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。

该论文关注零信任（Zero Trust, ZT）架构在物联网（IoT）与信息物理系统（CPS）中落地时被忽视的一个关键矛盾：ZT 用显式、持续、上下文感知的授权取代基于边界的隐式信任，这对异构、生命周期长、远程连接的 IoT/CPS 组件尤为必要；但在 CPS 中，网络域与物理过程强耦合，一旦按常规 ZT 逻辑限制某个被判定为可疑的组件，虽然能降低网络暴露面，却可能同时切断维持物理过程正常运行所必需的遥测或控制能力，从而把网络风险的削减转化为物理安全风险。现有研究多聚焦于攻击本身造成的物理危害建模，较少讨论“执行限制动作本身”引入的后果。为此作者提出安全感知零信任（Safety-Aware Zero Trust, SA-ZT），核心思想是把限制措施引发的物理后果作为策略输入而非事后补丁。论文首先将 NIST 零信任原则映射到九类 IoT 与 CPS 融合带来的张力（convergence strains），并区分哪些是 IoT 场景放大的通用挑战、哪些是信息物理耦合特有的挑战，据此推导出对应的运行需求。在架构上，SA-ZT 在 NIST ZT 架构基础上扩展出两个组件：安全引擎（Safety Engine）与遥测代理（Telemetry Broker）。安全引擎在多个可容许的响应之间进行选择，联合评估残余网络风险与限制动作带来的物理后果；遥测代理则对原始遥测的可见性与对状态估计器的影响进行中介管理。配合命令侧的执行机制，这两个实体把“原始可见性”“自动化影响”与“改变状态的权利”三者分离，使得在实施网络遏制的同时仍保留必要的观测能力，但限制这些观测对自动控制回路的影响力。论文以 IEEE 30 节点系统在虚假数据注入攻击下的案例研究进行说明，展示了 SA-ZT 如何把网络遏制、遥测可见性与影响力、物理后果以及授权时机等要素显式化，从而给出一套可实现、可审计的“网络—物理”执行权衡表示。

城市行人计数系统如今为经济指标、城市规划与公共安全运营提供数据支撑，但这些系统之上的数字孪生普遍把输入计数流当作真值处理。本文研究该假设不成立时的后果，首次为城市尺度的行人感知场景形式化定义「隐蔽式虚假数据注入」问题。与电力网络、供水网络相比，行人传感中「潜在人流到观测计数」的映射秩亏缺程度更严重，攻击者更容易构造出符合系统模型、难以被传统残差检测发现的注入数据。作者构建的物理约束数字孪生：在行人街道图上估计有向人流，通过一个可学习的、图局部化的增益矩阵进行计数同化，并利用耦合「已计量路段」与「未计量路段」的流量守恒残差作为训练约束。检测器把同化过程的创新量(innovation)与该守恒残差联合使用，告警阈值并非人工设定，而是通过自适应保形校准(adaptive conformal calibration)动态确定，从而在不同场景下维持可控的误报水平。为量化物理约束带来的实际收益，作者定义了「攻击裕度」——在白盒攻击者直接针对孪生模型进行优化的情况下，估计流场最坏情况被污染程度的相对下降比例。在墨尔本六年真实数据上，单个设备被攻陷时攻击裕度达到 0.54；当车队中三分之一设备被攻陷时降至 0.19；而该路网中仅有 1.18% 的可步行路段装有计量设备，说明在低覆盖率下仍具备可观防御效果。消融实验进一步把街道图替换为距离图后，裕度骤降至 0.09，证明防御增益主要来源于流量守恒定律而非图局部性结构。适合数字孪生、城市感知、传感器完整性、虚假数据注入检测方向的研究者与负责智慧城市/SOC 平台的安全工程师阅读。

本文提出FDIFormer，一种无需特征工程的虚假数据注入攻击检测框架，专门针对基于IEC 61850 GOOSE协议的智能电网通信。研究背景：智能电网通过通信网络和智能电子设备实现自动化运行，但互联性增加使其易受网络攻击，其中虚假数据注入（FDI）攻击通过删除、修改或添加数据包操纵通信消息，尤其在IEC 61850变电站中，GOOSE消息负责传输关键保护和控制信息。由于恶意数据包与合法通信高度相似，现有检测方法严重依赖手动设计的协议特征，需要大量领域知识且泛化能力有限。核心方法：FDIFormer将GOOSE数据包序列转换为结构化文本窗口，捕获通信行为，然后利用预训练Transformer模型（如GraphCodeBERT、BERT和RoBERTa）直接学习攻击相关模式。评估使用QUT-ZSS-2023-GOOSE数据集，采用场景级三折交叉验证。结果：GraphCodeBERT达到0.595±0.122的MCC，与最强手工特征基线XGBoost（0.604±0.121）相当，比TF-IDF基线提高0.133。主要贡献：首次证明预训练Transformer表示可有效用于IEC 61850 GOOSE通信中的FDI攻击检测，无需依赖人工特征工程，为工业控制系统安全提供了新思路。适合安全研究人员、智能电网安全工程师和机器学习从业者阅读。

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。