该论文提出了一种名为 KnowGraph 的新型图异常检测方法，旨在解决传统基于图神经网络（GNN）的方法在数据分布变化时泛化能力不足的问题。实际安全场景中（如交易网络欺诈检测、网络流量入侵检测），领域知识通常更稳定且已被广泛使用，但现有模型难以有效整合这些知识。KnowGraph 包含两个核心组件：第一，统计学习组件，包含一个用于整体检测任务的主模型以及多个预测特定领域语义实体的专门知识模型；第二，推理组件，利用概率图模型基于模型输出执行逻辑推理，通过加权一阶逻辑公式编码领域知识。在大规模真实数据集上的实验表明，KnowGraph 在直推式（transductive）和归纳式（inductive）设置下均一致优于当前最先进的基线方法，尤其在泛化到完全未见过的测试图时，平均精度获得显著提升。消融实验进一步证明了推理组件在改善检测性能方面的有效性，特别是在极端类别不平衡情况下。该工作凸显了将领域知识融入数据驱动模型在高风险基于图的安全应用中的潜力。

本文针对实际运行中的燃气SCADA（监控与数据采集）网络进行了全面的流量特征分析。研究团队与一家能源运营商合作，在真实的工业控制网络环境中部署了被动网络监控，收集了长达数月的流量数据。论文的核心贡献在于：1）首次对运营级燃气SCADA网络的流量进行细粒度表征，包括协议分布（如Modbus、DNP3）、通信模式（周期性、事件驱动）、设备交互拓扑等；2）揭示了SCADA网络与IT网络在流量特性上的显著差异，例如低带宽、长连接、高度周期性等；3）提出了基于流量特征的异常检测基线，例如利用通信间隔的规律性识别潜在异常；4）讨论了当前安全监控工具（如IDS）在适应此类专用网络时的局限性。实验结果表明，传统基于阈值或统计的检测方法容易产生大量误报，而针对SCADA特定模式的定制化方法能显著提升检测精度。该研究为工业控制系统网络安全监控提供了重要的经验数据和方法论基础。

该论文针对物联网（IoT）设备在关键任务环境中的安全与隐私挑战，提出了一种联邦学习（FL）与大型语言模型（LLM）驱动的威胁情报框架，用于构建零信任物联网架构。传统IoT设备常因资源受限而无法更新，易受病毒、数据泄露和未授权访问等威胁。现有解决方案未能从根本上解决分布式环境中的信任问题。本文提出的框架将FL异常检测、隐私保护分布式学习、持续身份验证以及LLM驱动的自主威胁响应整合到统一流水线中。FL允许各设备在本地训练模型并仅共享梯度，从而保护数据隐私。通过基于MQTT协议的相互传输层安全（mTLS）机制，框架在每一通信层执行零信任原则，确保没有任何设备或消息默认可信。实验使用树莓派和多种传感器实现，评估了异常检测性能，取得了0.9091的F1分数和1.0的ROC-AUC，证明了该框架在资源受限IoT设备上实现隐私保护异常检测的有效性。该研究的核心贡献在于：1）提出FL与LLM结合的新型威胁情报方法；2）在轻量级IoT设备上实现零信任通信；3）实验验证了高检测精度。适合物联网安全研究人员、零信任架构设计者及网络安全从业者阅读。

本文提出了一种面向物联网（IoT）部署的闭环访问控制架构，旨在将基于网络的异常检测结果自动转化为实际的网络撤销动作。现有研究大多仅停留在告警层面，而将自动执行留作未来工作或依赖可编程数据平面，但后者在真实网络中部署有限。本文利用标准且已广泛部署的协议实现闭环：设备通过IEEE 802.1X与EAP-TLS进行认证，RADIUS服务器作为持续策略决策点，能够通过Change-of-Authorization Disconnect-Request主动终止活跃会话，并通过证书撤销永久排除设备。一个中央上下文感知策略引擎持续消费异常检测器的输出，并通过受限通道向RADIUS服务器发送响应指令。该引擎设计为可扩展至其他访问类型，但本文仅评估网络访问控制机制。检测器基于先前MUD/SDN设计改编而来，采用单类检测器，用被动流量捕获和单个融合模型替代了原方案中每个流的多个模型管道，该融合模型结合了基于聚类、流量体积和协议签名的评分。在单个测试设备上，检测器达到0.9964的AUC，使用了比参考设计约43倍少的训练数据，检测出所有24个评估攻击场景（8种攻击类型，3种强度）。告警可靠地触发了自动断开连接和撤销响应，平均设备从网络中移除时间为335.8毫秒，证书撤销额外耗时111.5毫秒。作者将评估视为闭环架构的演示，而非检测器本身，并讨论了多设备泛化作为下一步工作。

