该论文针对漏洞评分体系在补丁优先级排序与风险管理中的实际效果展开实证比较。长期以来，CVSS、EPSS 等评分系统的对比研究多停留在抽象层面，例如在 IT 漏洞数据库中计算评分之间的统计相关性，而很少考察当这些评分被嵌入系统级风险模型后所产生的操作性后果。为此，作者选取四个评分体系：CVSS（通用漏洞评分系统）、EPSS（漏洞利用预测评分系统）、SSVC（利益相关方特定漏洞分类）以及 IronMiner（经运行数据校准的专有评分系统），并以 2015 年乌克兰电网运营技术（OT）网络的重建拓扑作为统一比较底座。该事件具备已被记录的攻防拓扑与事故路径，因此能够较真实地反映 OT 环境下优先级决策的差异。结果显示，四个评分体系之间的分歧程度很高：同一批漏洞在不同体系下得到的优先级排序差异显著。这意味着评分体系的选择会实质性地影响缓解策略制定、补丁排序与资源配置，进而影响安全运营的最终落点。作者据此提出，采用组合或混合评分方法可能比依赖单一体系更为合适。该工作适合漏洞管理、OT/ICS 安全、风险评估与安全运营流程设计人员阅读。

该论文针对关键任务基础设施面临的网络威胁日益复杂化、攻击门槛持续下降的现状展开研究。作者指出，防病毒和防火墙等传统点状防护方案本质上是被动响应式的，难以应对现代攻击面所呈现的组合爆炸式复杂度。为此，论文结合并对比了两种互补的方法论：其一是洛克希德·马丁的 Vortex/Crow 框架，它在业界标准的网络知识图谱之上引入多智能体强化学习（MARL），用于识别攻击向量并对其以及对应的 TTP（战术、技术与程序）进行优先级排序；其二是阿尔托大学提出的概率攻击图模型，该模型将网络拓扑结构与其中存在的漏洞信息融合，计算出系统层面的风险度量指标。研究选取有完整公开记录的 2015 年乌克兰电网网络攻击事件作为验证场景。当两种方法论被独立应用于同一套运营技术（OT）网络拓扑时，二者所推导出的攻击向量与漏洞利用序列均与事件记录中记载的内容一致，从而形成相互交叉验证，说明这两类建模路径在真实 OT 环境中具备可信度。随后，作者通过节点级消除实验开展攻击图分析，结果显示工业控制系统（ICS）是攻击传播最关键、最核心的使能环节，应作为防御加固的最高优先级目标。论文还比较了 CVSS v2.0 与 IronMiner 两种漏洞评分方法，总体上二者结论一致，但 IronMiner 在网络边缘节点上能给出更具可操作性的区分度。最后，作者认为“基线评估加节点级消除”这一分层方法论可扩展到大型企业网络，为防御方在真实的时间与资源约束下提供了一条结构化、由 AI 赋能的缓解优先级排序路径。适合从事 OT/ICS 安全、攻击面管理与漏洞优先级排序的研究者与工程人员阅读。

该论文聚焦工业控制系统（OT/ICS）在互联网上被扫描与协议专用工具探测的风险。与 IT 环境不同，OT 设备一旦被攻陷，后果往往是物理过程中断而非单纯数据泄露；而 OT 普遍存在补丁难以落地的约束，使传统『阻断+过滤』防御效果有限。tarpitting（拖延式交互）通过维持协议级会话把扫描器拖住，是一种低成本替代思路。Modbus TCP 与 IEC-104 协议本身不提供认证与完整性保护，因此天然暴露。 作者指出，应用层 tarpit 已在 IT 与 IoT 协议上被研究，但在 OT/ICS 领域尚属空白；而 OT/ICS 特有的会话语义（状态机、异常码）提供了 IT/IoT 不具备的拖延机会。为此他们提出 StallGrid，据称是首个面向 OT/ICS 的应用层 tarpit：在 Modbus 侧利用异常码 0x05/0x06，在 IEC-104 侧利用连接状态机中的长时间驻留来拖住扫描器。 实验方面，5 个变体（3 个 Modbus TCP、2 个 IEC-104）同时在线运行 24 天，共记录 6,709 个会话、2,039 个累计『每 tarpit 唯一 IP』，累计连接驻留超过 2,000 小时。借助 GreyNoise 富化，87–97% 的拖延时间归因于被标记为恶意的 IP，而这些 IP 仅占连接地址的 22–30%；协议级行为还与恶意分类存在相关性，可作为超出原始拖延时长的额外指纹信号。一个反直觉发现是：较短诱导延迟（1.5 秒）比较长延迟（3 秒）带来更多总驻留量，且在两种协议上均成立。结论是协议原生 tarpitting 可作为补丁不可行场景下实用、低成本的补充防御。

