该论文针对网络物理电力系统(智能电网)中两个长期被割裂处理的问题——稳定性预测与虚假数据注入(FDI)攻击检测——提出了统一的图学习框架 StarGNN。研究背景是:现代电网越来越多地依赖数据驱动工具来识别不稳定运行状态并支撑可靠调度,但真实的不稳定工况在模型开发阶段往往稀有、敏感或根本无法采集,出于安全与成本考虑很难大规模获取标注数据;与此同时,针对去中心化智能电网控制(DSGC)系统的 FDI 攻击可以篡改上报的系统参数,从而制造虚假的不稳定告警,或反过来掩盖真实的不安全运行,而这一类威胁在 DSGC 场景下此前几乎未被系统性研究。作者的核心思路是:只用干净的稳定运行配置来学习"稳定运行边界",而不依赖任何真实不稳定样本或攻击样本。具体做法是把每一个运行配置表示为一个"生产者-消费者星形图"(producer-consumer star graph),再由一个角色感知(role-aware)的图神经网络处理,从而显式建模发电侧与用电侧在拓扑中的不同语义角色。由于缺少真实的不稳定与攻击数据,作者通过扰动反应时间(reaction time)和价格响应(price response)参数来生成受物理约束的"伪负样本"(pseudo-negatives),以此替代不可获得的反例数据。模型最终输出单一异常分数,并仅在留出的稳定数据上校准一个统一阈值,不做任何面向具体任务或具体攻击类型的调参;凡是分数越界的上报配置,都不应被当作安全运行的证据,从而同时覆盖真实不稳定与未见过的 FDI 操纵。实验在九个未见的 FDI 场景上评估:对稳定配置上的攻击检出率为 0.780–0.973,对不稳定配置的攻击后不稳定召回率为 0.972–0.999,针对一个更强的自适应攻击者仍达到 0.899 的召回率。论文表明,仅基于稳定数据学习运行边界,即可在训练阶段完全不接触真实不稳定标签与攻击样本的情况下,同时支撑稳定性预测与攻击检测,弥合了此前稳定性分析与攻击检测之间的鸿沟。

该论文关注工业控制系统（ICS）威胁情报跨物理域复用的可靠性问题：为某一工厂记录的安全威胁（例如针对污水处理工艺的攻击手法），其蕴含的网络-物理效应有时可能对另一类目标（如配水系统）同样具有参考价值，但作者指出，仅靠语义相似度无法判定这些效应在目标系统上是否“结构上可准入”、是否“可评估”。为解决这一问题，论文提出 XPhysICS —— 一种来源可追溯（provenance-aware）、以目标为条件（target-conditioned）的方法。其核心设计是把流程显式拆成两段：一是由分析师主导的源端抽象（source abstraction），二是确定性的落地/匹配（deterministic grounding），后者将源端抽象映射到目标系统特化的验证切片（validation slice）中。在给定固定的源端抽象、词汇表与 schema，以及经过机器校验的目标契约（machine-validated target contract）的前提下，XPhysICS 使用五条准入判据来评估候选映射：角色兼容性（role compatibility）、已实现类型兼容性（implemented type compatibility）、阶段一致性（stage coherence）、切片可用性（slice viability）以及规则面适用性（rule-surface applicability）。方法学上的另一个关键贡献是明确提出若干必须相互区分的“证据层”：落地被接受、切片充分性、动态可实现性、消费方适用性以及消费方最终结果，作者强调不能把这些层次混为一谈。实验方面，论文在 83 个结构化源威胁抽象上开展评估，覆盖水处理、配水、水-能（水电/水能耦合）以及化工过程四类目标；受控的目标侧研究包括 SWaT→水处理、WADI→配水两组落地，产生了干净（clean）、被标称工况混淆（nominal-confounded）以及接近阈值（near-threshold）三类消费方结果；另有九个 Hydro/GRFICS 案例扩展了有界验证切片的执行。论文还评估了有界预测型、状态感知型和相位感知型三类消费方通道，未修改的上游 GeCo 实现，以及一个基于论文复现的物理引导搜索方法在三个冻结落地上的表现。总体结论是：跨域 ICS 威胁复用需要可追溯的源端语义、显式的目标条件化落地判据，以及对后续目标侧证据的谨慎分层处理。