该论文关注基于LLM的多智能体系统（MAS）面临的安全挑战。现有防御方法通常假设攻击在语义上显式可识别，并依赖显式的图结构建模MAS拓扑和Agent间交互。然而，实际攻击越来越隐蔽，且MAS执行通常是异步的，不满足图传播模型所需的时间对齐。为此，作者提出AcMAS，一种基于激活空间的恶意行为检测框架。AcMAS通过分析本地Agent内部推理状态的激活空间，无需依赖显式交互图，即可同步鲁棒地检测隐蔽攻击。此外，激活分析能指导AcMAS恢复受损Agent的功能，而非简单地隔离。实验表明，AcMAS在同步设置下F1达0.94（优于基线0.72），在异步设置下F1达0.93（优于基线0.38），且能泛化到不同的开源LLM骨干、攻击强度和MAS规模。该工作为MAS安全性提供了新视角，适合AI安全研究人员、SOC分析师及系统设计者阅读。

本文提出FDIFormer，一种无需特征工程的虚假数据注入攻击检测框架，专门针对基于IEC 61850 GOOSE协议的智能电网通信。研究背景：智能电网通过通信网络和智能电子设备实现自动化运行，但互联性增加使其易受网络攻击，其中虚假数据注入（FDI）攻击通过删除、修改或添加数据包操纵通信消息，尤其在IEC 61850变电站中，GOOSE消息负责传输关键保护和控制信息。由于恶意数据包与合法通信高度相似，现有检测方法严重依赖手动设计的协议特征，需要大量领域知识且泛化能力有限。核心方法：FDIFormer将GOOSE数据包序列转换为结构化文本窗口，捕获通信行为，然后利用预训练Transformer模型（如GraphCodeBERT、BERT和RoBERTa）直接学习攻击相关模式。评估使用QUT-ZSS-2023-GOOSE数据集，采用场景级三折交叉验证。结果：GraphCodeBERT达到0.595±0.122的MCC，与最强手工特征基线XGBoost（0.604±0.121）相当，比TF-IDF基线提高0.133。主要贡献：首次证明预训练Transformer表示可有效用于IEC 61850 GOOSE通信中的FDI攻击检测，无需依赖人工特征工程，为工业控制系统安全提供了新思路。适合安全研究人员、智能电网安全工程师和机器学习从业者阅读。

针对多变量时间序列异常检测中数据复杂度增加、跨时间尺度依赖复杂的问题，传统方法难以同时捕获时间动态特征与序列间复杂相关性。为此，本文提出MSCENet框架，通过先进的时空学习与多尺度学习技术提升检测精度。该框架包含三个核心模块：细粒度时间卷积模块利用扩张卷积捕获短时和长时模式；将序列间关系建模为图结构，采用Mixhop图卷积自适应捕获不同时间尺度下的空间依赖；多尺度门控卷积模块通过门控机制融合时空属性，实现多尺度微小变化的检测。实验在SMD、PSM和SWaT三个真实数据集上验证了MSCENet的有效性，表明其能适应复杂时间序列数据环境中的异常检测。论文主要贡献在于提出了一种集成多尺度相关增强的端到端框架，为多变量时间序列异常检测提供了高性能解决方案。适合时间序列异常检测研究者、安全分析师及运维工程师阅读。

该论文首次系统性地探讨了基于深度学习的异常检测在安全应用中面临的常态漂移（normality shift）问题。传统异常检测模型通常假设训练与部署数据分布一致（闭世界假设），但真实环境中正常行为分布会随时间变化（如网络流量模式、系统调用序列等），导致模型性能下降。现有研究多关注异常行为或监督学习的概念漂移，而忽略了无正样本（zero-positive）异常检测中常态漂移的挑战。论文提出了 OWAD（Open World Anomaly Detection）框架，该框架通过无监督方式检测常态漂移，无需人工标注；解释漂移原因，帮助运维人员理解变化；并自适应调整模型以恢复检测性能。OWAD 在分布级别（而非实例级别）处理漂移，降低了标注开销。作者在三个安全相关异常检测应用（如 SCADA 系统入侵检测）上使用长期真实数据进行实验，结果表明 OWAD 在适应常态漂移方面优于现有方法，且所需标注更少。论文还提供了案例研究和实际部署建议，并已在 SCADA 安全系统中初步部署。该工作为安全运维中应对数据分布变化提供了实用框架。

