本文针对电力网络中的网络物理攻击检测问题，提出了一种名为 AdaptoNet 的模块化自适应神经网络。研究背景是：针对电网的攻击往往将物理破坏与数据篡改相结合，以破坏网络物理系统的稳定性。作者重点研究了一类特定的数据拒绝攻击（data denial attack），即攻击者在触发线路停电的同时，屏蔽目标区域的测量数据。实验表明，此类攻击可使标准数据驱动检测方法的性能下降超过 86%，导致传统方法失效。为应对这一挑战，AdaptoNet 采用模块化设计，包含一个在完整数据上预训练的冻结基础模块，以及一个基于二进制测量可用性向量进行条件控制的可训练自适应模块。通过该条件控制机制，模型能够区分“测量被拒绝”与“真正的异常数据”，而无需重新训练基础模块。研究在四个 IEEE 标准测试系统（30、39、57 和 118 节点）上进行了评估，模拟了区域内攻击最多屏蔽 20% 测量值的情况。结果显示，AdaptoNet 将 F1 分数从低于 12% 恢复到 81% 以上，提升约七倍，接近使用完整测量值时的 89%-99% 基线性能。本文的核心贡献在于：提出了一种对测量可用性变化具有鲁棒性的模块化架构，无需重新训练即可适应部分测量缺失的场景，为电网等关键基础设施中的网络物理攻击检测提供了新的思路。适合网络安全研究人员、电力系统安全工程师以及关注数据可用性攻击的防御者阅读。

本研究首次系统性地探索了单层二元神经网络中碰撞查找的算法复杂性。给定一个随机矩阵 A ∈ ℝ^{m×n}，输入 x ∈ {-1,1}^n 通过激活函数 φ 映射到二元输出向量 φ(Ax) ∈ {-1,1}^m，其中 φ 在区间 [κ, ∞) 上具有恒定行为，阈值 κ ≥ 0。研究者确定了阈值尺度 κ = Θ(1/√α)（α = m/n）作为分离两种互补现象的分界点。当 κ ≪ 1/√α 时，提出了一种简单的在线算法，能够高效地产生大量碰撞。当 κ ≫ 1/√α 时，针对一种自然的随机化非周期激活函数和合适的振荡复杂度，证明了大规模碰撞空间满足重叠间隙性质（OGP），从而对在线算法产生了指数级下界。这是首次使用重叠间隙性质作为碰撞抵抗的严格判据。碰撞查找与平均情况搜索的关键区别在于，碰撞查找具有新的“最坏情况”方面：碰撞查找者完全控制碰撞对的选择。下界证明是在在线模型下进行的；将此类保证扩展到更广泛的算法类别，包括谱方法、代数方法、格方法或量子方法，仍然是一个开放的方向。