该论文提出了一种名为 SAIN（State-Aware Invariants）的工业控制系统（ICS）攻击检测方法，旨在提升攻击检测的敏感性和准确性。研究背景是：现有基于不变量的 ICS 入侵检测系统（IDS）通常依赖静态的物理系统模型，但这些模型难以捕捉工业过程在不同运行状态下的动态行为变化，导致漏报率较高，尤其是在复杂攻击场景下。核心问题是如何设计一种能够感知系统状态变化、同时保持较低误报率的检测机制。SAIN 的核心方法包括：首先，从 ICS 的传感器和执行器数据中自动学习状态相关的物理不变量，即针对不同系统运行状态分别建立正常行为模型；其次，通过在线监测当前系统状态并匹配相应的不变量，从而检测偏离预期行为的异常。该方法与传统的单一全局不变量方案不同，它能够适应状态切换，对稳态和瞬态过程都能提供更细粒度的监控。实验部分，作者在多个 ICS 测试平台（包括 SWaT、HIL 等）上使用真实攻击数据进行了评估，结果表明 SAIN 在检测精度和召回率上显著优于现有最先进的检测方法，同时保持了可接受的误报率。主要贡献包括：提出状态感知不变量的概念和建模框架；设计了一种自动化提取状态不变量并在线匹配的算法；通过大量实验验证了该方法在检测隐蔽攻击（如篡改传感器读数或执行器指令）时的优越性。适合 ICS 安全研究人员、工业控制系统防御者以及入侵检测系统开发者阅读，尤其关注物理过程感知的异常检测技术。