本文提出了一种面向医院IT/OT融合环境的网络安全测试床，并扩展为数字孪生系统，用于网络攻击与防御分析。研究背景是现代医院日益依赖集成的信息技术（IT）和运营技术（OT）基础设施来支撑关键医疗服务，但IT与OT的融合显著扩大了网络攻击面，同时在实际运行系统上安全地验证防御机制非常困难。现有测试床多聚焦于孤立的IT或OT环境，无法真实模拟跨域医疗交互。本文构建的测试床包含中心服务器、电子健康记录（EHR）系统、基于SCADA的工业基础设施，以及隔离的IT、OT和DMZ网络区域。测试床支持受控的网络攻击执行、软件补丁评估，以及基于强化学习（RL）的防御智能体训练。进一步，测试床被扩展为数字孪生，通过日志和网络统计信息实时建模环境状态，并支持命令执行与容器生命周期编排，实现双向交互。在通信协议方面，采用Modbus/TCP和FHIR/HL7以模拟医疗与工业组件间的真实交互。实验评估表明，该测试床计算开销低，平均每容器归一化CPU利用率低于0.4%，多数轻量级服务低于0.01%；OpenPLC Modbus TCP操作的中位往返时延为0.901毫秒。测试床还成功捕获了一次从DMZ传播至IT和PLC网络的多阶段SSH攻击。该框架为将仿真环境扩展为硬件在环的医院数字孪生提供了基础。本文的核心贡献在于提供了一套能同时覆盖IT与OT、支持双向交互和实时监控的测试床与数字孪生架构，解决了现有设施无法反映医院跨域安全挑战的问题。适合医院安全架构师、工控安全研究人员、数字孪生及RL安全防御方向的研究者阅读。

该论文提出了一种基于数字孪生（Digital Twin, DT）的入侵检测系统（IDS），用于车辆动力总成控制器局域网（CAN）总线，旨在检测那些保持正常消息时序、频率或序列但操纵有效载荷的隐蔽攻击。现有CAN入侵检测方法主要关注消息时序或频率的异常，无法识别此类载荷操纵攻击。作者利用共享编码器LSTM构建数字孪生模型，对来自真实现代/起亚CAN日志的17个解码信号进行联合建模，在24步时间窗口内预测7个数值信号和2个分类挡位信号。检测机制基于预测值与实际观测值之间的残差，当残差超过校准阈值时将该时间步标记为攻击；同时采用自适应滚动机制保护数字孪生的输入历史免受持续污染。研究评估了四种攻击类型：平台攻击、连续漂移、伪装攻击和挡位伪装攻击，并与基于范围和合理性的基线方法对比。结果显示，数字孪生方法在所有攻击类型上均优于基线，对连续漂移的检测率达94.6%，对伪装攻击的检测率达89.2%，而基线几乎无法检测任何载荷伪造攻击。实验证明了学习耦合车辆动力学能够有效检测保持正常通信模式的隐蔽载荷操纵。但误报率高达39.6%，表明在持续攻击下系统鲁棒性仍需改进。该研究为联网与自动驾驶汽车的行为安全检测提供了新思路。

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。

本文针对网络应急响应中人工推断多阶段攻击耗时费力的问题，提出了一种层次化智能体响应框架。该框架融合了大语言模型（LLM）攻击推断、滚动规划（rollout planning）和数字孪生验证。首先，一个微调的LLM从安全告警和系统测量数据中推断攻击进展及受影响主机；随后，一个模拟企业网络的数字孪生重放推断出的攻击，并通过比对预测效果与实际观察效果的差异来校准推断结果。在战术层，另一个微调的规划智能体利用滚动规划方法对受影响组件进行优先级排序；在操作层，规划智能体提出高层级恢复动作，执行智能体将这些动作转换为恢复和验证命令，并在数字孪生中验证其有效性。框架在包含33个组件的企业网络测试台上，针对三个多阶段攻击场景进行了评估，结果显示其恢复成功率比前沿LLM基线高出18%至31%。该研究为自动化应急响应规划提供了新的思路，通过数字孪生验证提高了LLM决策的可靠性，减少了幻觉对响应操作的影响。