MimicSat 是一套面向小型卫星系统与网络安全研究的可重构网络-物理（cyber-physical）实验平台。论文指出，当前卫星安全研究面临一个共性难题：攻击、故障与防御响应带来的影响，究竟如何从单个子系统行为的变化，逐级传播并最终影响任务（mission）层面的结果，很难在同一受控环境中被系统性地观察与对比。MimicSat 的设计正是为解决这一问题——它以可控的航天器网络安全研究为动机，把'任务'定义为航天器与地面协同达成既定目标所需的全部活动，把'实验'定义为一个或多个任务运行（mission run）的组合，用于研究特定条件或干预措施的效果。 在架构上，MimicSat 同时提供基于软件和基于硬件的两套执行环境。两套环境实现相同的任务功能与数据交换接口，但允许其中某些具体功能以不同方式实现（例如一部分走仿真、一部分走真实硬件），从而既能保证实验的可重复性与可控性，又能引入真实硬件的物理特性。平台通过一份共享的任务定义（shared mission definition）在不同执行环境之间保持遥测与遥控（telemetry / command）语义的一致性，避免因环境切换而重新定义任务上下文。此外，平台采集的观测数据会保留来源信息（provenance），即记录数据由哪个参与者、经过哪条采集路径获得，使实验结果具备可追溯性。 由此，研究者可以在不重新定义周边任务逻辑的前提下，跨不同执行配置对比任务行为，例如对照纯软件仿真与引入硬件后的差异，或对照正常运行、注入攻击、注入故障与施加防御措施等不同条件下的结果。论文对外介绍了 MimicSat 的架构原则、软件与硬件两种执行形态以及二者的集成运行方式，并说明了该平台除网络安全外还可支持卫星系统工程、任务运行、韧性（resilience）研究等相关实验场景。总体而言，其核心贡献是提供了一个统一、可重构、语义一致且可追溯的实验基础设施，把卫星子系统级扰动与任务级后果之间的因果链变成可观测、可对比的研究对象。

本文关注智能农业（特别是奶牛养殖）中的网络安全问题，提出并建设了一个专门用于研究智能农场安全性的测试平台（testbed）。随着现代精准农业和农业科技的发展，农场正逐渐成为典型的网络物理系统（CPS）：现代奶牛场配备了用于动物监测的物联网（IoT）设备以及全自动挤奶厅。然而，现有网络安全研究往往聚焦于能源、供水、制造等关键国家基础设施（CNI），对农业食品供应链的安全关注不足。作者指出，针对农场的网络攻击可能影响食品供应、降低农民收入，并损害动物福利。由于缺乏真实可信的测试环境，安全社区对农用技术（agritech）设备的安全性研究十分有限。为此，本文详细描述了面向乳制品行业的智能农场测试平台的设计过程，包括系统架构、硬件与软件组件、网络拓扑等，并总结了在设计与构建过程中遇到的挑战和获得的经验教训。此外，作者还提供了对测试平台内设备与软件进行初步安全分析的一些早期结果，展示了可能存在的攻击面。最后，文章讨论了未来研究方向，包括如何扩展测试平台、开展更深入的安全评估以及开发针对智能农业的检测与防御方法。该论文的主要贡献在于填补智能农场测试床缺失这一空白，为后续研究者提供了可复现的实验基础设施，并为理解农业CPS中的安全威胁奠定了基础。适合智能农业安全研究人员、CPS安全工程师以及关注食品供应链安全的蓝队成员阅读。

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。

本文针对现代车辆作为网络物理系统，可能包含对事故重建、犯罪调查、保修分析和网络安全事件响应有价值的数字痕迹，但数字车辆取证（DVF）相较于计算机、移动和云取证仍不成熟，因为相关数据分布在各车载组件、移动设备、制造商后端、第三方服务和物证中。论文通过对学术文献、标准和实践资料的梳理，进行了结构化综合。首先，将DVF定义为在安全、法律、隐私和取证妥当性约束下，对车辆相关数字证据进行识别、保存、获取、验证、解释和报告。其次，形式化了DVF分类问题，即根据易失性、可访问性、安全性、完整性和授权约束来选择和相关联证据来源。第三，从文献和案例中推导出八个特征：多用户、大规模联网、网络物理系统、组件间依赖、功能性数据、安全影响、可访问性和有限抽象。最后，增加了对抗视角和基于特征的分类流程，帮助调查者优先考虑证据来源，同时记录假设、局限和失败情况。贡献在于提供了一个可复现的概念框架，用于理解、规划和沟通DVF调查，而非算法性能主张。

本文提出了一种名为GTI-mSEMP（博弈论集成改进型多无线传感器流行病恶意软件传播）的框架，用于模拟异构、资源受限的赛博物理网络中恶意软件的传播，并明确纳入攻击者与防御者之间的策略博弈。传统的流行病学模型通常将安全防御视为静态参数，无法捕捉攻防双方的不对称机动行为。该框架整合了博弈论，将攻击者和防御者的策略选择纳入恶意软件传播的动态过程中。论文分析了三种不同的运行模式：平衡对抗（Balanced Matchup）、利用激增（Exploit Surge）和硬化防御（Hardened Defense）。通过数值仿真，展示了易感（Susceptible）和恢复（Recovered）节点种群数量的实时瞬态变化，揭示了当防御或进攻缩放向量具有效率优势时，流行病曲线的偏移情况。该数学模型和数值框架为在高对抗网络环境中评估动态恶意软件传播并预测局部节点种群状态提供了严谨的基础。

