移动目标防御（MTD）是一种主动防御策略，通过动态改变系统配置来增加攻击者不确定性。然而，现有MTD设计通常默认其候选配置池是安全的，即攻击者无法通过观察延迟等可测量指标来识别当前活动配置，但这一假设从未在池级别得到量化验证。本文形式化了这一“池安全”问题：给定一组组件实现选项，其笛卡尔积构成配置空间，目标是在可加性效用模型下找出最大的 ε-不可区分子集，使得任意两个配置的效用差异不超过 ε。作者将问题归约为在求和集上寻找最密集窗口的查询，并提出了四种覆盖不同规模配置空间的算法：完全枚举、中间相遇、基于快速傅里叶变换（FFT）的卷积以及蒙特卡洛采样，能够处理从数十种到 10^38 种配置的场景。在两类生产云案例上进行了端到端评估：其一是基于四个运行时（如 Python、Node.js 等）的无服务器旋转，在无其他掩蔽因素时，面对 VPC 邻接攻击者，匿名性从四路降至三路；其二是具有 27 种配置的三层 Web 应用栈，其中相同的解释器差异被共享的 8 毫秒数据库往返延迟吸收，最终实现了九路有效匿名。本文贡献包括：形式化 MTD 池安全模型，提出可扩展的不可区分性评估算法，并通过案例揭示了 MTD 设计的关键诊断准则——组件旋转仅在变体间延迟差异不足以被攻击者识别时才能增加匿名性。

移动目标防御（MTD）作为一种主动网络防御范式，通过动态网络重构技术（如软件定义网络（SDN）启用的路径随机化）增加攻击者的不确定性。然而，现有评估因攻击者假设、攻击场景和评估指标不一致而碎片化，限制了可重复性和面向部署的比较。本文提出MTD-Playground，一个攻击者感知的评估框架，用于在真实企业级多阶段攻击场景下对SDN启用的路径随机化（PR）MTD技术进行基准测试。除了孤立的性能和安全性指标外，MTD-Playground引入了一种复合评估方法，用于分析部署有效性、突变间隔权衡以及防御者-攻击者操作平衡。以周期性路径随机化作为代表性PR-MTD策略，实验表明：激进的突变间隔将攻击成功率降低至4-20%，同时将攻击完成时间延长至160-311秒（在不同攻击场景下）。此外，PR-MTD将吞吐量提升高达30.9%，并减少内部路径延迟而不中断服务。复合分析进一步显示，较短的突变间隔始终达到最高的部署有效性和正的防御者优势。这些结果表明，基于SDN的PR-MTD能有效破坏多阶段攻击进程，同时在企业环境中保持实际可部署性。该研究为MTD评估提供了标准化方法，有助于推动该领域的可重复研究和部署决策。

该论文提出了一种基于长短期记忆网络（LSTM）的主动防御策略——LSTM Look-ahead Moving Target Defense (LLM)，旨在解决传统IP地址动态变换（IP shuffling）在移动目标防御（MTD）中存在的三个主要问题：可扩展性有限、即使无攻击也存在重构开销、以及需要大量未使用地址块。LLM方法是首次尝试利用LSTM预测攻击者最可能扫描的目标地址，从而在攻击发生前动态改变网络出口IP地址，增加攻击者探测难度。具体而言，模型通过历史恶意扫描数据训练LSTM，预测后续扫描目标；采用集成学习（Ensemble Learning）提升对不同扫描行为的鲁棒性；并引入动态变异机制（Dynamic Mutation Mechanism）增强自适应性。实验结果表明，相比基线变异策略，LLM在安全性和开销方面均表现更优。该研究为网络扫描防御提供了数据驱动的预测性思路，适合对移动目标防御、网络主动防御和入侵检测感兴趣的研究者阅读。

移动目标防御（MTD）是一种主动安全策略，通过动态改变系统参数来增强网络弹性，从而阻止攻击者获取执行隐蔽攻击所需的关键信息。本文针对智能电网场景，考虑操作员修改支路导纳以实现MTD的问题，重点研究如何以更少的支路导纳修改次数和更短的计算时间有效保护系统。通过理论分析，识别出导纳修改无助于提升MTD效果的无效支路。基于此，提出了一种基于母线遍历的移动目标防御（BT-MTD）算法，该算法根据解析推导的准则遍历网络中的母线，以选择有效的修改支路。在标准IEEE测试系统上，将BT-MTD与四种现有策略进行了评估比较，结果表明BT-MTD在有效性、效率和计算成本方面具有鲁棒性和优越性能。代码已开源。