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。

该论文针对关键任务基础设施面临的网络威胁日益复杂化、攻击门槛持续下降的现状展开研究。作者指出，防病毒和防火墙等传统点状防护方案本质上是被动响应式的，难以应对现代攻击面所呈现的组合爆炸式复杂度。为此，论文结合并对比了两种互补的方法论：其一是洛克希德·马丁的 Vortex/Crow 框架，它在业界标准的网络知识图谱之上引入多智能体强化学习（MARL），用于识别攻击向量并对其以及对应的 TTP（战术、技术与程序）进行优先级排序；其二是阿尔托大学提出的概率攻击图模型，该模型将网络拓扑结构与其中存在的漏洞信息融合，计算出系统层面的风险度量指标。研究选取有完整公开记录的 2015 年乌克兰电网网络攻击事件作为验证场景。当两种方法论被独立应用于同一套运营技术（OT）网络拓扑时，二者所推导出的攻击向量与漏洞利用序列均与事件记录中记载的内容一致，从而形成相互交叉验证，说明这两类建模路径在真实 OT 环境中具备可信度。随后，作者通过节点级消除实验开展攻击图分析，结果显示工业控制系统（ICS）是攻击传播最关键、最核心的使能环节，应作为防御加固的最高优先级目标。论文还比较了 CVSS v2.0 与 IronMiner 两种漏洞评分方法，总体上二者结论一致，但 IronMiner 在网络边缘节点上能给出更具可操作性的区分度。最后，作者认为“基线评估加节点级消除”这一分层方法论可扩展到大型企业网络，为防御方在真实的时间与资源约束下提供了一条结构化、由 AI 赋能的缓解优先级排序路径。适合从事 OT/ICS 安全、攻击面管理与漏洞优先级排序的研究者与工程人员阅读。

该论文针对工业控制系统（尤其是关键水务基础设施）中联邦学习入侵检测的一个根本性缺陷展开研究：现有防御机制几乎全部在"模型更新空间"内运作（如 Krum、FoolsGold、Trimmed-Mean 等聚合规则），聚合服务器只能看到客户端上传的参数向量，无法判断这些更新究竟来自真实运行遥测还是伪造数据。因此，攻击者只要伪造出看似合理的运行数据并据此训练本地模型，其上传的更新在统计上与诚实客户端的更新难以区分，形成"数据投毒"盲区。作者提出一种"物理认证的联邦学习"（Physics-Attested Federated Learning）范式：把原本用于运行时异常检测的赛博-物理过程不变量（例如质量/能量守恒定律、执行器与传感器之间的耦合关系）重新利用，改造为联邦更新的"准入条件"。这些不变量从干净的运行数据中自动挖掘得到，客户端提交的更新必须通过不变量一致性检查才能被聚合。作者在两个物理水务测试床 SWaT、WADI 以及一个配水基准数据集 BATADAL 上，针对七种聚合规则，评估了三类攻击：遥测伪造、仅暴露型重放投毒、以及感知不变量的自适应攻击者。实验显示：挖掘出的不变量对 100 个诚实分片全部接纳（零误拒），并拒绝所有朴素伪造分片，包括 FoolsGold 会完整接纳的优化扰动样本；在真实遥测上，5 条不变量可检出 SWaT 35 次攻击中的 12 次，9 条不变量可检出 20 次，且不拒绝任何诚实分片；配合 9 条规则，物理门控在五种标准聚合器上分别恢复了因重放投毒而损失的目标攻击召回率的 69%–100%，以及因遥测伪造而损失的 54%–100%。为兼顾物理准入控制与联邦数据隐私，作者进一步使用零知识证明（zk-SNARK）让客户端在不泄露运行遥测的前提下证明其批次数据满足不变量约束。论文视角偏重机制设计与实验评估，适合联邦学习安全、ICS/OT 异常检测与隐私计算方向的研究者与关键基础设施安全工程师阅读。

