该论文研究了加密OPC UA流量中残留结构可观测性与攻击可检测性之间的关系。OPC UA加密会隐藏应用层语义，使得入侵检测仅能依赖残留的通信结构特征。尽管基于机器学习的入侵检测系统（IDS）能够检测加密OPC UA流量中的攻击，但残留结构可观测性与攻击可检测性之间的内在联系尚未被充分理解。为此，本文提出一个解释性框架，该框架整合了结构可观测性轮廓、结构泄漏分数（SLS）、受控的家族内与跨家族比较、阶段特定分析以及维度消融分析。框架利用Jensen-Shannon散度来表征传输、时间和协议生命周期三个维度的特征，并通过SLS汇总残留结构的整体幅度。在工业私有5G测试平台上，针对四个攻击家族进行了评估，每个家族包含逐步减少的正常活动。实验结果表明，SLS通常能够跟随家族内召回率的变化趋势，但无法复现跨家族的可检测性排序。进一步的解释需要结合时间普遍性、突发间持久性、预测效用、独特贡献和冗余性等因素。该框架通过将检测结果与可观测结构证据的幅度、时间分布和预测角色联系起来，补充了传统IDS评估指标的不足，为理解加密流量下的攻击检测提供了新的视角。

该论文针对无人机蜂群网络中的入侵检测问题，提出了一种基于联邦学习（FL）与知识蒸馏（KD）的轻量级入侵检测系统（IDS）。无人机蜂群在监视、灾难响应等关键任务中广泛应用，但其开放通信信道和有限计算资源使其易受网络攻击。传统的机器学习方法需要收集所有异构无人机的数据到中心服务器处理，不可行且存在隐私风险。联邦学习提供分布式解决方案，但现有FL-IDS框架面临通信和计算开销大的挑战。作者采用深度神经网络（DNN）结合知识蒸馏来降低模型复杂度和通信成本，同时保持检测性能。在Raspberry Pi 4设备和真实无人机网络数据集上评估，该方法实现了约98.6%的检测准确率，同时降低约70%的通信开销和29%的计算开销。结果表明，FL与KD结合是资源受限无人机网络中安全高效部署的实用方案。论文适合无人机网络安全研究人员、联邦学习应用开发者以及物联网安全从业者阅读。

本文提出了一种基于可解释人工智能的入侵检测系统（XAI-IDS），旨在解决传统基于规则的入侵检测系统效率低下、规则更新滞后以及纯AI驱动系统决策过程不透明、误报率高的问题。XAI-IDS通过集成可解释的深度学习模型，利用树正则化技术将复杂神经网络模型转化为高效、透明的决策树，从而在保持检测精度的同时实现实时检测和可解释性。在两个基准数据集上的实验结果表明，XAI-IDS在检测准确率、误报率以及实时性方面均优于传统方法和现有AI方案。该研究为网络安全领域提供了一种兼顾性能与可解释性的入侵检测新范式，特别适用于需要快速响应和透明审计的场景，如企业内网防护和工业控制系统安全。

本文针对工业控制系统（ICS）中信息技术（IT）与操作技术（OT）融合带来的多阶段网络攻击威胁，指出现有基于溯源（Provenance）的入侵检测系统（PIDS）虽然在IT环境中有效，但在工业信息物理系统（CPS）中应用受限，主要原因在于缺乏同时捕获主机级因果行为、工业网络语义和物理过程状态的数据集。为解决这一问题，作者设计并实现了一个开源、硬件在环（HIL）的CPS测试床，该测试床复制了工业化学反应器控制架构，跨越Purdue模型各层。基于该测试床，提出了ProvICS——一个专为CPS入侵检测构建的多模态溯源数据集。该数据集同步采集四个数据流：来自监控主机和资源受限PLC的完整系统溯源图、解码后的Modbus深度包检测记录，以及物理过程遥测数据。数据集包括48小时的正常阶段和22小时的攻击阶段，覆盖4个攻击战役、20种ICS ATT&CK技术和32个攻击事件，攻击类型涵盖侦察到物理过程操纵。对比分析表明，ProvICS是少数几个同时具备多主机内核级溯源、真实PLC硬件在环执行、解码Modbus流量、物理过程状态测量和原始PCAP踪迹的ICS/CPS基准数据集。基线检测实验验证了跨模态融合能够检测所有32个标注攻击事件（F1=0.913，假阳性率=1.40%），证明该数据集能够暴露跨模态的互补攻击信号，填补了先前基准的空白。

该论文研究了在云-边缘安全分析中，联邦学习（FL）用于入侵检测时的客户端选择问题。在生产环境中，由于带宽异构、掉队者和掉线等问题，服务器可能依赖过时的客户端信息，影响检测的时效性和鲁棒性。作者将客户端选择建模为时效感知的系统问题，引入“信息年龄”（Age of Information, AoI）概念，并提出了三种轻量级策略：AoI优先、效用优先以及混合AoI+效用规则（带可调权衡参数）。在CIC-IDS2017 DDoS/PortScan子集、NSL-KDD、ToN-IoT以及合成漂移基准数据集上，分别针对干净、投毒和投毒加鲁棒聚合设置进行实验。结果表明，与随机采样相比，AoI感知选择平均降低约39-41%的平均AoI和约70%的峰值AoI，同时保持固定的每轮通信预算。混合策略通常能维持Macro-F1/AUC，并提供可解释的旋钮来平衡新鲜度、检测质量和鲁棒性，但在加入误报率指标后并非严格Pareto最优。鲁棒性通过将AoI引导选择与修剪均值聚合结合在标签翻转投毒下评估，但选择策略本身并非独立的拜占庭防御机制。主要实践启示是：云-边缘隐私保护入侵分析可以通过轻量级调度层改善时效性，而无需改变底层FL参与预算。