本文针对自1878年提出至今仍未解决的Gilbreath素数猜想，提出了一种全新的攻击方法。该猜想陈述简单，但多年研究进展甚微。本文通过引入筛法理论，包括反向筛法的概念，重新定义了问题的解决路径，并给出了一系列带有证明的新结果。论文不仅深入探讨了素数、魔素数、禁忌素数构型以及细胞自动机等理论主题，还展示了这些数学工具在金融科技和网络安全领域的实际应用，例如随机性测试、模式识别、欺诈检测、异常检测、合成数据生成、序列分类与归一化，以及布朗运动等时间序列中新型混沌的检测与量化。核心贡献在于提出了一种系统的反向筛法方法，并通过等价序列类化简技术，为最终破解猜想提供了清晰路线图。读者对象为对素数理论、数论应用、及跨学科安全研究感兴趣的研究人员。

本文针对 REST API 安全中因文档不完整或缺失导致传统安全方案失效的问题，提出了一种无监督异常检测方法 HRAL（HTTP REST API Learning）。HRAL 直接从网络流量中学习 API 端点结构（如 URL 路径、参数、方法等）及正常行为模式，无需依赖 OpenAPI 规范或预定义规则。其核心创新在于利用图结构建模 API 调用间的关联，并基于统计异常检测识别偏离正常行为的恶意请求。实验在多个真实 API 数据集上进行，评估了不同 OpenAPI 文档覆盖度下的性能。结果显示，HRAL 在仅有部分文档时平均召回率达 82.07%，F1 分数为 87.24%，显著优于现有方法；当与 OWASP ModSecurity CRS 等签名规则结合时，检测率达到 100%。该方法特别适合 DevOps 和 API 安全团队在缺乏完整 API 文档的生产环境中构建基线检测能力。论文贡献包括：提出一种轻量级、不依赖文档的 API 行为建模方法；在部分文档场景下实现接近全文档定义的检测效果；验证了无监督学习与签名规则互补的可行性。

该论文提出了一种无需训练即可检测容器化微服务环境中异常行为的新方法 REPLICAWATCHER。传统的基于异常的入侵检测系统需要建立全面的行为基线，但在微服务等动态环境中，“正常”概念频繁变化，导致基线老化并逐渐失效，需要定期重新训练，这在安全应用场景中颇具挑战。REPLICAWATCHER 的核心洞察是：微服务中为容错或可扩展性而部署的副本（replicas）会执行类似任务并呈现相似行为模式。通过实时观察同一服务的多个容器实例的行为，任何偏离其对应副本的显著差异都可作为安全威胁的重要指标。该方法完全无需训练阶段，避免了基线更新和模型老化问题。实验评估表明，REPLICAWATCHER 对正常行为偏移具有鲁棒性，无需重新训练即可保持有效性。与最先进的基于训练的方法相比，其性能相当，平均精确率达 91.08%，召回率达 98.35%。该研究适用于安全运维工程师、微服务架构师及威胁检测研究人员，尤其适合动态变化环境下的异常检测场景。

该论文研究了基于系统调用轨迹的主机入侵检测系统（HIDS）在从已知漏洞（CVE）泛化到同一弱点类别（CWE）中新漏洞时的表现。传统HIDS通常对单个CVE进行训练和评估，但实际运营中需要识别已知弱点类型的新攻击。作者利用LID-DS-2021数据集中的六个攻击场景，将其分为三个CWE家族：CWE-307（认证绕过）、CWE-89（SQL注入）和CWE-434（无限制文件上传）。他们提取了每滑动窗口的66维Peng-Guo风格特征向量，并使用Isolation Forest和SGD One-Class SVM训练单类异常检测器，通过校准阈值固定目标假阳性率（FPR）。论文定义了四个研究问题：自检测能力、不对称跨CVE迁移、CWE级联合正常轮廓的价值、特征过滤对迁移性的影响。实验结果表明，CWE-307的联合检测器在FPR=0.05时达到了F1=0.6976（精确率0.8994，召回率0.5698），而CWE-89和CWE-434在相同协议下F1≤0.21。跨CVE迁移显示出强烈的方向依赖性，主要受源正常行为轮廓的广度而非CWE标签的影响。作者得出结论：使用当前系统调用特征，CWE级泛化在某些弱点家族中是可实现的，但并非所有；并强调校准FPR是在此类设置中诚实报告的方法论前提。该研究为HIDS在弱点类别级别泛化提供了实证基础，指出了当前方法的局限性和改进方向。

