】报告题目【SPMC基于边界贡献的自净化联邦后门防御方法】点评老师的意见与建议1、关于方法选择的合理性需解释为何选择夏普利值而非方差、梯度变化等传统统计方法论证其在判断异常客户端时相较于其他方案的优越性与必要性。2、关于PPT的制作精简联邦学习与后门攻击的背景介绍聚焦“边际贡献”这一核心重点阐述夏普利值如何衡量贡献及解决现有问题。3、关于实验场景的扩展不应局限于图像数据集建议扩展至文本与多模态任务以验证方法在不同场景下的泛化能力与实际适用性。4、关于评估指标与策略需通过雷达图等方式展示防御代价与收益的博弈关系并建议设计分阶段策略兼顾训练收敛效率与防御稳定性。第二位报告人【匡宇涛】报告题目【一种可验证的保护隐私的联邦学习框架以抵御共谋攻击】点评老师的意见与建议1、研究选题贴合联邦学习安全需求方案设计完整同时实现隐私保护、抗合谋与可验证性整体工作具备较强实用价值。2、实验设置规范对比充分但可增加非独立同分布数据与大规模场景测试进一步提升结论说服力。3、论文写作条理清晰密码学推导严谨可简化部分流程描述突出创新点与关键技术优势。4、方案依赖双服务器不合谋假设存在一定安全局限建议后续扩展动态节点支持与抗投毒能力。第三位报告人李奇恒报告题目【Sample-Level Prototypical Federated Learning】点评老师的意见与建议1、前置的背景知识内容比如样本和原型学习的内容没有讲清楚这部分内容需要展开讲讲2、整体内容的讲解重点内容需要围绕“客户端内部存在多个潜在域但训练数据没有显式域标签时如何在联邦场景中做样本级个性化预测”。这一定义非常关键因为它把个性化单位从客户端级推进到了样本级。3、相较于很多prototype-based FL方法本文提出的方法真正的提升是不是‘学出原型就结束’而是把原型进一步转化成sample-wise posterior再把后验用于专家组合最终落实到预测层。第四位报告人【党广源】报告题目【EmbedX基于嵌入的大语言模型跨触发后门攻击】点评老师的意见与建议1、那个加入少量的那个扰动它就能够去触发它的后门。基于这样的一个前提你有什么就是从防御者的角度有什么方法去去抵御这种攻击2、ppt中提到了一个隐空间的问题这个隐空间在论文中有明确的定义吗3、给嵌入向量一个微小的随机扰动让他逃离出他构造的这个后门空间这种方法你觉得可行吗