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。

该论文针对运营技术（OT）/工业控制系统安全研究中长期存在的一个基础性痛点展开：入侵检测与异常检测模型的训练和评测高度依赖真实、可复现的安全数据集，但现有 OT 数据集普遍存在采集过程自动化程度低、数据源单一、文档与元数据不足导致难以复用等问题。作者提出 ISIA-AF——一个模块化的攻击编排与数据采集框架，目标是在工业系统上以可重复、可控制的方式执行攻击流程，并同步自动生成多源安全数据集。框架的核心设计包括：集中式的编排控制端，用于协调分布在多个网段上的攻击客户端；在攻击执行过程中同步记录网络流量与工业过程的运行数据；最终将上述来源汇聚为结构化、带元信息的多源数据集。方法论上，作者先从前人研究与利益相关者访谈中推导出一组功能性需求（如攻击任务编排、多源同步采集、数据标注）与非功能性需求（如低通信开销、可扩展性、跨网段部署能力），再遵循设计科学研究（Design Science Research）方法完成框架实现与迭代评估。验证方面，论文在 ISIA 测试床上开展案例研究，该测试床同时包含真实工业硬件设备与软件模拟的工艺流程。案例结果表明，框架能够实现集中化控制、保持较低的通信开销，并支持在网络分段环境中灵活部署各采集/执行节点。作者将最终成果定位为一种实用基础，用于持续生成可扩展、多源的 OT 安全数据集，从而支撑入侵检测方向的后续研究。需要注意的是，论文摘要未披露具体的攻击类型、协议覆盖范围、数据集规模与统计特征，也未给出与传统数据集构建方法的定量对比结果。

该论文聚焦工业物联网（IIoT）中传感器节点的安全关键性评估问题。IIoT 传感器依赖实时数据调控生产流程，一旦遭受网络攻击，可能同时损害数据可靠性与产品质量。既有研究要么仅从网络安全漏洞与攻击影响角度对节点排序，要么仅依据传感器数据对产品质量的影响评估节点关键性，缺乏将“数据关键性”与“安全脆弱性”统一量化的综合方法。为此，作者提出一种新框架，采用 Dempster–Shafer（D-S）证据理论融合两类异源证据：一是基于传感器数据对产品质量影响的数据关键性度量，二是基于 CVSS 的网络安全漏洞评分，从而输出综合的关键性排名。研究使用红葡萄酒生产数据集进行验证，表明该框架可有效对传感器节点排序。实验结果指出：分别采用 CVSS 4.0 与 CVSS 3.1 计算漏洞分数时，所得关键性排名存在显著差异，说明漏洞评估方法版本升级会实质性改变风险优先级。虽然案例来自葡萄酒制造，但框架只需少量修改即可迁移至更广泛的工业场景，为 IIoT 生产系统的安全加固与资源分配提供了可操作的风险排序思路。适合关注 OT/ICS 安全、资产关键性建模与风险评估的研究者与安全工程师阅读。

该论文关注电力配电网数字化带来的安全后果：工控与关键基础设施侧的网络暴露面扩大，而现有入侵检测系统（IDS）多依赖计算开销大的深度学习模型，难以在边缘侧部署；同时，为适应数据分布漂移而进行的周期性重训练，又使模型暴露于「机器遗忘攻击」（machine unlearning attack），攻击者通过有选择地删除或污染训练数据，可显著削弱检测性能。作者提出一种混合架构：以脉冲神经网络（SNN）承担时域特征提取，利用神经形态编码把时间序列（如同步相量测量）转成稀疏脉冲表示，再将对齐后的嵌入向量送入 XGBoost 作为轻量分类器。其关键设计是「一次训练、固化复用」——SNN 只在干净数据上训练一次，之后作为固定特征提取器不再更新，模型迭代时仅重训练 XGBoost 分类器，从而在结构上降低攻击者通过数据投毒影响特征表示的空间。在公开的真实电力系统数据集上评估：Synchrophasor 数据集取得 99.9% 准确率、F1-macro 0.999；MSU/ORNL 数据集取得 95.0% 准确率、F1-macro 0.943，均优于单模型基线。在选择性标签翻转投毒场景下，10% 投毒比例时混合模型 F1-macro 仅下降 0.9%，且将目标类别的性能崩塌点从 60% 投毒比例推迟到 70%，表明神经形态时域编码既能提供高精度的攻击检测，也能提升信息物理系统对数据投毒的鲁棒性。论文属方法论与实验评估类工作，适合关键基础设施安全、边缘侧 IDS 与鲁棒机器学习方向的研究与工程人员参考。