该论文提出了一种名为 FuseChain 的运行时检测框架，旨在应对软件供应链攻击的多阶段、跨源和时间分布特性。现有运行时检测系统通常独立分析不同来源的遥测数据（如包管理、进程事件、网络流量、DNS/HTTP 元数据和安全告警），难以发现低频攻击证据或重建攻击的时间上下文。FuseChain 将这些多源遥测数据统一表示为时间异构图，在统一的事件时间轴上对齐，从而捕捉跨源依赖和稀疏的攻击证据。它从良性前缀遥测数据中学习以异常为中心的时间表示，并通过一个轻量级解码器在冻结异常检测骨干网络上实现可部署的攻击阶段重建。实验表明，在稀疏且不平衡的运行时供应链遥测数据下，联合优化异常检测与阶段预测效果不佳。在七个供应链攻击场景中，FuseChain 使用冻结骨干解码器将可部署的阶段重建召回率（Stage Recall@500）从 0.369 提升至 0.881，自适应检索进一步将可观测阶段召回率从 0.524 提升至 0.655，且无需修改检测器。这些结果突显了将运行时供应链异常检测与下游攻击阶段解释解耦的部署价值。

该论文提出并评估了一个端到端的联邦学习系统，用于在边缘设备上进行无监督的12导联心电图异常检测。系统结合了三种自编码器架构（VanillaAE、ConvAE、VAE），基于Flower框架实现跨十个模拟医院的联邦平均聚合，并集成客户端差分隐私（DP-SGD，使用Rényi-DP会计）和8位整数量化后训练压缩（在树莓派4上测试）。实验使用PTB-XL数据集，表明联邦学习在所有架构上达到或超过集中式基准（ConvAE的ROC-AUC为0.782），隐私预算ε=4被推荐为临床操作点。INT8量化使模型大小减半，树莓派延迟降低44%，且AUC损失小于0.12%。关键发现是差分隐私和量化惩罚可经验独立叠加，因此实践者无需在强隐私保证和小型边缘部署之间权衡。该工作是首个结合联邦学习、形式化(ε,δ)-差分隐私、无监督重建检测和量化AArch64部署的系统，为医疗物联网中的隐私合规实时监测提供了工程基准。

本文研究人工智能控制监控器（AI-control monitors）在面对分布式破坏攻击时的检测能力。传统监控器基于单步动作打分，但真实的危害可能分散在多个看似正常的步骤中，每个步骤的得分都低于警报阈值。作者提出了一种基于高斯Copula和AR(1)过程的边缘保留、编码相关性的分布式破坏攻击方法。该攻击通过精心构造，使得每一步的监控器得分边缘分布与正常行为完全相同，从而绕过了基于均值、最大值、top-k尾部和阈值等分布形状监控器（Monitor A），而将危害编码在时间相关性结构中。论文围绕三个审稿人要求的验证环节展开：（1）可实现性验证：攻击在所有测试的危害水平（最高3.0）下，其K-S距离与正常行为仅为0.013（几乎为零），证实危害与单步边缘分布完全解耦，可实现性不受危害限制。（2）监控器A与B的调和：作者形式证明了针对监控器A的得分边缘构造的攻击，在另一类监控器B（相关性/序列族：CUSUM、SPRT、HMM-LR、游程检验、自相关、窗口逻辑回归）下仍然维持边缘保留特性，并将最坏情况的主张限定在允许时间特征的那些得分函数上。（3）非空可检测性带：监控器A的AUC为0.52（随机水平），而监控器B在1%假阳性率目标下AUC达到0.79-0.97；随着危害被分摊到更多步骤，监控器A退化为随机猜测，而监控器B仍保持约0.95的AUC。这些结果证明了非空可检测性带的存在，并刻画了亚阈值破坏前沿：分布形状监控器因构造而失效，而时间相关性监控器可以检测但并非简单最优。

本文针对智能家居平台中存在的自动化规则异常和跨平台威胁问题，提出了名为 CP-IoT 的跨平台监控系统。智能家居平台广泛使用，用户通过定义自动化规则实现日常任务，但不同平台上的规则异常（如执行不一致）和跨规则威胁（如多个规则组合导致安全隐患）难以被现有单一平台检测工具覆盖。CP-IoT 的核心创新在于构建一个中心化的动态图模型，用于刻画自动化规则的行为和状态变迁。该系统通过分析两种不同描述粒度的应用页面，提取规则执行逻辑并收集不同平台的用户策略。为了检测同一规则在不同平台上的不一致行为，作者提出了一种基于侧信道流量聚类的自学习事件指纹提取方法，并通过检查规则执行行为与图模型中规格是否一致来实现异常检测。对于跨规则威胁，系统将每种威胁类型形式化为符号表示，并在图上应用搜索算法来发现潜在危险组合。实验在四个主流智能家居平台上进行，结果表明 CP-IoT 能够高准确率地检测异常，并有效发现多种类型的跨规则威胁。该研究为跨平台智能家居安全监控提供了新思路，适合智能家居安全研究人员、平台开发者及安全运维人员阅读。

