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。