可编程逻辑控制器（PLC）在工业控制系统（ICS）中负责执行核心控制逻辑。随着 PLC 功能增强，其运行时环境越来越多地同时运行多个应用程序，这些程序共享对 PLC 变量的访问。然而，现有 ICS 防御机制主要关注变量值是否超出预期边界，以此检测恶意更新，并未考虑执行更新的应用程序身份。这种缺口导致恶意应用程序可以在正常范围内修改变量，从而逐步将物理过程推向不安全状态。即便此类操作被检测到，运营者也难以定位责任应用，因为 PLC 记录中不关联变量更新与具体应用。针对这一问题，本文提出 MARS（Multi-Application Runtime Security）框架，实现应用级授权与变量操作的归属。MARS 方法包括：首先在隔离的虚拟 PLC（vPLC）环境中对每个应用程序进行行为刻画，生成应用特有的变量访问策略；运行期间，利用影子 vPLC 模拟生产 PLC 的变量状态，通过比对生产 PLC 与影子 vPLC 的更新记录，将生产 PLC 上的每次变量更新归属到具体应用程序，而无需对生产控制器进行插桩；同时，MARS 还能检测仅在生产 PLC 上发生、影子 vPLC 无对应更新的操作，从而识别绕过模拟的攻击。作者在制造、化工和水处理三类 ICS 测试平台上评估了 MARS，模拟攻击由未授权应用在正常边界内操作变量。结果显示，MARS 能有效检测此类操作，并准确识别责任应用。论文核心贡献包括：提出应用级变量操作授权与归属的自动化框架；设计基于 vPLC 的隔离与影子机制，兼顾真实性与零插桩；实验验证了跨领域 ICS 场景的适用性。适合 ICS 安全研究员、PLC 安全工程师、工业控制系统蓝队成员阅读。

PLCBench 论文提出并实验验证了一个面向真实工业控制系统（ICS）的硬件在环（HIL）安全评估框架，重点研究自主大语言模型（LLM）代理能否将网络可达的可编程逻辑控制器（PLC）访问转化为持续的物理影响。现有评估大多聚焦于数字任务或 PLC 测试的单一阶段，在 ICS 环境中，若仅停留在软件利用、成功写入或工具访问层面，很容易误判实际的物理风险。PLCBENCH 首次构建了结合供应商原生交互、商业 PLC 执行、闭环降阶过程仿真和独立结果验证的综合性框架。它使用确定性评估器对运行记录、通信记录、PLC 对象和过程记录应用固定规则，分配六个隐藏诊断标志，从而区分可用 PLC 交互、过程关联操控和持续物理影响。作者在四个商业 PLC 与四个闭环工作负载的组合上实例化该框架，跨五个 LLM 家族完成了 240 次真实 PLC 实验。结果显示，75 个实验（31.3%）能够持续达成其物理目标；阶段分析表明，98 个实验在有效的原生读取之前就停止，62 个达到了过程关联写入但未能持续最终目标。此外，更丰富的过程观察与条件目标达成率从 44.2% 提升至 64.0% 相关。这些测量结果定位了配置型 PLC 过程部署中的失败环节，并为未来防御性评估标识出了干预点。论文还公开了可以安全披露的代码和纯软件复现管线，以确保可复现性。该研究为理解 LLM 代理对 ICS 的物理攻击能力边界提供了首个系统性实证依据。

本文针对工业控制系统（ICS）入侵检测研究领域对公开数据集的严重依赖现状，首次系统性地评估了现有数据集语料是否足以支撑当前的研究评估结论。作者对2019至2026年间发表的18项研究进行了元综述，从中识别、整合并描述了83个ICS或与ICS直接相关的网络安全数据集，并利用统一的五维分类法对其进行了刻画。分析揭示出该数据集语料存在显著的结构性偏差：85.5%的数据集集中于攻击链后期的OT（运营技术）破坏战术，仅8.4%包含跨IT/OT的阶段性递进序列，Purdue模型第0层（现场设备）的证据数据几乎完全缺失，而来自真实运营环境的数据仅占全部数据集的15.7%。同时，对评估实践的并行审计显示，没有任何研究报告使用流式（在线）评估，不到一半的研究采用了规范的训练/测试集划分，仅有两项研究满足可复现性要求。进一步的分类-评估耦合分析表明，数据集的失衡限制了多种评估实践的范围和可行性。基于上述发现，作者指出了三类结构性失衡：架构浅层化（缺少底层现场设备数据）、阶段推进压缩（忽略跨阶段攻击序列）、跨域替代（使用非ICS或模拟数据替代真实运营数据），并据此提出了一套协调的研究议程，涵盖跨阶段语料构建、时间结构化的基准测试、事件级标签标准以及运营数据共享的治理框架。本文适合ICS安全研究人员、数据集构建者以及入侵检测评估方法学研究者阅读，为理解和改进ICS安全数据生态提供了系统性的参考依据。

