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。

本文针对工业物联网（IIoT）环境中的数字取证（Digital Forensics, DF）挑战，提出了一套专门设计的十二步取证流程（Twelve-Step Process, TSP）。研究背景是IIoT在制造业、医疗、交通等关键基础设施中的广泛部署，带来了设备异构性强、数据规模大、环境动态复杂等新问题，而传统数字取证方法论难以有效应对。论文首先阐述了IIoT在工业生态系统中的重要性，并分析了现有DF方法在应对这些新型环境时的不足。核心贡献是给出一个从取证准备（forensic readiness）到调查结束（investigation closure）的完整流程，每一步都强调潜在数字证据（Potential Digital Evidence, PDE）的可靠收集、分析和法律合规性，以提升证据在法庭上的可采性。该流程旨在为IIoT事件提供系统化的调查框架，弥补传统方法在可扩展性和异构性方面的缺陷。本文适合数字取证研究人员、工业安全工程师以及负责关键基础设施事件响应的从业者阅读。由于仅基于摘要，具体各步骤的技术细节和实验验证未详细呈现，但提出的框架具有很强的实践导向意义。

该论文研究了轻量级机器学习模型在工业物联网（IIoT）入侵检测中的跨域泛化失败问题。虽然轻量级模型因其适合资源受限的边缘部署而被广泛提出，但大多数报告的结果仅在训练网络内评估，未验证其在未见网络上的表现。本研究在一种IIoT数据集上训练了四种轻量级架构，并使用跨三个数据源共有的特征表示，在另外两个结构不同的IIoT数据集上进行零样本评估。对两个最优模型的解释性分析显示，它们都过度依赖粗粒度的端口类别特征：最影响决策的端口类别在源域攻击流量中的出现频率是目标域的96至435倍，这表明粗化端口分辨率只是将已知的捷径（shortcut）从一个位置移动到另一个位置。此外，在自然不平衡的类别分布下，评估协议的不同选择会逆转两个目标域中哪个域泛化挑战更大的结论。研究还评估了对抗鲁棒性和通过有限目标域暴露的恢复能力：对抗扰动的鲁棒性与跨网络泛化无关，而通过自适应恢复的效果因架构而异。这些发现表明，部署准备度应基于真实类别分布下的跨网络评估，而非仅依赖域内准确率。

该论文提出CITADEL，一种基于信道状态信息（CSI）的轻量级两级分层流水线，用于工业物联网（IIoT）网络中的干扰检测与分类。无线射频干扰对IIoT网络的可用性构成严重威胁，但现有方法要么依赖粗糙的信号强度或跨层特征（信息量不足），要么需要原始I/Q基带数据（硬件和吞吐量要求高，难以在百节点规模部署）。CITADEL仅利用商用IIoT设备原生可获取的CSI测量值，实现了对已知攻击的闭集分类、对零日攻击的开集检测以及对抗逃避的鲁棒性。该工作首次将CSI签名用于端到端流水线。实验评估覆盖6种已知攻击类型和15种零日场景，CITADEL实现了100%已知攻击检测率和97.1%零日检测率，端到端误报率仅0.4%。在白盒与黑盒对抗威胁模型下，基于梯度的逃避率在所有测试扰动预算内低于2%，而最强的已发表CSI攻击生成器平均逃避率低于5%。与八种基线方法的系统比较表明，现有方法无法在CSI数据上同时达到检测、泛化和鲁棒性三方面的可比性能。完整流水线在边缘GPU上推理仅需14.2 ms、能耗95.9 mJ，证明其适用于大规模IIoT网络安全的实用价值。