该论文针对当前事件响应（Incident Response）依赖安全运营人员按预定义剧本（playbook）手动执行，导致决策过程缓慢且劳动密集的问题，提出了一种基于大语言模型（LLM）的智能体化事件响应规划方法。现有自动化方案中，基于控制、优化和强化学习的决策理论方法虽具有坚实的理论保证，但往往局限于抽象模型，难以直接应用于实际运行系统；而基于LLM的智能体方法虽然可以利用安全知识生成响应计划，但过度依赖重复调用LLM，存在幻觉问题，导致规划可靠性不足和规划视野受限。为此，作者提出将决策理论规划与LLM生成的响应命令相结合的原则性规划方法。具体架构是：使用一种基于 rollout 的规划器（rollout planner）在战术层面计算高层响应策略，负责分配安全资源；然后通过一个轻量级 LLM 智能体在操作层面将该策略转换为可执行的命令。同时，论文引入数字孪生（digital twin）技术，既支持战术规划阶段的模拟仿真，也支持操作执行阶段的仿真运行。在三个攻击场景的实验评估中，该方法相比现有的前沿LLM基线，平均恢复执行时间减少了15.1%，恢复成功率提升了33.6%。论文的核心贡献在于融合了决策理论的稳健性与LLM的灵活性，并通过数字孪生桥接抽象规划与真实系统，从而提升了事件响应自动化的实用性和可靠性。该研究适用于关注安全自动化、LLM智能体及事件响应规划的蓝队人员、安全架构师和学术研究者。

本文面向无源码场景下的 AArch64 机器码漏洞检测问题，提出了一种基于数字孪生（Digital Twin）的可解释检测方法。传统二进制分析手段往往依赖符号执行或模糊测试，计算开销大且难以覆盖多步利用模式；同时很多现有工具只报告孤立的危险指令，无法给出完整上下文。该方法首先在虚拟机或模拟器中具体执行目标程序，记录寄存器、处理器标志、内存内容以及活跃分配块的完整状态，将每条指令转换为包含指令名称、操作数值和后指令状态的跟踪事件。漏洞模式被形式化为带测试的 Kleene 代数（KAT）中的符号规则，每条规则由事件序列和针对机器状态的谓词构成，因此可以表达跨多条指令的复杂行为。这些规则被编译成有限自动机，在扫描跟踪时无需调用 SMT 求解器，保证了效率。实验覆盖了三个典型 CWE：整数溢出（CWE-190）、空指针解引用（CWE-476）和堆缓冲区溢出（CWE-122）。系统在预定义漏洞样本上成功检出全部三类漏洞，且对安全样本不产生误报。每次检测结果均包含触发的规则、跟踪位置和具体状态数值，从而提供可复现、可解释的漏洞定位依据。其主要贡献在于：提出面向 AArch64 二进制程序的数字孪生跟踪模型，引入 KAT 规则表达漏洞模式，并设计了无需 SMT 的自动机扫描机制，显著提升了检测结果的可理解性。适合从事二进制分析、固件安全以及漏洞挖掘的研究人员与蓝队工程师阅读。

本文提出了一种面向开放数字孪生生态系统中可验证AI代理的神经符号化参与治理框架。研究背景是：随着大语言模型赋能的自主AI代理日益成为高价值决策支持系统的重要组成部分，在多机构、去中心化环境下，现有代理系统缺乏对身份、能力和策略合规性的强健验证机制，可能导致未授权交互和策略违规。核心方法包括：1）通过多层语义配置文件表示代理，将概率性神经推理与确定性制度治理桥接，实现可信的人机协作和有意义的人类监督；2）将代理能力锚定在正式领域本体上，使参与具备机器可解释、策略感知和上下文敏感的特性；3）由组织权威机构签发凭证，并通过基于区块链的智能合约验证，确保可审计的参与且不暴露敏感数据。作者使用一个包含诊所、数字孪生和可穿戴设备提供者代理的决策支持原型进行演示，结果表明该框架有效阻止了未授权交互并以可管理的开销强制执行机构策略。研究贡献在于提供了跨机构边界的可扩展、可信的人机协作治理路径。适合数字孪生、多代理系统、AI治理与安全领域的研究人员和工程师阅读。

