本文针对网络物理系统（CPS）异常检测器的评估方法提出批评与改进。当前领域普遍使用精确率、召回率或 F1 分数在单一工作点（operating point）上比较不同架构的检测器，例如深度神经网络、不变式模板等。作者指出，这些指标混淆了两个独立环节：一是检测器对物理过程的表示能力（residual 生成），二是报警阈值设定的好坏。为此，本文提出将 CPS 异常检测器视为两阶段流水线：第一阶段将观测映射为残差（residual），第二阶段将残差映射为报警。作者主张直接评估第一阶段，使用归一化残差能量（normalized residual energy），该指标与训练正常参考分布的 Kullback-Leibler 散度具有精确数学联系，且不依赖特定报警规则。该评估可独立衡量攻击分离度、训练-测试差距下的稳定性，以及检测器对物理过程的编码紧凑性。作者在不做任何逐检测器调参的情况下，对五种检测器（GDN, FuSAGNet, TranAD, NSIBF, GeCo）在三个 CPS 基准（SWaT, WADI, HAI）上进行了评估。结果显示，尽管这些检测器在 SWaT 上的 ROC-AUC 值相近，但在共同误报率下性能相差超过一个数量级；且排名随测试床变化——TranAD 在 HAI 上第一但在 SWaT 上垫底，NSIBF 在 WADI 上第一但在 HAI 上垫底。在 WADI 上，局部攻击可以逃避跨通道汇总证据的检测器，这解释了 NSIBF 为何优于在其他基准上表现良好的方法。研究表明，检测失败可能源于不同原因：表示能力弱、阈值校准差、或攻击本身物理影响很小。不依赖决策规则的分析有助于区分这些原因。

本文提出 Chameleon 框架，用于自动恢复遭受内存破坏攻击的网络物理系统（CPS）。现有防御手段多在检测到攻击后终止或重启系统，这在高安全性关键任务中不可接受。Chameleon 在组件粒度上训练基于机器学习的替代模型，这些模型能近似原始组件的功能但不存在相同的内存破坏漏洞。一旦攻击被检测到，Chameleon 用训练的替代模型替换受损组件。作者基于 LLVM 编译器实现原型，并在 7 个不同机器人车辆（包括模拟和真实环境）上评估。结果表明，替代模型与原始组件行为高度接近（平均 R²=0.96），能成功恢复系统并完成任务，且性能与内存开销低。该工作为 CPS 运行时恢复提供了新思路，尤其适用于无法容忍停机的场景。

这篇海报论文提出了 Chronos，一种利用时间干扰作为攻击向量的新型攻击方法，针对自主网络物理系统（CPS）。CPS 的正常运行依赖于对物理世界的精确、及时感知与执行，时间属性是系统稳定性的关键。Chronos 攻击通过侵入系统中的一个非特权、非关键任务，对无人机和自动驾驶车辆平台发起时间干扰攻击。在开环和闭环测试中，攻击者能够在不利用任何软件漏洞的情况下，导致自主系统完全失控，撞向周围环境。为了深入理解这一攻击向量，研究者对这两个平台的定位组件进行了初步研究，因为它们都使用了依赖于来自不同传感器的多模态数据（对时间敏感）的同步定位与地图构建（SLAM）算法。基于案例分析，论文提出了时间攻击面的形式化描述，并指出了未来研究方向。该工作揭示了时间干扰作为一种独立于传统软件漏洞的攻击向量的潜力，对 CPS 安全设计提出了新的挑战。