本论文针对无线自编码器通信系统中对抗攻击的不可检测性、攻击性和适应性难题，提出了一种基于深度学习的智能攻击框架。在存在多个攻击者的复杂场景下，多路并行攻击产生的累积泄漏干扰（CLI）会显著增加攻击被检测到的风险，同时动态环境使得固定攻击策略难以保持稳定效果。为解决这些问题，论文首先设计了一种基于深度神经网络的发射功率控制机制，通过调节多个攻击者的发射功率来减少干扰泄漏，从而提升攻击的隐蔽性。其次，为了增强攻击效果和稳定性，论文进一步开发了条件生成对抗攻击（CGAA）。该攻击利用生成对抗网络结构：生成器以攻击信道信息为条件输入，生成扰动信号，使受攻击接收信号尽可能接近干净接收信号，从而误导判别器；判别器则在相同条件下区分两者。通过对抗训练，生成器能够学习产生自适应扰动信号，在不同信道条件下保持高效攻击性能。仿真结果表明，所提框架在攻击不可检测性、攻击性和适应性方面均优于基准方案。该研究揭示了无线自编码器通信系统在面对智能自适应攻击时的脆弱性，为设计更加鲁棒的无线通信系统提供了反面对抗性启示。

本文针对基于自编码器的网络入侵检测系统（NIDS）面临的对抗性逃避攻击问题展开研究。攻击者利用 PANDA 框架，将网络流量中的报文序列转换为可逆灰度图像，从而将在视觉领域开发的对抗样本技术迁移到网络领域，例如使用掩蔽快速梯度符号法（masked FGSM）生成对抗性流量。此类攻击能够操纵自编码器 NIDS 的异常评分，同时保持攻击语义不变，使得防御者难以区分良性流量和精心扰动的恶意流量。为此，作者提出了两种互补的检测器：一是残差定位检测器（Residual Localisation Detector, RLD），它在图像空间中跟踪报文到达间隔时间特征区域的重建误差空间集中度；二是特征空间扰动一致性检测器（Feature-Space Perturbation Consistency Detecter, FPC），它直接在报文特征空间的报文到达间隔时间特征上操作。实验基于 UQ-IoT 数据集的多个 IoT 设备流量，包括良性、恶意和对抗性流量。评估结果表明，两种检测器在检测对抗样本时均能达到接近完美的性能（真阴性率、真阳性率、精确率、召回率和 F1 分数均超过 0.99）。作者认为，将基于重建的评分与扰动一致性检查相结合，同时在图像空间和报文特征空间进行检测，为防御针对 NIDS 的 PANDA 式对抗攻击提供了一种实用的方案。本文适合从事入侵检测、机器学习安全以及对抗性机器学习的研究人员和工程师阅读。

该论文针对电力系统中由数据驱动的盲假数据注入攻击（FDIA）提出了一种拓扑感知的检测方法。现有研究大多基于统计或数据驱动的方法分析测量值，但攻击者可以利用自编码器学习测量流形并生成与Jacobian零空间对齐的扰动，从而绕过残差检测器和时间序列异常检测器。为应对这一挑战，论文提出了基于周期空间检测器（CSD），利用电网拓扑的周期空间引入结构约束来增强零空间估计；理论证明采用最小周期基（MCB）的CSD可实现最优泛化误差。该方法不依赖精确的线路参数，通过拓扑衍生的周期约束而非单纯数值零空间估计，有效区分正常与受攻击测量。在IEEE 14、30、57和118节点系统上的仿真结果表明，该方法在真实测量噪声下能有效检测数据驱动的FDIA。适合电网安全研究员、工业控制系统安全工程师及电力系统运营者阅读。

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。