该论文研究的是美国北弗吉尼亚地区超大规模数据中心快速扩张所带来的电力负荷激增问题。区域主要电力公司 Dominion Energy 必须对输电网进行加固和扩建以支撑这一增长，而此类工程依赖计划性停电（planned outage），需要提前数月完成评估，以便安排施工计划和停运协调，同时满足 NERC 与 PJM 的 N-1 可靠性准则。当前行业惯例是逐日开展长期停运研究，并采用月度或季节性的峰值负荷假设。作者指出，这种做法虽然简化了分析流程，却由于完全忽略细粒度的负荷波动而过度保守：一些在真实负荷条件下本可行的短时停运请求，会因此被推迟甚至直接否决，从而拖慢关键的输电扩建和电网现代化项目进度。为此，论文系统评估了将贴近实际的多粒度负荷预测引入长期、基于故障场景（contingency-based）的停运评估所能带来的运行价值，并与传统峰值法进行对比。方法上，作者使用统计模型与机器学习模型分别构建日、周、月三个时间尺度的负荷预测，具体包括 SARIMA、Prophet、梯度提升（Gradient Boosting）和随机森林（Random Forest），随后通过自底向上的时间层级协调（bottom-up temporal reconciliation）保证不同预测尺度之间的一致性。实验结果表明，采用细粒度负荷预测能够显著减少不必要的保守性，提高停运请求的获批率，对短时停运请求的改善尤为明显，并且这一过程并未放宽或改变既有的可靠性判定准则。论文认为该方法可强化长期停运协调流程，支持输电网及时加固与电网现代化，适合电网规划与调度工程师、ISO/RTO 可靠性分析人员以及能源负荷预测研究者参考。

该论文关注工业控制系统（ICS）威胁情报跨物理域复用的可靠性问题：为某一工厂记录的安全威胁（例如针对污水处理工艺的攻击手法），其蕴含的网络-物理效应有时可能对另一类目标（如配水系统）同样具有参考价值，但作者指出，仅靠语义相似度无法判定这些效应在目标系统上是否“结构上可准入”、是否“可评估”。为解决这一问题，论文提出 XPhysICS —— 一种来源可追溯（provenance-aware）、以目标为条件（target-conditioned）的方法。其核心设计是把流程显式拆成两段：一是由分析师主导的源端抽象（source abstraction），二是确定性的落地/匹配（deterministic grounding），后者将源端抽象映射到目标系统特化的验证切片（validation slice）中。在给定固定的源端抽象、词汇表与 schema，以及经过机器校验的目标契约（machine-validated target contract）的前提下，XPhysICS 使用五条准入判据来评估候选映射：角色兼容性（role compatibility）、已实现类型兼容性（implemented type compatibility）、阶段一致性（stage coherence）、切片可用性（slice viability）以及规则面适用性（rule-surface applicability）。方法学上的另一个关键贡献是明确提出若干必须相互区分的“证据层”：落地被接受、切片充分性、动态可实现性、消费方适用性以及消费方最终结果，作者强调不能把这些层次混为一谈。实验方面，论文在 83 个结构化源威胁抽象上开展评估，覆盖水处理、配水、水-能（水电/水能耦合）以及化工过程四类目标；受控的目标侧研究包括 SWaT→水处理、WADI→配水两组落地，产生了干净（clean）、被标称工况混淆（nominal-confounded）以及接近阈值（near-threshold）三类消费方结果；另有九个 Hydro/GRFICS 案例扩展了有界验证切片的执行。论文还评估了有界预测型、状态感知型和相位感知型三类消费方通道，未修改的上游 GeCo 实现，以及一个基于论文复现的物理引导搜索方法在三个冻结落地上的表现。总体结论是：跨域 ICS 威胁复用需要可追溯的源端语义、显式的目标条件化落地判据，以及对后续目标侧证据的谨慎分层处理。

