该论文针对网络安全实践在多个层面（分析师、团队、组织、行业、监管机构）同时运行、与攻击者共同演化、以及人机混合决策日益普及的现实，指出现有网络安全理论往往局限于单一组织层面，无法解释为什么具有类似控制措施的组织在韧性上差异显著。为此，作者提出了STARC（Structuration Theory Adaptation for Resilient Cybersecurity）框架，该框架基于Giddens的结构化理论（Structuration Theory），通过三项创新——多层级对抗能动性（Multi-Level Adversarial Agency）、威胁自适应结构化（Threat-Adaptive Structuration）和物质-能动结构属性（Material-Agential Structural Properties）——扩展了理论边界，并围绕五个结构-能动三元组（structure-agency triads）构建分析体系。论文通过对澳大利亚、印度尼西亚和马来西亚三家金融机构的再分析（共20次访谈，访谈对象从SOC分析师到高级管理人员），展示了STARC框架的实际应用。这些机构代表了不同的内包和外包配置，但并非作为同类比较，而是作为多样化案例来呈现。STARC的核心贡献在于：从结构层面解释了为何不同资源与外包模式的组织在韧性上存在差异，并提供了一套诊断词汇，用于识别跨层级、跨节奏以及人机算法权威边界上的应急响应失败——这些方面是单一层面框架无法揭示的。此外，论文将结构化理论扩展到了对抗性、多层级和混合人机上下文，并提出了七个可检验的命题，将结构化与韧性联系起来，供未来研究验证。该研究属于理论构建类论文，适合网络安全治理研究者、CISO以及负责安全运营架构设计的从业者阅读，以理解组织韧性的深层结构性因素。

该论文提出了一种名为 Cache to the Future (CttF) 的分布式网页缓存系统，旨在应对互联网断网（因技术故障或政府干预）导致的知识获取中断问题。现有抗断网技术多依赖移动网状网提供有限的消息服务，但缺乏对 Web 内容的持续访问能力。CttF 通过社区节点分布式缓存静态网页内容，并利用数字签名和工作量证明等密码学机制抵御恶意篡改和虚假内容。系统采用去中心化的社区评分机制决定缓存优先级和内容可信度。模拟实验表明，CttF 在城市规模下能在多种良性和对抗场景中有效分发内容，为断网期间的知识持续访问提供了可行的解决方案。

该论文针对网络物理系统（CPS）面临设备级网络攻击时的弹性问题展开研究。传统容错机制通过分析传感器和执行器输出检测渐进漂移或突发故障，并启动相应容忍机制，这在通用故障模型下合理，但无法捕捉网络攻击可能采用的细微策略。对于具身CPS（Embodied CPS），计算与物理设备不仅参与任务完成，还负责“具身保存”（即维持系统物理完整性），因此需要能主动响应网络攻击的框架以防结构性物理损害。论文提出一个正式的可信性框架，将入侵检测系统（IDS）信息整合到弹性评估谓词中，使系统能够评估对中断和退化的容忍程度。该框架支持结构化推理：网络攻击如何影响任务执行和具身保存，以及是否需要部署缓解策略。通过分析示例展示了框架的分析能力和正确性，为可靠且安全的具身CPS建立了理论基础。核心贡献在于形式化地将网络安全状态与物理弹性结合，为安全工程师在设计鲁棒控制逻辑时提供理论支撑。适合对CPS安全、形式化方法、弹性工程感兴趣的研究者和工程师阅读。

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。

本文针对电力系统在脱碳化背景下日益复杂的多维度弹性问题进行了系统综述与指数构建。研究指出，传统的单维度弹性评估方法无法捕捉到物理、运行、数字-网络、气候-外部以及经济-监管五个维度之间交互产生的系统性脆弱性。作者通过PRISMA 2020方法结合前后向滚雪球搜索，识别了现有研究在跨维度耦合方面的空白。在此基础上，提出了一个多维弹性指数（Multidimensional Resilience Index, MDRI），该指数能够同时捕捉内生耦合与外生放大效应。为了验证MDRI的有效性，研究者以2025年12月波兰能源基础设施遭受的网络-物理攻击为场景，模拟了不断升级的攻击情景。实验结果显示，级联与同时失效导致的退化程度是单一应力下的近8倍；外生条件（气候、经济-监管压力）进一步使退化放大近6倍，其中72%的放大由外生压力驱动。综合来看，与单向量参考相比，多维耦合机制使弹性损失增加了46倍。该研究为电力系统弹性评估提供了更全面的量化工具，并揭示了跨维度交互的非线性放大效应，对电网规划、运营和网络安全防御具有重要参考价值。

该论文研究了大型语言模型（LLM）在面对强制性审讯（coercive interrogation）时的韧性。强制性审讯是一种对抗性交互，攻击者试图通过重复、施压或诱导等方式迫使模型生成违反其初始对齐或安全约束的输出。作者提出了一种系统性的评估框架，通过构造一系列逐步升级的审讯策略（包括重复提问、情感施压、逻辑陷阱等）来测试不同LLM的抵抗力。实验在多个开源和闭源模型上展开，结果显示，即使是经过对齐训练的模型，在面对持久且针对性设计的审讯时，也表现出显著的脆弱性，可能泄露敏感信息、承认错误主张或产生不安全内容。论文进一步分析了模型内部机制（如注意力分布、神经元激活）与韧性之间的关系，发现模型在压力下会表现出注意力漂移和决策路径改变。主要贡献包括：定义和形式化了LLM强制性审讯问题；构建了包含多种审讯策略的测试基准；揭示了当前模型对齐技术的局限性；并提出了改进模型韧性的潜在方向，如通过对抗性训练增强鲁棒性。该研究对理解LLM在实际部署中的安全风险具有重要意义，提示开发者需关注模型在持续对抗性交互下的行为退化。

本论文研究在网联自动驾驶环境（CAV）下，当路线引导信息不可靠或存在误导时，交通网络的逐日动态建模问题。现有模型未能同时考虑交通流适应和用户对信息源信任的演化。作者提出了一个耦合的逐日交通分配与信任演化框架：日内拥堵由Lighthill-Whitham-Richards网络加载模型描述；逐日路径选择遵循有限理性对数学习，其中对外部引导的依赖程度由信任水平调节。信任被建模为基于Beta证据模型的聚合类级行为依赖状态，并随重复的引导误差更新。理论分析给出了稳态均衡、保守稳定性判据、用于群体脆弱性的加权合规指数，以及解释攻击后信任滞后的非对称恢复律。在Sioux Falls（明尼苏达）和Anaheim（加利福尼亚）的数值实验表明，内生信任机制产生阈值依赖的韧性：低于信任激活阈值时，攻击行为隐蔽，动态信任几乎不起作用；高于阈值时，信任侵蚀使固定信任攻击的影响降低约91%（Sioux Falls）和85%（Anaheim）。此外，CAV渗透率提高会加剧固定信任攻击的脆弱性，但动态衰减能力保持；交通性能可在信任恢复前恢复，产生长达77天的隐蔽脆弱窗口。该工作为CAV交通网络的韧性分析提供了信任感知的建模基础。