该论文研究数字孪生（DT）系统中的隐蔽性磨损攻击。数字孪生作为工业4.0的关键技术，通过实时监控、仿真和精准控制物理资产，实现了数据驱动决策和运营优化。然而，这种物理与虚拟域的无缝交互极大地扩展了攻击面。论文提出一种基于深度强化学习（DRL）的新型隐蔽磨损攻击方法，攻击者通过策略性地隐蔽操纵控制信号，诱导目标关节产生额外扭矩，加速其磨损，同时逃避最先进的异常检测系统的监测。作者对多种强化学习算法（包括TD3、SAC、PPO和A2C）进行了基准测试，发现SAC在样本效率、稳定性和攻击有效性方面表现最佳。在UR10e工业机器人臂上进行的实验表明，该攻击能够显著提高目标关节的扭矩水平，导致加速退化和维护成本增加，且全程保持隐蔽。研究结果凸显了DRL驱动的攻击对数字孪生环境的严重威胁，强调了开发鲁棒防御机制以保护关键工业系统的紧迫性。

本文提出一种针对联邦强化学习（FRL）系统的安全防御框架SecAgg+，旨在保护安全关键的自动驾驶场景中的FRL模型免受投毒攻击。联邦强化学习允许多个智能体协同学习而不共享原始数据，从而增强隐私和可扩展性，但现存投毒攻击可通过注入恶意系统参数破坏全局控制模型，而这一漏洞在自动驾驶中尚未被充分研究。SecAgg+框架策略性地结合了数字孪生（digital twins）用于排练式学习（rehearsal-based learning），并利用历史聚合模型参数和选定的中心梯度，确保仅聚合良性数据，有效缓解恶意智能体的影响。文章提供了在投毒攻击下SecAgg+收敛性能的理论保证，并通过开发模拟真实高速公路环境的数字孪生进行实验，验证了该框架在对抗条件下对自动驾驶车辆控制的有效性。

本研究针对联网车辆（CV）面临的Sybil攻击威胁，提出了一种基于车载数字孪生（DT）的碰撞预警框架，该框架内嵌了Sybil攻击检测能力。Sybil攻击中，攻击者通过伪造多个虚假车辆身份来欺骗通信系统，可能引发安全事故。框架核心包含两部分：一是时序卷积网络（TCN），用于学习车辆轨迹数据中的时间依赖性；二是分层可导航小世界（HNSW）算法，用于基于相似性的高效分类，从而识别虚假车辆。通过实地实验收集真实Sybil攻击数据，框架在检测虚假车辆时达到0.984的准确率、1.00的召回率和0.944的F1分数。安全评估方面，该框架将接近碰撞事件的暴露时间均值（TET）和积分时间均值（TIT）分别降低了88%和72%。此外，真实环境可行性测试表明，框架满足安全应用标准允许的最大延迟，且运行负载在现代处理器容量范围内，证明了车载DT框架作为下一代CV的Sybil攻击缓解机制的潜力。

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。

该论文针对开放、非密的安全自主研究受限于无法接触实际作战平台、受争议通信基础设施和代表性对抗测试条件的问题，提出了一种面向威胁的数字孪生方法，用于对具备学习能力的自主平台进行网络安全评估。该方法被实例化为一套开源、模块化的数字孪生系统，模拟典型的自主堆栈，包含分离的感知、自主控制和监控功能；置信度门控的多模态感知；显式的指令与遥测信任边界；以及运行时保持安全的行为。贡献在于方法论层面：一个可复现的设计模式，将威胁分析转化为可观察、可控制的测试，针对欺骗、重放、畸形输入注入、降级感知和对抗性机器学习压力。虽然实现的代理基于地面平台，但架构有意围绕与无人机和空间系统共享的堆栈元素构建，包括受限的机载计算、间歇性或高延迟链路、概率感知和关键任务恢复行为。结果是提供了一个可实施的研究框架，用于无人机和空间领域的可靠且安全自主研究。