该论文关注零信任（Zero Trust, ZT）架构在物联网（IoT）与信息物理系统（CPS）中落地时被忽视的一个关键矛盾：ZT 用显式、持续、上下文感知的授权取代基于边界的隐式信任，这对异构、生命周期长、远程连接的 IoT/CPS 组件尤为必要；但在 CPS 中，网络域与物理过程强耦合，一旦按常规 ZT 逻辑限制某个被判定为可疑的组件，虽然能降低网络暴露面，却可能同时切断维持物理过程正常运行所必需的遥测或控制能力，从而把网络风险的削减转化为物理安全风险。现有研究多聚焦于攻击本身造成的物理危害建模，较少讨论“执行限制动作本身”引入的后果。为此作者提出安全感知零信任（Safety-Aware Zero Trust, SA-ZT），核心思想是把限制措施引发的物理后果作为策略输入而非事后补丁。论文首先将 NIST 零信任原则映射到九类 IoT 与 CPS 融合带来的张力（convergence strains），并区分哪些是 IoT 场景放大的通用挑战、哪些是信息物理耦合特有的挑战，据此推导出对应的运行需求。在架构上，SA-ZT 在 NIST ZT 架构基础上扩展出两个组件：安全引擎（Safety Engine）与遥测代理（Telemetry Broker）。安全引擎在多个可容许的响应之间进行选择，联合评估残余网络风险与限制动作带来的物理后果；遥测代理则对原始遥测的可见性与对状态估计器的影响进行中介管理。配合命令侧的执行机制，这两个实体把“原始可见性”“自动化影响”与“改变状态的权利”三者分离，使得在实施网络遏制的同时仍保留必要的观测能力，但限制这些观测对自动控制回路的影响力。论文以 IEEE 30 节点系统在虚假数据注入攻击下的案例研究进行说明，展示了 SA-ZT 如何把网络遏制、遥测可见性与影响力、物理后果以及授权时机等要素显式化，从而给出一套可实现、可审计的“网络—物理”执行权衡表示。

蜜罐的核心假设是通过伪装把攻击者引入歧途，近期研究还表明蜜罐能够扰乱基于 LLM 的自主渗透测试智能体；但这些评测大多默认攻击者对所处的欺骗环境毫不知情。本文研究的是相反场景：攻击者被明确赋予识别并利用蜜罐指纹的能力。作者提出 Rouxii——一个 AI 驱动的渗透测试框架，在侦察阶段内建反欺骗能力，并能从『识破蜜罐』推进到『利用蜜罐』。实验采用匹配对照设计，仅改变提示词，对比普通版与反欺骗版 Rouxii，覆盖 3 个推理模型、11 种网络拓扑、12 轮迭代，共 1544 份攻击报告。结果显示，反欺骗能力将蜜罐正确识别率从 19% 提升到 97%，在 OT 服务上效果最显著（11% 提升至 97%），而对真实服务的误报仅 0.7%。不具备欺骗感知的基线（PentestGPT、HackingBuddy）也出现类似失败，说明该现象并非 Rouxii 特有。识别并非终点：作者对蜜罐自身做白盒分析，证明被识破的陷阱可被反用于对付其运营方——包括在不触发存活监控的情况下使 Conpot 失效的拒绝服务，以及污染 GasPot 实例上报的情报。结论是欺骗有效性高度依赖攻击者知识水平，评估蜜罐对 AI 攻击者的韧性时必须考虑会主动推理并利用欺骗层的对手。