该论文针对大学学术管理信息系统（ACMIS）面临的多维安全威胁（包括暴力登录、支付欺诈、权限提升、内部数据窃取和学术诚信违规）提出了一种基于AI的安全代理方案。传统基于规则的系统难以区分恶意行为与正常操作，因此作者设计了一个结合监督式异常检测、行为分析以及用于安全密码恢复的自然语言处理聊天机器人的安全代理。该代理监控五个操作层：认证、授权、金融交易、用户行为和系统健康，并通过四级风险升级框架进行响应。系统采用模块化架构，便于扩展到其他机构系统。在模拟的ACMIS事件日志数据集上，该方法实现了威胁检测宏平均F1分数0.91，而基于规则的基线仅为0.49，且关键层级自动响应延迟在95百分位下低于300毫秒。论文适合对AI驱动的异常检测、教育系统安全及自动化响应感兴趣的网络安全研究者阅读。

本文研究云存储中通行密钥（passkey）的安全性，重点关注如何检测通行密钥存储是否被入侵。通行密钥作为密码的替代方案，其私钥通常存储在云端（如iCloud、Google账户），一旦被攻击者获取，将导致用户身份被冒充。论文提出一种基于异常检测的方法，通过分析访问模式、密钥使用日志和存储元数据，识别潜在的入侵行为。该方法包括三个模块：1）行为基线建立，使用无监督学习学习正常用户访问特征；2）异常评分，结合统计检验和机器学习模型对实时事件打分；3）归因分析，确定入侵来源（如内部泄露、外部攻击）。实验使用合成数据集和真实云存储日志进行验证，结果表明该方法在保持低误报率的同时，能有效检测多种入侵场景，包括会话劫持、存储后端泄露、恶意同步等。本文的主要贡献在于首次系统性地针对passkey云端存储构建检测框架，并提供了经验性评估。适合云安全工程师、身份认证研究人员阅读。

该论文提出了TRACE框架，用于检测自主LLM agent在长期任务轨迹中隐藏的恶意行为。问题背景是：标准轨迹级监控难以检测agent通过一系列单独无害但序列组合后具有恶意的行为。现有方法要么一次性评估整个轨迹，要么将轨迹分割成独立窗口评分，这限制了跨时间步连接证据的能力。TRACE框架采用TIJ（Triage-Inspect-Judge）循环：首先筛选出高信号区域，然后进行针对性检查并在推理步骤间维护累积证据，最终综合出轨迹级判定。在SHADE-Arena基准的十个任务域上，TRACE取得了0.713的宏F1和0.844的召回率，尤其在需要长程证据关联的任务上提升显著。该工作面向LLM agent安全监控场景，为蓝队提供了一种新的检测思路。

低地球轨道（LEO）巨型星座（如SpaceX的Starlink和Amazon的Kuiper）依赖光学星间链路（ISL）实现自主网格路由，为全球提供低延迟通信、物联网和安全服务。随着星座密度增加和多运营商对等组网，ISL完整性对商业可用性和国家安全至关重要。然而，现有实时安全方法仅关注物理层安全，对网络层及复合攻击存在盲点。本文提出一种跨层轻量级行为指纹框架CLIF，该框架在卫星上融合物理层测量（如信号强度、角度）与网络层数据（如流量统计、路由状态），以低计算开销检测异常。作者构建了覆盖Starlink第一壳层（1584颗卫星）、Kuiper壳层（1156颗卫星）以及多运营商联合对等场景（2740颗卫星）的轨道仿真，注入十种攻击类型（包括欺骗、流量操纵、路由颠覆等）并设置不同严重等级。评估了三种基于每颗卫星的无监督检测器，其中基于马氏距离的检测器在Starlink上达到99.5%的召回率，Kuiper上99.4%，多运营商星座上94.8%，同时保持假阳性率（FPR）低于0.7%。结果表明，跨层特征融合不仅对LEO星座的全面安全保护是必要的，而且在大规模网络中具有高成本效益，同时适合资源受限卫星的严格星上能量预算。该研究的核心贡献在于首次系统性地将物理层与网络层数据结合用于LEO星座攻击检测，并在大规模仿真中验证了其有效性与轻量性。

