现代数据中心日益依赖大规模 GPU 集群和现场可再生能源，导致计算负载与电力电子主导电网之间形成紧密耦合的物理信息系统。本文提出了一种此前未被探索的脆弱性 Bit2Watt：攻击者通过操纵 GPU 工作负载，诱导受控的高频功率调制，从而破坏本地电力基础设施的稳定性，并反向传播以中断计算服务。与传统的攻击（如攻击电网侧设备或通信链路）不同，Bit2Watt 完全在网络层作为合法租户运行，能够放大波动、谐波失真和阻尼退化，尤其在高分布式能源渗透场景下。该风险难以通过常规的云侧和设施侧监控检测，因为它利用了合法的工作负载执行路径，并将其独特行为集中在高频分量中，而常见遥测对此捕获较弱。作者通过基于阻抗的分析、电力系统仿真以及针对 GPU 和并网光伏逆变器的实际实验验证了 Bit2Watt。在同步最坏情况聚合模型下，操纵一个 90% 分布式能源的 1MW 本地电力系统中的 1000 个 GPU，会使电流总谐波失真达到 46.8%，阻尼比降至 -0.27。进一步研究表明，由此引起的电能质量下降会给数据中心供电设备带来压力，触发保护机制，并在极端模拟情况下导致输电级系统级联故障。此外，本文还分析了可能的 Watt2Bit 反馈路径，包括拒绝服务风险以及通过 EMI 侧信道进行隐秘信息窃取。该工作强调了迫切需要跨层防御机制，协同考虑工作负载调度和电力电子。

该论文研究针对无人机群（drone swarms）的传感器欺骗攻击。随着无人机群在军事、物流、农业等领域的广泛应用，其安全性受到关注。无人机群依赖多种传感器（如GPS、IMU、视觉传感器等）进行协同导航与决策。作者提出了一种新型攻击方法，攻击者通过向无人机群的传感器注入虚假数据（如伪造的GPS信号或惯性测量值），导致无人机群产生错误的感知与决策，进而引发碰撞、偏离航线或任务失败。论文通过仿真实验验证了攻击的有效性，并分析了攻击对集群协同算法的影响。主要贡献包括：1）提出针对无人机群的传感器欺骗攻击模型；2）评估不同攻击策略对集群性能的影响；3）讨论潜在的防御方向。该研究为无人机群的安全防护提供了理论基础。

本文提出了一个针对AI沙箱的威胁模型、分类法和测量框架。随着AI系统越来越多地在受限环境中进行评估（结合隔离、仿真、检测、监督和证据捕获），尤其是物理AI、AIoT和网络物理系统，测试环境的可信度和安全性变得至关重要。作者首先形式化了沙箱边界的概念，并定义了将各维度证据组合成有界部署声明的最弱链规则。接着，他们区分了主要的沙箱原型（如数字AI沙箱、具身自主沙箱和网络物理沙箱）。在此基础上，提出了一个涵盖物理过程和网络设备的网络物理威胁模型，该模型不仅考虑对被测系统的攻击，还考虑对保证装置本身的攻击（例如操纵传感器数据、干扰通信链路或欺骗监督机制）。最后，引入了一个测量框架，包括保真度、可控性、可观察性、隔离性、可重复性和治理工件等维度，并通过三个真实沙箱的案例研究进行了实例化。该框架帮助从业者理解沙箱能够有效测试什么、可以控制哪些风险以及能支持哪些形式的安全、安保和监管保证证据。本文的主要贡献在于为AI沙箱的安全评估提供了系统化的理论基础和实践指导，适合AI安全工程师、测试验证团队及监管机构阅读。

该论文针对网络物理系统（CPS）面临设备级网络攻击时的弹性问题展开研究。传统容错机制通过分析传感器和执行器输出检测渐进漂移或突发故障，并启动相应容忍机制，这在通用故障模型下合理，但无法捕捉网络攻击可能采用的细微策略。对于具身CPS（Embodied CPS），计算与物理设备不仅参与任务完成，还负责“具身保存”（即维持系统物理完整性），因此需要能主动响应网络攻击的框架以防结构性物理损害。论文提出一个正式的可信性框架，将入侵检测系统（IDS）信息整合到弹性评估谓词中，使系统能够评估对中断和退化的容忍程度。该框架支持结构化推理：网络攻击如何影响任务执行和具身保存，以及是否需要部署缓解策略。通过分析示例展示了框架的分析能力和正确性，为可靠且安全的具身CPS建立了理论基础。核心贡献在于形式化地将网络安全状态与物理弹性结合，为安全工程师在设计鲁棒控制逻辑时提供理论支撑。适合对CPS安全、形式化方法、弹性工程感兴趣的研究者和工程师阅读。

本文针对电力系统在脱碳化背景下日益复杂的多维度弹性问题进行了系统综述与指数构建。研究指出，传统的单维度弹性评估方法无法捕捉到物理、运行、数字-网络、气候-外部以及经济-监管五个维度之间交互产生的系统性脆弱性。作者通过PRISMA 2020方法结合前后向滚雪球搜索，识别了现有研究在跨维度耦合方面的空白。在此基础上，提出了一个多维弹性指数（Multidimensional Resilience Index, MDRI），该指数能够同时捕捉内生耦合与外生放大效应。为了验证MDRI的有效性，研究者以2025年12月波兰能源基础设施遭受的网络-物理攻击为场景，模拟了不断升级的攻击情景。实验结果显示，级联与同时失效导致的退化程度是单一应力下的近8倍；外生条件（气候、经济-监管压力）进一步使退化放大近6倍，其中72%的放大由外生压力驱动。综合来看，与单向量参考相比，多维耦合机制使弹性损失增加了46倍。该研究为电力系统弹性评估提供了更全面的量化工具，并揭示了跨维度交互的非线性放大效应，对电网规划、运营和网络安全防御具有重要参考价值。

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。