该论文研究工业现场中 OPC UA 协议经由私有 5G 网络承载时的异常检测可靠性问题。背景是：OPC UA 越来越多地部署在私有 5G 之上，端到端加密使得基于网络的入侵检测系统（IDS）无法对载荷做深度检查，因此只能依赖从加密流量中提取的、与载荷无关的统计特征来做异常检测。问题在于，这类纯流量统计特征对良性连接行为变化同样敏感——例如用户设备在正常运维或移动过程中引发的连接重建、会话变动，会改变可观测的用户面（UP）行为，从而使检测器产生大量误报，抬高假阳性率（FPR），削弱 IDS 在真实生产网络中的可用性。作者提出的解决方案是“控制面（CP）感知的判决自适应”：针对四个已冻结（不再训练）的 IDS 模型，在用户设备级别采集 5G 控制面指标，据此构造一个时间性的 CP 上下文；在该上下文生效期间，使用一个在自适应验证数据上单独选定的 CP 专用阈值，而上下文之外仍沿用原有阈值。关键在于，流量特征、攻击评分、预处理流程以及已训练模型的参数都保持不变，改动仅发生在判决阈值这一层，因此方案可以叠加在既有检测流水线上而无需重训练。作者在一个真实的工业私有 5G 测试床上进行评测，结果显示：良性连接变化会使四个被评估模型的 FPR 全部上升，且误报在时间上集中出现在与控制面活动相关联的时段；引入 CP 感知的判决自适应后，全局 FPR 与 CP 上下文内的 FPR 均被降低，同时在“降低误报”与“在整个攻击活动中保持召回率”之间存在一个可配置的权衡。论文的结论是：控制面上下文能够在不重训练底层模型的前提下，提升加密流量入侵检测的运行可靠性。

工业控制协议（ICP）对于工业基础设施的可靠性和稳定性至关重要，但其安全性受到规范盲点（specification-blindness）瓶颈的根本性影响。现代模糊测试工具受限于基于观测的推理，难以深入协议状态或检测微妙的语义偏差。本文提出了AFL-ICP，一种自主模糊测试框架，开创了规范驱动的范式。AFL-ICP包含一个上下文感知的规范形式化流水线，可将复杂规范转换为严格的机器可执行语法。在此基础上，AFL-ICP利用大语言模型（LLM）实现自动化的协议适配和种子生成，从而以最少的人工工作快速扩展到新协议。此外，它还包含一个基于LLM的差分检查器，将实现输出与规范要求进行交叉引用，以检测现有模糊测试工具无法发现的细微语义和逻辑错误。作者实现了AFL-ICP，并在四种广泛使用的ICP（包括开源和闭源变体）上进行了评估。结果表明，AFL-ICP在覆盖率方面显著优于最先进的模糊测试工具，并发现了24个先前未知的漏洞，已获得受影响供应商（如FreyrSCADA）的确认。其中，识别出的漏洞包括16个语义和逻辑错误，这些错误可能悄无声息地破坏工业操作并降低服务可用性。本文适合工业控制系统安全研究人员、模糊测试工具开发者以及工控协议设计者阅读。