该论文提出了一种名为 SECUREVENT 的混合 AI/ML 安全监控架构，用于分布式事件驱动系统。随着物联网遥测、云原生微服务和安全运营管道等场景的普及，分布式事件系统（如发布/订阅服务）的松耦合和异步交付特性在提升可扩展性的同时，也扩大了攻击面：发布者、代理、订阅者、主题、模式和时间顺序都可能被滥用，而单一组件无法观测全局行为。SECUREVENT 架构结合了传统安全机制（如认证传输、主题级授权、签名事件）与在线异常检测、图感知行为特征、复杂事件策略规则、联邦学习以及对抗性机器学习治理。通过在合成事件流攻击上的确定型原型研究，展示了混合 AI/CEP 监控器在保持低误报率的同时，如何提升静态规则的召回率。核心观点是：当事件流、身份、模式和时间关系过于动态，静态控制不足以应对时，基于模型的安全监控是必要的。该研究适合安全架构师、事件驱动系统开发者和安全运营人员阅读。

本文提出 IstGPT，一种基于大语言模型（LLM）和图神经网络的工业系统异常检测工具。工业互联网系统面临复杂的 ICS 攻击，现有工具难以实时检测传感器与执行器之间的复杂依赖关系。IstGPT 首先利用工业多模态知识（包括运行数据、技术文档和系统图），通过多阶段提示工程提取传感器-执行器依赖图；然后通过 LLM 优化迭代改进图的节点准确性、边一致性和逻辑连贯性；最后，集成了改进的图神经网络与编码器-解码器架构，通过重构误差检测异常。在 9 个数据集（2 个公共、6 个模拟和 1 个真实机器人手臂数据集）上与 12 个基线对比，IstGPT 在 F1 分数和新的时间感知指标 eTaF1 上均取得最佳结果。文章还讨论了在真实工业场景中部署的可行性。

本文提出 EULER 框架，用于在大规模网络日志中检测横向移动攻击。横向移动是高级持续性威胁（APT）的关键阶段，但传统的检测方法难以处理大规模、动态的网络数据。作者将网络主机日志抽象为时间图，将问题转化为异常边检测。EULER 框架采用模型无关的图神经网络堆叠模型无关的序列编码层（如循环神经网络），可分布式处理图卷积层，提升性能。实验表明，基于 EULER 的模型在异常链接检测和预测任务上达到或超过了现有最优方法，且作为基于异常的入侵检测系统，能高效高精度地识别实体间的异常连接，优于其他无监督横向移动检测技术。

本文针对区块链异常检测中面临的两大挑战：恶意行为者造成的对抗性模式演化，以及区块链上交易语义多样性导致的分布外（OOD）问题。作者提出了一种名为 TEMG-TTA（时间感知的图测试时自适应）的新型框架。该框架首先通过高效的计算机制全面捕获每个活跃地址的三节点时间模式分布，从而实现下游的时间模式感知图学习。其次，设计了一种简单有效的测试时自适应策略，促进训练图与测试图之间共享共同模式。在5个真实数据集上的实验表明，TEMG-TTA 平均比现有最先进的图异常检测方法高出54.88%。进一步对可解释模式模式的案例研究表明，TEMG-TTA 能够明确表征异常地址的复杂交易模式，验证了其技术设计的有效性。代码将开源。本文研究工作为区块链异常检测提供了新的思路，尤其适用于处理动态演变的交易模式和数据分布漂移问题。

论文《DeepAID: Interpreting and Improving Deep Learning-based Anomaly Detection in Security Applications》聚焦于安全领域中基于深度学习的无监督异常检测模型的可解释性问题。尽管深度神经网络在检测未知威胁方面表现出色，但其缺乏可解释性严重阻碍了实际部署。现有解释方法主要针对监督学习模型和非安全领域设计，无法直接适用于无监督模型，也难以满足安全领域的特殊需求（如误报分析、攻击溯源等）。为此，作者提出DeepAID框架，旨在为无监督深度学习异常检测模型提供解释。该方法通过分析模型内部表示和决策边界，生成与异常检测任务语义一致的解释，并利用解释结果指导模型改进，提升检测性能。实验在多个安全数据集（如网络入侵检测、恶意软件检测）上验证了DeepAID的有效性：相比基线方法，DeepAID生成的解释更准确、更符合安全专家认知，且能有效帮助安全分析师理解异常原因、减少误报。此外，作者还展示了如何利用解释反馈优化模型，使检测精度进一步提升。该工作为深度学习模型在安全运维中的可信应用提供了重要支撑。