这篇 arXiv 论文研究了工业控制系统（ICS）中基于机器学习的异常检测模型在训练数据被污染情况下的鲁棒性问题。研究背景是：现有研究大多假设异常检测器的训练数据是可信的，但在实际工业环境中，训练数据可能因日志被篡改、标注错误、历史数据库记录被操纵或不当的模型重训练过程而受到污染。作者以 Secure Water Treatment (SWaT) 基准数据集为实验对象，系统评估了 11 种异构异常检测器在训练阶段数据污染下的表现。污染策略分为三类：随机注入（random injection）、相似性目标注入（similarity-targeted injection）和特征噪声注入（feature-noise injection）。前两类是在正常训练样本中混入攻击样本，第三类则是对选定的正常训练样本添加有界高斯噪声。这些方法属于基于污染的投毒，而非基于梯度的攻击。论文在统一的离线评估协议下，使用清洁的验证集和测试集，考察了 1% 到 10% 的污染预算对检测性能的影响。结果表明：检测器的鲁棒性高度依赖具体模型，无法仅从清洁数据上的表现来预测；基于注入的污染（尤其是随机注入和相似性注入）对局部密度类和距离类检测器（如 LOF、kNN 类）造成最严重的性能下降，而特征噪声污染的影响相对有限。相比之下，PCA、SVM、HBOS 和 IForest 在污染下保持相对稳定，经过调优的神经网络检测器则表现出中等鲁棒性。研究结论强调了训练数据完整性在基于机器学习的 ICS 监控中的重要性，但其发现受限于所评估的数据集、模型和威胁假设。该研究适合 ICS 安全研究人员、ML 系统可靠性工程师以及工业安全运维人员阅读，有助于理解实际部署中数据污染对异常检测系统的潜在影响。

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。

本文提出一种名为BGA（Bidirectional Gated Attention）的抗噪神经蒸馏框架，用于在高熵加密流量（如TLS 1.3）中提取恶意签名。研究动机是：在加密流量中，随机性强的密码学噪声会稀释注意力机制对关键控制面特征的关注，导致恶意行为检测效果下降。为此，BGA框架采用以下核心技术：首先，使用方差分析（ANOVA）将具有高判别力的控制平面特征（如工业设定点）与随机密码学噪声解耦；其次，针对87868条流记录中存在的极端类别不平衡问题，引入带梯度惩罚的Wasserstein GAN（WGAN-GP），通过强制1-Lipschitz约束生成高保真少数类样本，使罕见恶意状态注入（MSCI）攻击的检测召回率提升43.2%；再次，BGA核心网络结构集成双向长短期记忆（BiLSTM）用于提取时间依赖关系，并提出自适应门控多头注意力机制，该门控单元作为神经滤波器，动态抑制加密伪影并放大恶意签名。在CIC-IDS-2018和Edge-IIoT基准上，BGA在各项关键指标上均超过95.2%的性能上限。噪声注入压力测试表明，BGA的结构鲁棒性优于普通Transformer，性能裕度高8.57%；其超低推理延迟为0.2820毫秒（按ARM理论扩展估计为1.6920毫秒），表明在异构工业边缘网关上具有实时部署潜力，并为未来硬件实现提供了有前景的架构基线。本文适合工业控制系统安全、加密流量分析、入侵检测系统及边缘计算安全方向的研究人员阅读。

本文提出 LogicFuzz，据作者称这是首个专门针对可编程逻辑控制器（PLC）固件中逻辑指令库进行模糊测试的框架。PLC 广泛用于工业自动化，其逻辑指令库由供应商提供并编译进设备固件，若存在安全缺陷，可能被物理控制程序、网络服务或运行时子系统利用，导致权限绕过、内存破坏或数据泄露。现有模糊测试方法多关注协议或通用固件，难以有效覆盖 PLC 指令的语义依赖和触发条件。LogicFuzz 的核心创新在于构建语义依赖图（SDG），该图同时刻画 PLC 指令的操作语义和指令间依赖关系。结合使能信号（enable-signal）机制，LogicFuzz 能够自动合成针对特定指令的种子程序，显著减少人工构造测试用例的工作量，并支持在真实 PLC 硬件上进行可控、可重置的模糊测试。为了发现由控制流触发（即调用模式）的缺陷，LogicFuzz 通过变异 SDG 来多样化指令调用上下文；为了暴露由数据触发的故障，则在有效语义约束下进行覆盖率引导的参数变异。此外，LogicFuzz 集成了多源 oracle，通过监控运行时日志、状态 LED 和通信状态来检测模糊测试过程中指令级别的异常。作者在来自三家主要厂商的六台生产型 PLC 上进行了评估，共发现 19 个指令级缺陷，其中包含 4 个先前未知的漏洞。该研究对 PLC 安全测试、工业控制系统安全研究以及固件漏洞挖掘具有参考价值。适合关注 ICS/SCADA 安全、模糊测试方法、PLC 固件分析的读者阅读。