该研究探讨了在物理网络系统（包括网络入侵和无人机）中，如何利用图神经网络（GNN）辅助网络安全和无人机管理。作者提出了一种集成流程，使入侵检测系统能够学习底层网络结构，识别恶意活动，并促进无人机响应措施。基于模拟案例研究，创建了网络攻击模型以触发无人机响应，结果表明基于图的学习有助于态势感知、群体协调和自适应机动。性能评估显示，该方法检测率达到94.2%，平均ROC曲线下面积（AUC）为0.955，平均响应时间为1.4秒。对比实验表明，所提出的GraphSAGE网络在同一情况下比图卷积网络（GCN）和图注意力网络（GAT）更有效。研究发现证明图神经网络可用于动态网络物理系统的入侵预防和响应。

该论文提出 REPOSE，一个分析框架，用于在弱硬实时控制系统中量化安全代价。现有物联网边缘设备的安全机制通常是设计时参数化，以机会主义方式运行，导致可能完全跳过安全任务；或者为每个任务添加安全机制，造成性能大幅下降。REPOSE 针对弱硬实时控制系统，允许在安全性与安全性之间进行“有限权衡”。它基于任务的当前行为，以主动和被动两种方式执行安全操作，避免设计时的悲观开销。实验表明，在80%利用率下，REPOSE 的可行性开销仅为0.06%，而硬约束系统开销为29%。通过经典控制系统的案例研究，展示了该框架能够分析和计算安全-安全性权衡。适合对实时系统安全、工控安全感兴趣的研究人员阅读。

本文是一篇关于6G赋能信息物理系统（CPS）安全的综述论文。6G网络将连接数十亿CPS设备（如自动驾驶汽车、智能电网、工业机器人和远程手术设备），这些设备运行在超可靠低延迟切片上，使得远程入侵与物理伤害之间的时间差缩短至毫秒级，传统边界防火墙和集中式安全运营中心无法满足需求。论文将6G CPS安全重新定义为一种闭环、AI原生流水线，在MEC层进行感知，利用分钟级的呼叫详细记录（CDR）进行基线学习，以及亚毫秒级的RAN/O-RAN遥测数据用于延迟关键路径；通过压缩深度模型在本地决策，通过SDN、NFV和O-RAN控制器实现网络范围的缓解，并通过联邦学习（FL）和数字孪生（DT）回放进行重训练。论文形式化定义了每个切片在感知、检测和缓解阶段的有界延迟契约，并在切片相关的尾部百分位数（对安全关键的URLLC切片为p99）上强制执行。系统性地整理了128篇同行评审研究（2017-2026），遵循PRISMA 2020协议，主要贡献包括：(i) 将6G/CPS威胁面映射到MITRE ATT&CK和CDR可观测特征空间；(ii) 统一了跨12个数据集以及统计、图和Transformer模型的边缘异常检测和DDoS分类；(iii) 将SDN/NFV/O-RAN原语综合成一个闭环参考架构；(iv) 将FL、大语言模型（LLM）、DT、后量子密码（PQC）、零信任架构（ZTA）和可解释AI视为跨领域使能因素而非独立支柱；(v) 将开放问题归纳为数据、延迟、信任、标准化和评估五个方向。适合安全架构师、网络运营商及6G安全研究人员阅读。

本文研究了针对信息物理系统（CPS）中基于机器学习的故障检测与定位机制的后门攻击。CPS（如智能电网、工业自动化）依赖传感器、计算和控制器实时检测电压波动等故障并执行负载均衡。近年来，深度学习模型被广泛用于异常检测，但它们易受对抗性攻击。后门攻击中，攻击者向训练数据注入恶意模式，使模型在大部分时间表现正常，但遇到特定触发器时输出攻击者控制的结果。作者定义了在CPS故障检测场景下的后门威胁，设计了触发器生成方法，并通过实验验证了攻击有效性，即使只有10%的训练数据被投毒也能成功。论文的主要贡献在于系统性地将后门攻击引入CPS故障检测领域，并展示了其可行性，警示了AI驱动CPS的安全脆弱性。适合CPS安全研究人员、机器学习安全工程师阅读。

本文提出 HySecTwin，一种面向网络物理系统（CPS）的知识驱动数字孪生框架，旨在解决现有数字孪生方法在网络安全建模中缺乏语义推理能力的问题。HySecTwin 将自动推理置于实时威胁检测的核心，通过语义建模将异构的 CPS 遥测数据、设备属性和操作关系转换为机器可解释的表示，并结合嵌入式推理引擎对上下文化的系统状态进行操作。与黑盒检测方法不同，该框架集成确定性规则推理与混合模糊推理，从实时设备遥测中生成明确、可解释且可审计的安全评估。实验使用代表性 CPS 测试平台和基于 MITRE ATT&CK 活动的攻击场景，结果表明：孪生同步延迟低于亚毫秒，与仅使用确定性推理相比，威胁检测速度提升高达 21.5%。研究显示，语义建模、语义丰富和混合推理在不增加系统开销的情况下提高了可解释性和弹性。HySecTwin 提供轻量级、容器化、可扩展的框架，适用于关键基础设施中安全设计的数字孪生部署。