该论文研究了智能家居环境中物理事件验证系统（EVS）的安全性。在智能家居中，当执行器（如门锁）状态改变时，会向IoT中心发送事件通知（例如“门已解锁”）。已有研究表明，事件通知容易遭受欺骗（spoofing）和掩盖（masking）攻击：欺骗攻击是指攻击者向IoT中心发送一个并未实际发生的虚假事件通知；掩盖攻击则是抑制一个真实发生的事件通知。这些攻击会导致执行器的物理状态与网络状态不一致，从而可能通过触发IoT应用间接控制安全关键型设备。为缓解这些问题，事件验证系统（或广义上的IoT异常检测系统）利用物理事件指纹，即事件与其对传感器读数的影响之间的关联关系。然而，智能家居中事件与传感器之间存在着复杂的物理交互，这些交互构成了事件指纹的特征。该研究发现，现有的EVS系统普遍忽略了这些复杂交互，这使得攻击者能够规避这些系统，成功实施事件欺骗和掩盖攻击而不被检测。论文的主要贡献在于揭示现有EVS在建模物理交互方面的不足，并可能提出更鲁棒的验证机制。该研究适合智能家居安全研究人员、IoT平台开发者以及安全运营分析师阅读，以理解当前防御的盲区并设计更完善的检测方案。

本文针对基于自编码器的网络入侵检测系统（NIDS）面临的对抗性逃避攻击问题展开研究。攻击者利用 PANDA 框架，将网络流量中的报文序列转换为可逆灰度图像，从而将在视觉领域开发的对抗样本技术迁移到网络领域，例如使用掩蔽快速梯度符号法（masked FGSM）生成对抗性流量。此类攻击能够操纵自编码器 NIDS 的异常评分，同时保持攻击语义不变，使得防御者难以区分良性流量和精心扰动的恶意流量。为此，作者提出了两种互补的检测器：一是残差定位检测器（Residual Localisation Detector, RLD），它在图像空间中跟踪报文到达间隔时间特征区域的重建误差空间集中度；二是特征空间扰动一致性检测器（Feature-Space Perturbation Consistency Detecter, FPC），它直接在报文特征空间的报文到达间隔时间特征上操作。实验基于 UQ-IoT 数据集的多个 IoT 设备流量，包括良性、恶意和对抗性流量。评估结果表明，两种检测器在检测对抗样本时均能达到接近完美的性能（真阴性率、真阳性率、精确率、召回率和 F1 分数均超过 0.99）。作者认为，将基于重建的评分与扰动一致性检查相结合，同时在图像空间和报文特征空间进行检测，为防御针对 NIDS 的 PANDA 式对抗攻击提供了一种实用的方案。本文适合从事入侵检测、机器学习安全以及对抗性机器学习的研究人员和工程师阅读。

本文针对汽车控制器局域网（CAN）中的电压入侵检测系统（VIDS）提出了一种规避攻击方法。CAN总线是现代汽车电子控制单元（ECU）间通信的核心，但由于资源限制缺乏网络安全机制，容易遭受ECU伪装攻击：攻击者ECU冒充合法ECU发送伪造消息。VIDS作为一种轻量级防御方案，通过测量每个消息在总线上的电压指纹来识别消息源，由于电压指纹源自ECU硬件特性，单个攻击者无法可控修改，因此VIDS能有效检测伪装攻击。本文研究的问题是：多个攻击者ECU协同是否可能绕过VIDS？作者提出了一种新型攻击方法，利用多个攻击者ECU同时发送消息，通过电压叠加效应在总线上产生与目标合法ECU电压指纹匹配的波形，从而规避检测。实验在真实汽车硬件和模拟环境中进行，评估了不同攻击策略的可行性。结果表明，在特定条件下（如攻击者数量、消息时序控制），攻击成功率可达较高水平。该研究揭示了VIDS的脆弱性，强调了在设计汽车入侵检测系统时需考虑多攻击者协同场景。主要贡献包括：提出第一个绕过VIDS的协同攻击方法；构建了攻击模型并证明可行性；为CAN总线安全检测提供了新的研究视角。适合汽车安全研究人员、ECU设计者及入侵检测系统开发者阅读。