该论文针对运营技术（OT）/工业控制系统安全研究中长期存在的一个基础性痛点展开：入侵检测与异常检测模型的训练和评测高度依赖真实、可复现的安全数据集，但现有 OT 数据集普遍存在采集过程自动化程度低、数据源单一、文档与元数据不足导致难以复用等问题。作者提出 ISIA-AF——一个模块化的攻击编排与数据采集框架，目标是在工业系统上以可重复、可控制的方式执行攻击流程，并同步自动生成多源安全数据集。框架的核心设计包括：集中式的编排控制端，用于协调分布在多个网段上的攻击客户端；在攻击执行过程中同步记录网络流量与工业过程的运行数据；最终将上述来源汇聚为结构化、带元信息的多源数据集。方法论上，作者先从前人研究与利益相关者访谈中推导出一组功能性需求（如攻击任务编排、多源同步采集、数据标注）与非功能性需求（如低通信开销、可扩展性、跨网段部署能力），再遵循设计科学研究（Design Science Research）方法完成框架实现与迭代评估。验证方面，论文在 ISIA 测试床上开展案例研究，该测试床同时包含真实工业硬件设备与软件模拟的工艺流程。案例结果表明，框架能够实现集中化控制、保持较低的通信开销，并支持在网络分段环境中灵活部署各采集/执行节点。作者将最终成果定位为一种实用基础，用于持续生成可扩展、多源的 OT 安全数据集，从而支撑入侵检测方向的后续研究。需要注意的是，论文摘要未披露具体的攻击类型、协议覆盖范围、数据集规模与统计特征，也未给出与传统数据集构建方法的定量对比结果。

本文是一篇面向智能电网（Smart Grid）网络安全的综述性研究论文，作者来自加泰罗尼亚地区高校与研究机构，投稿分类为 eess.SY（系统工程）。文章的核心出发点在于强调信息技术（IT）与运营技术（OT）环境之间的关键差异：IT 侧关注机密性、数据完整性与合规，而 OT 侧以物理过程的可用性、实时性与人身/设备安全为第一优先级，二者的威胁模型、补丁节奏、资产寿命和失效后果完全不同，因此不能简单把传统 IT 安全方案平移进电力系统。围绕这一主线，论文首先剖析电网的分层架构（从发电、输电、变电、配电到用电侧，以及调度控制中心与广域测量/保护体系），指出变电站自动化、SCADA/EMS、IED/RTU 等环节是攻击面集中的关键节点，并归纳了针对这些节点的典型威胁类型（如对通信链路、控制指令、状态估计与测量数据的操纵性风险）。随后，文章系统梳理了三类重要国际标准：IEC 62351（面向电力系统通信协议的安全加固，覆盖认证、加密与访问控制）、IEC 62443（面向工业自动化与控制系统（IACS）的纵深防御与安全等级/成熟度体系）、以及 ISO 27001（通用信息安全管理体系，为组织级治理、风险评估与流程建设提供框架），并讨论了这些标准在落地时存在的覆盖重叠、要求抽象、OT 实时性约束和遗留设备兼容性等实践困难。最后，论文概述了最新研究趋势，其中包括基于人工智能的威胁检测（如用于异常流量与状态数据的行为建模、入侵检测与事件关联），并给出面向未来的研究挑战与开放问题。整体而言，这是一篇结构化的领域地图与问题清单，而非提出新算法或新实验结果的实证论文；由于仅提供摘要，具体方法细节、实验设置与量化结论无法确认。

该论文针对当前网络攻防节奏失衡的现实问题展开研究：攻击行为日益自动化，人类分析师可用于检测、推理与响应的窗口被大幅压缩。大语言模型（LLM）因具备关联异构证据、对未见威胁进行推理的能力，被视为实现自主网络防御的潜在基础，但直接把 LLM 接入真实安全运营遥测并不可行——原始日志的到达速度远超模型处理能力，单条事件往往语义模糊，且不受约束的 LLM 动作会带来显著的运营风险。为此作者提出 BlueSTAR，一种面向企业 IT/OT 网络自主网络防御的分层代理（tiered agentic）架构。其核心设计是先把高吞吐的安全遥测转化为紧凑的入侵指标（IOC），从而在降低数据量的同时保留可用于推理的关键证据，再由分层代理在受约束的条件下完成检测、推理与响应决策。论文还提出一种韧性（resilience）度量，将攻击者可达范围、对关键任务资产的影响以及防御动作本身造成的业务中断三者联合纳入评估，弥补了传统只看是否阻断的评估偏差。实验在两个真实企业 IT/OT 靶场（cyber range）上进行，覆盖七条基于真实入侵技术的攻击链。结果显示：对已知威胁，BlueSTAR 保留了确定性响应的快速遏制能力；对需要上下文推理与跨周期（cross-cycle）推理的攻击，包括凭据窃取、重复失陷、并发攻击者以及针对物理过程的攻击，BlueSTAR 也能成功防御。该工作适合 SOC/蓝队工程师、安全自动化与检测架构设计者、OT 安全团队以及研究 LLM 安全落地的读者阅读。