本文提出 Agent-ToM，一个基于心理理论（Theory-of-Mind, ToM）推理的监控框架，用于检测自主大语言模型（LLM）代理的隐蔽恶意行为。现有监控方法通常将每条轨迹独立处理，未利用历史监控经验，且缺乏对代理信念、意图和目标一致性的显式推理。Agent-ToM 在推理时采用“推理-验证-精炼”（Reason-Verify-Refine）流水线：首先推理代理的信念和意图假设并校准置信度，预测预期行为，然后通过与任务一致的行为基线对比检测偏差，最后验证并精炼监控决策。在训练阶段，Agent-ToM 将批评信号蒸馏为持久的“语义护栏记忆”，从而在不同剧集间复用信念和意图条件约束。作者在对抗性代理监控基准 SHADE-Arena 和 CUA-SHADE-Arena 上评估 Agent-ToM，结果表明其在精确率-召回率平衡上优于包括集成方法在内的现有监控基线，且仅需两次调用推理流水线。该工作表明，在监控层结合结构化 ToM 推理与验证，为保护自主 LLM 代理提供了有效且可部署的基础。

该论文提出了一种名为FALCON-C（Flow-based Analysis and Labeling for Connected Vehicular Network Cybersecurity）的框架，旨在增强电动汽车充电设施（EVSE）的网络安全。随着电动汽车普及，EVSE成为网络攻击的新目标，确保EVSE组件与车辆客户端之间网络通信的安全性和完整性至关重要。FALCON-C采用自编码器进行异常检测，仅使用CICEVSE2024数据集中的少量良性流量进行训练。模型通过学习正常流量的行为模式，并通过检测重建误差的统计差异来识别恶意流量。实验结果显示，该模型能够成功识别恶意流量，达到100%的准确率。最初，部分良性流量被误分类为恶意，导致假阳性率不理想。通过对自编码器性能及误分类流量的深入分析，研究团队优化了决策边界，使框架性能提升了8.6%。FALCON-C旨在通过自动化流量标注来支持安全运营中心（SOC）的活动，从而促进更可靠数据集的构建，这些数据集可用于威胁建模、威胁狩猎、决策审计和入侵检测系统的优化。

本文提出了一种基于潜几何结构进行异常检测的新型框架。传统异常检测方法通常在测量信号超过预设阈值时才发出告警，只能捕捉到状态转变的瞬间，而无法感知转变前的结构压力。作者将大规模行为群体（如匿名网络中的节点行为）视为一个几何能量景观，其形变可以在主要转变发生之前和期间被测量。核心论点是：结构先于几何——群体的结构组织本身就是信号，而几何度量是测量该信号的工具。该框架应用于Tor匿名网络的67个连续每日观察窗口，通过双观察者流水线（dual-observer pipeline）识别出一个稳定的九维承载子空间（load-bearing subspace），该子空间在整个观测期内保持结构不变，并通过蒙特卡洛模拟在16.8 sigma的信噪比下验证了其统计显著性。在24个确认稳定的窗口上，主要检测门限的假阳性率为0.0%。对2026年2月20日一个已确认的基础设施事件进行取证分析，正式反驳了“中继离开”假设，识别出了一种无需拓扑变化即可发生的连接退化模式，并证明这种退化可作为可检测的网络故障模式。本文的贡献在于提出了一个候选的结构监测框架，适用于具有足够遥测数据的行为群体，能够发现传统方法难以捕捉的异常模式。

DNS over HTTPS (DoH) 在提升DNS查询隐私性的同时，也为恶意活动提供了隐蔽通信通道。本文提出一种名为DoHunter的恶意加密流量识别方法，该方法利用大型语言模型（LLM）的先进上下文理解能力，并融合专家特征来检测异常。实验评估表明，该方法不仅能识别常见的和新兴的恶意DoH隧道工具（如dns2tcp、iodine、dnstt），还能在真实APT攻击中识别武器化的DoH流量，召回率达到0.9995。核心贡献在于将LLM的语义理解与领域专家知识结合，提升了对未知或变种恶意隧道的检测能力。该方法适用于网络入侵检测系统，可部署在出口网关或DNS服务器侧。仅基于摘要，具体架构细节和实验设置需查阅全文。