本论文对两种旨在对乌克兰电网实施停电的恶意软件进行了深入分析。研究者设计并实现了一种新型沙箱环境，该沙箱能够模拟变电站中的各类网络拓扑、设备特性和通信协议，从而安全地执行专门针对变电站设备的恶意代码，并详细记录攻击者在变电站设备上可能执行的精确操作序列。通过对恶意软件的动态分析，论文揭示了此前未被记录的恶意行为，例如对MMS（制造报文规范）协议载荷的详细算法还原。此外，论文还探讨了未来类似恶意软件可能造成的不同影响，通过比较攻击不同目标（如断路器、保护继电器等）所产生的物理后果，说明攻击目标的差异会直接导致不同程度的电网扰动或停电范围。该研究的主要贡献包括：首次公开了Industroyer类恶意软件在IEC 61850环境下的具体协议交互细节；提供了一套可复用的沙箱仿真框架用于工控恶意软件分析；以及从攻击者视角系统化阐述了工控系统攻击的潜在影响路径。适合工控安全研究员、电力系统防御工程师及威胁情报分析师阅读。

本文提出 IstGPT，一种基于大语言模型（LLM）和图神经网络的工业系统异常检测工具。工业互联网系统面临复杂的 ICS 攻击，现有工具难以实时检测传感器与执行器之间的复杂依赖关系。IstGPT 首先利用工业多模态知识（包括运行数据、技术文档和系统图），通过多阶段提示工程提取传感器-执行器依赖图；然后通过 LLM 优化迭代改进图的节点准确性、边一致性和逻辑连贯性；最后，集成了改进的图神经网络与编码器-解码器架构，通过重构误差检测异常。在 9 个数据集（2 个公共、6 个模拟和 1 个真实机器人手臂数据集）上与 12 个基线对比，IstGPT 在 F1 分数和新的时间感知指标 eTaF1 上均取得最佳结果。文章还讨论了在真实工业场景中部署的可行性。

本文研究AI辅助自动化扫描工具对互联网背景流量的影响，特别是对工业控制系统（ICS）和工业物联网（IIoT）入侵检测系统（IDS）基线假设的挑战。研究者利用Merit ORION网络望远镜收集的2021年和2025年两个时间节点的192百万被动暗网数据包，构建了模块化分析流水线，计算平均数据包速率、全局香农熵、到达间隔时间（IAT）突发性、地理归属以及针对关键工业协议的目标端口分布等指标。结果显示，ICS相关端口的流量占比在四年间从0.82%上升至1.51%，且具有高度分布式但有精准目标的特点。突发性分析进一步发现现代僵尸网络采用微步进（micro-pacing）行为（1ms-100ms延迟），以平滑总体流量并规避基于阈值的检测。在模拟的基于异常的IDS中，这些规避技术导致97.47%的现代僵尸网络流量未被检测到；作为补偿，增加灵敏度后误报率高达68.10%，揭示了OT环境中严重的可见性和告警缺陷。该研究为ICS/IIoT安全防御策略提供了重要实证，建议安全从业者重新评估现有IDS的阈值设定，并探索基于行为模式的新型检测方法。

本文研究了BACnet协议中隐式保留字段（implicitly reserved fields）的安全性问题。BACnet（Building Automation and Control Network）是楼宇自动化和控制网络中广泛应用的标准协议，用于暖通空调、照明、安防等系统的互操作。作者发现，BACnet协议规范中定义了一些保留字段，这些字段本应被忽略或设置为零，但实际实现中，不同厂商的设备对这些字段的处理方式不一致，可能导致安全漏洞。通过逆向工程和实际测试，作者揭示了攻击者可以利用这些保留字段注入恶意数据、绕过访问控制或实施拒绝服务攻击。具体地，论文提出了“BADnet”攻击方法，能够利用保留字段的歧义性破坏BACnet设备的正常通信。实验在多个商用BACnet设备上进行，验证了攻击的有效性。本文的主要贡献包括：首次系统分析BACnet保留字段的安全风险；提出并实现了BADnet攻击框架；为BACnet协议的安全增强提供了建议，如明确保留字段的处理规范和增加完整性校验。该研究对于工业控制系统安全、特别是智能楼宇安全具有重要参考价值。由于本文仅为arXiv预印本，未提供实验复现细节，故置信度设为abstract_only。