该论文面向工业控制系统（OT，Operational Technology）的自动化入侵响应问题。OT 系统负责监控和控制电力、水务、制造等关键工业过程，一旦遭受网络攻击，可能直接影响社会基础服务的可用性与安全性，因此仅靠人工响应已难以满足时效要求，如何构建自动化的响应决策策略成为重要研究课题。作者的核心贡献在于：不再把响应决策当作简单的规则映射或静态策略表，而是将其形式化为一个部分可观测马尔可夫决策过程（POMDP）。在这个模型中，防御方无法直接、完整地观测 OT 系统的真实安全状态，只能通过基于流量测量（traffic measurements）得到的间接、带噪声的观测来推断当前态势，这一设定比常见的完全可观测假设更贴近真实工业网络的可见性受限情况。基于该 POMDP 建模，作者采用 PPO（Proximal Policy Optimization）这一深度强化学习算法求解，使原本在部分可观测条件下难以求解的响应决策问题变得可计算、可训练，从而能够学习出自动化的入侵响应策略。实验方面，作者在一个仿真/模拟的 OT 系统上对训练得到的响应策略进行评估，结果显示在所研究的用例中，这些策略对多种 MITRE ATT&CK（针对 ICS/OT 的）攻击类型均表现出有效性。总体而言，该工作给出了一条从“流量观测—状态推断—响应动作学习”的完整技术路线，把强化学习与部分可观测建模引入 OT 入侵响应，属于防御侧的决策自动化研究。需要注意的是，论文摘要未披露状态空间、动作空间、奖励函数设计、基线对比、收敛性与误报代价等细节，评估也限于模拟环境和单一用例，结论向真实生产 OT 环境的迁移仍需进一步验证。

本文是一篇关于可解释人工智能（XAI）在工业网络安全中应用的综述性论文。随着工业基础设施的日益数字化以及信息技术（IT）与运营技术（OT）的融合，工业系统的网络攻击面显著扩大。为应对日益复杂的网络威胁，人工智能（AI）和机器学习（ML）技术越来越多地被部署在工业网络安全运营中，尤其是在安全运营中心（SOC）内。这些方法虽能改进异常检测、威胁分析和自动化响应，但其决策过程的不透明性给运营信任、法规遵从和事件响应带来了挑战。可解释人工智能（XAI）作为提升AI驱动网络安全系统及决策透明度和可解释性的范式应运而生。本文聚焦于工业SOC环境和安全运营工作流程，对工业网络安全中的XAI技术进行了全面综述。文章首先审视了AI在工业SOC工作流程中的角色、工业环境中利用的运营数据类型，以及基于AI的威胁检测的优点和局限性；随后综述了主要XAI方法族，包括特征归因方法、代理模型、基于规则的说明和可视化技术，并分析了其在工业用例中的适用性；进一步讨论了将工业系统区别于传统IT环境的运营、法规和安全要求；深入剖析了关键挑战，如标记数据集有限、模型可靠性、可解释性与性能之间的权衡，以及将XAI工具集成到SOC工作流程中的难题。最后，作者指出了开放的研究方向，为开发可信赖、运营可行且面向特定领域的工业环境XAI网络安全解决方案提供了机遇。

本文面向运营技术（OT）环境中的分布式拒绝服务（DDoS）检测问题，提出了一种面向部署、资源高效的神经符号（neuro-symbolic）混合检测框架。OT环境包括可编程逻辑控制器（PLC）、工业控制系统（ICS）和监控与数据采集（SCADA）系统，这些系统资源受限且对实时性要求高，但近年来越来越多成为DDoS攻击的目标。该框架将门控循环单元（GRU）神经网络与浅层决策树（作为符号组件）相融合：符号组件单独可提供紧凑、可解释的规则集，而融合则结合了神经网络的特征学习能力与符号模型的可解释性。作者在三个真实基准DDoS数据集（CIC-DDoS2019、Edge-IIoTset、CICIoT23）上进行了评估，并设计了一套统一的预处理流程，包括标签映射、数值特征选择、稳健缩放和类别平衡。融合权重alpha和决策阈值在验证集上联合优化以最大化F1分数。实验结果显示，混合模型在CIC-DDoS2019上达到99.04%准确率（MCC 0.97），在CICIoT23上达到98.61%准确率（MCC 0.76），且两者的假阴性率（FNR）均低于纯神经网络和纯符号基线；在线性可分的Edge-IIoTset上，浅层决策树单独已达100%准确率，因此该基准主要用于验证预处理流程而非融合机制。融合的主要收益是在可控的误报代价下降低FNR，这在OT环境中至关重要——漏报攻击比误报更危险。模型推理延迟在标准CPU上为每样本0.58-0.79毫秒；即使包含设备端流特征提取，端到端路径仍保持在个位数毫秒预算内，符合OT控制回路的时间要求。本文面向OT安全研究人员、工业安全运营工程师以及DDoS检测系统设计者，提供了在资源受限场景下兼顾准确率、可解释性和实时性的实用方案。