本文提出了一种基于溯源图的检测框架 PROVGUARD，用于识别软件定义网络（SDN）中的控制策略操纵（CPM）攻击。SDN 通过将控制平面与数据平面解耦提升了网络灵活性，但逻辑集中的控制平面易受 CPM 攻击，攻击者通过操纵控制器的网络视图引入错误策略。现有异常检测和配置验证方法因仅关注数据平面而存在局限性，某些隐蔽的 CPM 攻击若不分析控制器决策的因果关系则难以与正常行为区分。PROVGUARD 通过监控控制器活动来检测 CPM 攻击，利用静态分析识别与数据平面相关的控制器操作并指导控制器插桩，从捕获的控制平面活动构建溯源图。该框架通过减少冗余并提取溯源图中的路径作为上下文，以捕获简洁且长期的特征。基于序列到序列预测模型，通过识别导致预测误差超出正常范围的路径来标记可疑行为。作者在 Floodlight 控制器上实现了原型，实验证明该方法成功识别了先前方法无法完全处理的四种典型 CPM 攻击，并为攻击行为调查提供了有价值的见解。

该论文提出了一个名为CLAD的综合框架，用于解决物联网（IoT）和工业物联网（IIoT）环境下的入侵检测问题。随着IoT设备的激增，网络攻击面大幅扩大，传统集中式入侵检测系统面临隐私和扩展性挑战。联邦学习（FL）提供了一种隐私保护方案，但现有FL-based IDS难以处理设备行为的异质性，且通常无法利用大量未标注数据。CLAD通过结合聚类联邦学习（CFL）和一种新颖的双模式微架构（DM²A）来同时解决这两个瓶颈。DM²A包含一个共享编码器和两个分支，分别用于无监督异常检测和有监督攻击分类，从而能够从标注和未标注客户端中提取知识。聚类组件根据流量模式动态分组设备，防止全局模型发散。实验表明，在80%未标注客户端的场景下，CLAD相比现有基线方法实现了30%的检测性能相对提升，且通信开销减半。该框架适合关注隐私保护型IDS、联邦学习在网络安全中应用的研究者和工程师。

该论文提出 HOUSTON，一个针对以太坊去中心化金融（DeFi）协议攻击的实时异常检测系统。研究背景：DeFi 协议遭受多种攻击（如闪电贷攻击、预言机操纵、重入攻击等），现有检测方法多基于规则或签名，难以应对未知攻击且实时性不足。核心问题：如何在大规模交易数据中高效、实时地检测已知与未知攻击。方法：HOUSTON 通过记录并分析每笔交易的程序执行踪迹（如操作码、栈、内存等），将其编码为结构化图表示，然后利用一种新的图神经网络（GNN）架构——时间感知异构图神经网络（TA-HGNN）进行异常评分。系统首先对历史正常交易进行训练，建立行为基线；在实时场景中，对每笔新交易快速提取执行踪迹并计算异常分数，若超过阈值则报警。主要贡献：1）提出一个可扩展的实时检测框架，能够处理以太坊上的高频交易；2）设计 TA-HGNN，有效融合交易执行流中的时序与结构信息；3）在 7 种真实攻击数据集上评估，包括 43 个已知攻击和 257 个变种，检测率超过 95%，误报率低于 0.1%，且平均检测延迟小于 0.5 秒；4）对零日攻击的检测能力良好。适合安全性研究人员、DeFi 协议开发者、区块链安全分析师阅读。

该论文针对大型语言模型（LLM）在多智能体系统（MAS）中集成所带来的安全挑战，提出了一种名为Gammaf（Graph-based Anomaly Monitoring for LLM Multi-Agent systems Framework）的开源基准测试框架。随着LLM增强MAS的协作问题解决能力，攻击面也相应扩大，例如提示感染和智能体间通信泄露等漏洞。虽然基于图的异常检测方法在保护此类网络方面显示出潜力，但领域内缺乏标准化的可复现环境来训练和评估这些模型。Gammaf本身并非新型防御机制，而是一个综合性评估架构，旨在生成合成多智能体交互数据集，并基准测试现有及未来防御模型的性能。框架包含两个相互依赖的流水线：训练数据生成阶段，该阶段通过模拟不同网络拓扑下的辩论，将交互捕获为鲁棒的属性图；以及防御系统基准测试阶段，该阶段在实时推理过程中通过动态隔离标记的对抗节点来主动评估防御模型。论文使用XG-Guard和BlindGuard等防御基线，在MMLU-Pro和GSM8K等多个知识任务上进行了严格评估，证明了Gammaf的高实用性、拓扑可扩展性和执行效率。实验结果表明，为LLM-MAS配备有效的攻击修复不仅能恢复系统完整性，还能通过促进早期共识、切断对抗智能体典型的大量令牌生成，显著降低整体运营成本。这项研究为多智能体系统的安全监控提供了标准化评估工具，适合安全研究人员和AI开发者阅读。