本文针对水务基础设施中网络物理系统（CPS）的安全与弹性建模问题展开研究。作者指出，现代水分配与管理系统的安全性常被忽视，而随着针对工业控制系统（ICS）的攻击工具日益普及，水网络面临的实际网络威胁愈发严峻。现有仿真工具在水力动力学建模方面较为成熟，但对CPS组件（如传感器、控制器、执行器等）的表示以及故障/攻击场景下的网络行为模拟存在明显不足。为此，论文提出在常用的水力仿真工具包——水网络韧性工具（WNTR）基础上开发一个模块化附加组件，用以填补这一功能空白。该模块支持在网络中嵌入CPS设备，并能够模拟针对这些设备的故障与攻击场景，从网络整体层面评估每个设备的关键性，同时为未来更深入的网络流量仿真与设备交互分析预留了扩展接口。论文首先回顾了CPS在ICS中的作用以及仿真在系统评估和设计测试中的价值，然后详细描述了模块的设计思路与实现方案。这项工作为水务部门的安全评估与弹性规划提供了实用工具，有助于安全工程师和基础设施管理者在虚拟环境中测试防御策略，而无需在真实系统上进行高风险操作。目前本文仅提供方法框架与设计构想，尚未给出完整的实验验证结果。

本文针对信息物理系统（Cyber-Physical Systems, CPS）中模糊测试面临的输入搜索空间过大的问题，提出了一种基于控制理论的解决方案。随着CPS在日常生活中日益普及，其安全性成为紧迫议题。虽然模糊测试在自动检测漏洞方面受到广泛关注，但物理输入和网络输入的组合搜索空间极为庞大，如何高效探索仍是一个开放挑战。作者从控制理论中汲取灵感，利用物理感知的控制模型来引导输入空间探索。具体而言，设计并实现了ConTest这一模糊测试工具，该工具使用控制模型的Lyapunov函数同时用于缺陷检测和变异策略，从而在动态模型误差有界的条件下，为漏洞发现的有效性提供了可证明的保证。作者在ArduPilot和PX4两个代表性机器人车辆（RV）平台上部署了ConTest原型，用于检测空间和时间输入验证缺陷，共发现253个输入验证漏洞，其中58个为零日漏洞，54个已获供应商确认。该研究不仅提出了新的理论方法，还通过实际平台验证了工具的有效性，为CPS模糊测试领域提供了重要参考。

该论文提出了一种名为 SAIN（State-Aware Invariants）的工业控制系统（ICS）攻击检测方法，旨在提升攻击检测的敏感性和准确性。研究背景是：现有基于不变量的 ICS 入侵检测系统（IDS）通常依赖静态的物理系统模型，但这些模型难以捕捉工业过程在不同运行状态下的动态行为变化，导致漏报率较高，尤其是在复杂攻击场景下。核心问题是如何设计一种能够感知系统状态变化、同时保持较低误报率的检测机制。SAIN 的核心方法包括：首先，从 ICS 的传感器和执行器数据中自动学习状态相关的物理不变量，即针对不同系统运行状态分别建立正常行为模型；其次，通过在线监测当前系统状态并匹配相应的不变量，从而检测偏离预期行为的异常。该方法与传统的单一全局不变量方案不同，它能够适应状态切换，对稳态和瞬态过程都能提供更细粒度的监控。实验部分，作者在多个 ICS 测试平台（包括 SWaT、HIL 等）上使用真实攻击数据进行了评估，结果表明 SAIN 在检测精度和召回率上显著优于现有最先进的检测方法，同时保持了可接受的误报率。主要贡献包括：提出状态感知不变量的概念和建模框架；设计了一种自动化提取状态不变量并在线匹配的算法；通过大量实验验证了该方法在检测隐蔽攻击（如篡改传感器读数或执行器指令）时的优越性。适合 ICS 安全研究人员、工业控制系统防御者以及入侵检测系统开发者阅读，尤其关注物理过程感知的异常检测技术。

本文针对网络物理系统（CPS）的安全建模问题，提出了一种结合混合输入输出自动机（HIOA）与博弈论的方法。在CPS中，多个子网络由不同的防御者拥有，安全威胁通过攻击图表示，防御者需要在有限预算下合理投资以保护关键资产。作者首先建立了HIOA模块作为构建块，每个子网络对应一个HIOA模块。然后，提出了一个模型，该模型刻画了投资随时间的连续演化以及系统状态之间的离散转换（每个状态代表系统内不同的条件）。最后，通过一个真实的CPS实例验证了模型的有效性，展示了其在CPS安全分析中的优势。该方法有助于防御者在资源约束下优化安全投资决策，提升了CPS安全建模的精确性和实用性。

本文是CPSIoTSec'23 Workshop的导言，该研讨会旨在聚焦网络-物理系统（CPS）与物联网（IoT）安全与隐私领域的最新研究进展。CPS和IoT系统广泛应用于智能家居、工业控制、医疗设备等关键领域，其安全漏洞可能导致物理损坏、数据泄露甚至人身安全威胁。研讨会收录了多篇同行评议论文，涵盖威胁建模、入侵检测、安全协议设计、隐私保护技术等方向。通过汇聚学术界与工业界的研究人员，本工作坊促进了跨学科合作，并指出了当前防御策略的不足，特别是针对资源受限设备的轻量级安全方案、实时性要求下的安全-性能权衡等挑战。会议重点强调了从设计阶段融入安全考虑的必要性，并呼吁开发可扩展的自动化工具以应对日益增长的互联设备数量。本文为读者提供了该研讨会所涵盖的核心议题概览，适合对CPS/IoT安全感兴趣的研究者和从业者阅读。

该论文聚焦于物联网（IoT）和网络物理系统（CPS）中持续学习（CL）环境下的后门攻击安全问题。随着IoT/CPS系统需要不断适应环境变化、设备异构性和概念漂移，持续学习被广泛用于提升系统效用。然而，持续学习的增量更新、回放缓冲区和表示重用等机制也为攻击者提供了植入持久后门的机会。攻击者可以设计恶意输入，使得模型在正常操作中表现正常，但遇到特定触发器时激活恶意行为。论文首先形式化了IoT/CPS环境下的威胁模型，分析了持续学习过程中后门攻击为何能持久存在：增量更新使得后门逐渐融入模型参数，回放缓冲区可能保留后门样本，表示重用则促使后门泛化到不同任务。然后，作者提出了一种针对持续学习的后门攻击方法，并在不同条件下评估了攻击的有效性和持久性。实验结果表明，即使在持续学习多个任务后，后门仍然能够保持高触发成功率，而模型在主流任务上的性能几乎不受影响。论文最后讨论了在工业IoT（IIoT）环境中保障持续学习安全面临的开放挑战，强调了加强安全控制的必要性。该研究揭示了持续学习在IoT/CPS中部署时的新安全风险，为后续防御研究提供了方向。适合对IoT/CPS安全、后门攻击和持续学习感兴趣的读者阅读。