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。