本文提出一种面向网络物理系统（CPS）的数字孪生（DT）安全监测框架。传统上，数字孪生被用于实时监控物理过程，但在对抗环境中，其保真度无法保证。通信延迟、数据篡改、传感器退化或部分信息丢失都会导致孪生状态与物理状态偏离，形成时间不一致性。作者认为这种不一致性恰好能反映潜在的网络物理攻击。核心思路是：先仅利用正常系统行为训练一个DT预测器，使其能建模短期系统动态；运行时，将预测状态与观测状态之间的残差转换为多时间尺度特征，刻画残差的幅度、持续性和演化趋势。接着，用无监督密度模型刻画正常一致性模式，并引入序列变化检测机制识别持续偏离，从而判定攻击。方法在SWaT、HAI和BATADAL三个广泛使用的工控系统数据集上评估，并人为引入多种DT退化场景（如时间失同步、部分可观性丢失）。实验表明，时间不一致性模式能在低误报率（低于2%）和低检测延迟下实现可靠的事件级攻击检测，在SWaT上检测可靠性达98%。与常规异常检测相比，该方法无需攻击签名或标记攻击数据，且即使DT视图本身已退化，仍能保持有效。这表明DT退化通常被视为缺陷，却可被转化为网络物理安全监测的有用信号。

本报告由 IEEE PES 工作组撰写，聚焦大规模能源互联网（Energy Internet, EI）系统的安全性与弹性问题。EI 系统通过深度数字化将电力层、信息层和市场层紧密耦合，形成典型的网络-物理融合系统（CPS），其安全威胁面已从传统物理攻击扩展到网络攻击、数据篡改、供应链风险及 AI 模型对抗攻击等复合维度。报告首先刻画了 EI 面临的网络-物理威胁全景，系统梳理了现有检测、保障与缓解技术；随后提出能够刻画网络-物理相互依赖关系的建模、控制与决策框架，重点涵盖储能系统集成、多维弹性评估以及电价预测等关键场景。在人工智能应用方面，报告专门分析了 AI 在 EI 中的可信部署问题，包括对抗性攻击风险、模型鲁棒性与可解释性挑战，并探讨了基于图论的攻击弹性信息路由机制，以提升分布式通信网络在故障或攻击下的生存能力。最后，报告从研究、标准制定和监管政策三个层面给出了实现大规模 EI 系统安全与弹性的建议清单。整体上，该报告旨在为电力系统工程师、网络安全研究人员、标准化组织和政策制定者提供跨学科的技术参考，强调 EI 安全不能仅依赖单一防护手段，而需要融合网络与物理域信息的综合对策。

本文针对电力网络中的网络物理攻击检测问题，提出了一种名为 AdaptoNet 的模块化自适应神经网络。研究背景是：针对电网的攻击往往将物理破坏与数据篡改相结合，以破坏网络物理系统的稳定性。作者重点研究了一类特定的数据拒绝攻击（data denial attack），即攻击者在触发线路停电的同时，屏蔽目标区域的测量数据。实验表明，此类攻击可使标准数据驱动检测方法的性能下降超过 86%，导致传统方法失效。为应对这一挑战，AdaptoNet 采用模块化设计，包含一个在完整数据上预训练的冻结基础模块，以及一个基于二进制测量可用性向量进行条件控制的可训练自适应模块。通过该条件控制机制，模型能够区分“测量被拒绝”与“真正的异常数据”，而无需重新训练基础模块。研究在四个 IEEE 标准测试系统（30、39、57 和 118 节点）上进行了评估，模拟了区域内攻击最多屏蔽 20% 测量值的情况。结果显示，AdaptoNet 将 F1 分数从低于 12% 恢复到 81% 以上，提升约七倍，接近使用完整测量值时的 89%-99% 基线性能。本文的核心贡献在于：提出了一种对测量可用性变化具有鲁棒性的模块化架构，无需重新训练即可适应部分测量缺失的场景，为电网等关键基础设施中的网络物理攻击检测提供了新的思路。适合网络安全研究人员、电力系统安全工程师以及关注数据可用性攻击的防御者阅读。

本文针对动态加密控制系统中云服务器计算的完整性验证问题，提出了一种新颖的验证算法。传统加密控制虽能保护数据和参数隐私，但云服务器可能篡改计算结果，现有方法要么依赖强假设，要么计算开销大，且仅适用于静态计算。作者利用控制器的系统理论输入输出特性，通过在云端并行处理人工挑战信号，与请求的控制输入一起计算，从而在工厂侧检查结果的正确性。该方法几乎不增加额外计算负担，能以高概率检测错误计算，且能防御重放攻击。论文属于理论与方法贡献，适合从事加密控制、安全计算和自动化领域的学者与工程师阅读。