本文讨论了构建开源操作技术（OT）渗透测试平台LINICS的经验和教训。与信息技术（IT）安全领域有Kali Linux等成熟开源平台不同，工业控制系统（ICS）所依赖的OT安全领域缺乏类似的开源工具集。作者分享了LINICS平台的架构设计、构建过程以及发布后的反馈。LINICS旨在为OT安全研究人员和渗透测试人员提供一个集成的、可扩展的开源平台，包含专用的工具链、协议分析和漏洞利用模块。论文详细描述了平台如何适配OT环境的特殊性，例如对专有协议（如Modbus、DNP3、S7Comm）的支持、对物理过程安全的考虑、以及对实时性和可靠性要求的满足。实验部分可能展示了平台在模拟ICS环境中的有效性，以及与传统IT渗透测试工具的对比。主要贡献在于填补了OT安全开源平台的空白，降低了OT安全评估的入门门槛，并促进了社区协作。该研究适合OT安全工程师、ICS渗透测试人员以及工业网络安全研究人员阅读。

该论文针对关键制造基础设施中勒索软件恢复的挑战，指出传统“备份-恢复”思维无法解决制造系统特有的耦合问题。作者通过PRISMA系统的多源文献综述，包括学术文献、标准指南、威胁框架、公开事件材料及原始证据，识别出九种经证据支持的恢复失败模式：依赖关系盲目性、不信任的恢复点与备份过度信任、身份信任崩溃、缺乏恢复证明、不安全OT重连、分段假设失败、能力不匹配、未管理的降级运行以及供应商依赖失败。在此基础上，论文提出了“最小可行工厂恢复”（MVF Recovery）概念，定义为在当前依赖、证据、身份、数据、网络、OT和供应商约束下，能够恢复的最小安全、可信且运营有意义的生产能力。MVF Recovery是一个分析性目标，而非完整的恢复实现或安全认证声明。论文还推导了恢复生命周期和基准测试方向作为次级输出。核心贡献是为关键制造基础设施中以能力为中心的勒索软件恢复提供了基于证据的基础框架。该研究适合制造安全工程师、ICS安全研究人员、业务连续性规划者及勒索软件响应团队阅读。

本文提出APIOT（Autonomous Purple-teaming for Industrial OT），首个利用大语言模型（LLM）在裸机工业OT网络中进行自主攻击与修复的框架。传统自动化渗透测试主要针对Linux和Web系统，这些系统拥有LLM智能体熟悉的shell和文件系统。而裸机OT设备（如运行Modbus/TCP和CoAP的微控制器）缺乏这些接口，智能体必须直接推理协议字段和解析器语义，这要求全新的动作空间设计和运行时控制。APIOT框架实现了从漏洞发现、利用、修补到验证的完整循环，无需人工逐步干预。作者在Zephyr RTOS固件的异构工业物联网（IIoT）拓扑上进行了290次实验，涵盖五种前沿LLM、三种网络拓扑、两种损害程度以及引导/非引导条件。实验结果显示，APIOT在完整攻击-修复循环上的任务成功率达到90.0%。关键发现是运行时治理层（称为“监督器”）是一个关键的工程变量：没有它，智能体会出现系统的退化模式，包括重复循环、缺失崩溃验证和侦察死锁。这些发现表明，攻击者专业知识不再是裸机OT利用的瓶颈，防御者威胁模型现在必须考虑能够自主执行从发现到修复循环的LLM增强对手。