One Breaker is Enough: Hidden Topology Attacks on Power Grids
对电网仪表读数和断路器状态的协调网络攻击可能导致不正确的状态估计，这可能随后使电网不稳定。本文研究了网络攻击的对手，改变断路器状态的输电线路，影响电网拓扑结构的估计。然而，对手无法改变任何仪表数据的值，只能阻止某些线路上记录的测量值传输到控制中心。与标准数据攻击相比，所提出的框架具有有限的资源需求，因此将网络攻击的范围扩展到了免受电表损坏的电网。我们讨论了必要和充分条件的可行的攻击，使用一种新的图形着色为基础的分析，并表明，一个最佳的攻击需要断路器状态变化，只有一个输电线路。我们的攻击制度的效力是通过模拟IEEE测试用例证明。
2015-06-13 cs.CR math.OC
Hidden in Plain Sound: Environmental Backdoor Poisoning Attacks on Whisper, and Mitigations
Örebro University（厄勒布鲁大学）
本文提出针对Whisper语音识别模型的环境后门投毒攻击，将环境触发音映射至不同目标短语，并探索使用Silero VAD作为防御机制以过滤恶意触发。
2024-09-19 cs.CR cs.SD eess.AS
Risk Mitigation for Dynamic State Estimation Against Cyber Attacks and Unknown Inputs
the University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校）；Argonne National Laboratory（阿贡国家实验室）；Purdue University（普渡大学）
本文提出基于动态状态估计的风险缓解策略，用于消除电网中未知输入和潜在网络攻击带来的威胁。通过动态状态估计器同时估计系统状态和未知输入，结合攻击检测算法，利用优化框架确定最受影响的PMU测量，并通过案例研究验证方法有效性。
2016-05-19 cs.CR cs.SY eess.SY
Too Expensive to Attack: A Joint Defense Framework to Mitigate Distributed Attacks for the Internet of Things Grid
分布式拒绝服务（DDoS）攻击对企业和个人都是有害的，因为我们严重依赖互联网。由于利润可观，黑客青睐DDoS作为攻击服务器、计算机、物联网设备甚至整个互联网的网络安全武器。目前许多检测和缓解解决方案都集中在对抗DDoS的特定技术上，而攻击费用和跨防御者协作没有引起足够的重视。在这种情况下，我们重新审视DDoS攻击和防御的攻击成本和双方的人口，提出了一个联合防御框架，在互联网服务提供商（ISP），企业，个人和第三方组织的网格（物联网网格）中产生更高的攻击费用。同时，防御者的成本在战斗中不会增加太多。攻击费用的飙升阻碍了利润驱动的攻击者有效地发动进一步的攻击。定量评估和实验评估加强了我们的框架的有效性。
2021-04-01 cs.CR
Dynamic Detection of False Data Injection Attack in Smart Grid using Deep Learning
传感器、计算和通信技术的现代进步使各种智能电网应用成为可能。对通信技术的严重依赖凸显了电网对虚假数据注入（FDI）攻击的脆弱性，这些攻击可以绕过不良数据检测机制。电力系统中现有的缓解措施要么集中在冗余测量，要么保护一组基本测量。这些方法对FDI攻击做出了具体的假设，这些假设通常具有限制性，不足以应对现代网络威胁。在所提出的方法中，一个基于深度学习的框架被用来检测注入的数据测量。我们的时间序列异常检测器采用卷积神经网络（CNN）和长短期记忆（LSTM）网络。为了有效地估计系统变量，我们的方法同时观察数据测量和网络级特征，以共同学习系统状态。该系统在IEEE 39节点系统上进行了测试。实验分析表明，该深度学习算法能够识别传统状态估计不良数据检测无法检测到的异常。
2018-09-14 cs.CR
Detecting Hidden Attackers in Photovoltaic Systems Using Machine Learning
在现代智能电网中，支持通信的分布式能源（DER）系统的激增增加了可能的网络物理攻击的范围。来自DER系统的分布式边缘设备（如光伏（PV）系统）的攻击通常难以检测。攻击者可以改变PV逆变器的控制配置或各种设定点以使电网不稳定、损坏设备或出于经济利益的目的。更强大的攻击者甚至可以操纵为了远程监控而传输的PV系统计量数据，使得他可以保持隐藏。在本文中，我们考虑的情况下，在不同的控制模式下运行的光伏系统可以同时攻击和攻击者有能力操纵个人光伏总线测量，以避免检测。我们表明，即使在这种情况下，只有聚合的测量（攻击者无法操纵），机器学习（ML）技术能够以快速准确的方式检测攻击。我们使用一个标准的辐射状配电网络，连同真实的灵巧家庭用电数据和太阳能发电数据在我们的实验设置。我们测试了几种ML算法的性能来检测PV系统上的攻击。我们的详细评估表明，建议的入侵检测系统（IDS）是非常有效和高效的检测光伏逆变器控制模式的攻击。
2022-10-11 cs.CR
Machine Learning-Enabled Cyber Attack Prediction and Mitigation for EV Charging Stations
安全可靠的电动汽车充电站（EVCS）在智能交通基础设施中已变得势在必行。多年来，电动车辆控制系统的部署迅速增加，以满足不断增长的充电需求。然而，信息和通信技术（ICT）的进步使这种网络物理系统（CPS）容易受到网络威胁，从而破坏充电生态系统甚至整个电网基础设施的稳定。本文开发了一种先进的网络安全框架，其中STRIDE威胁建模用于识别EVCS中的潜在漏洞。此外，加权攻击防御树的方法来创建多个攻击场景，其次是开发隐马尔可夫模型（HMM）和部分可观察蒙特卡罗规划（POMCP）算法建模的安全攻击。此外，潜在的缓解策略，建议所确定的威胁。
2022-08-22 cs.CR cs.SY eess.SY
Distributed Energy Resources Cybersecurity Outlook: Vulnerabilities, Attacks, Impacts, and Mitigations
本研究针对现有DER网络安全研究的局限性，全面分析攻击者操控DER的能力与目标、漏洞转化为攻击的路径，并提出缓解策略与未来研究方向。
2023-10-02 cs.CR cs.SY eess.SY
Exploiting Machine Unlearning for Backdoor Attacks in Deep Learning System
Singapore Management University（新加坡管理大学）；University of Virginia（弗吉尼亚大学）；Zhejiang University（浙江大学）
该研究提出一种基于机器遗忘的新型黑盒后门攻击方法，通过投毒与缓解数据训练模型后提交遗忘请求激活后门，并提出对应检测缓解方法，实验验证了攻击可行性及分片对攻防的影响。
2023-12-13 cs.CR cs.LG
Edge-Based Detection and Localization of Adversarial Oscillatory Load Attacks Orchestrated By Compromised EV Charging Stations
在本文中，我们研究了一种基于边缘的方法，用于检测和定位利用电动汽车充电站对电网发起的协调振荡负载攻击。我们依赖于存在互连EVCS的电网的行为特征，同时结合网络和物理层特征来实现深度学习算法，以有效检测EVCS的振荡负载攻击。我们通过构建一个实时测试床来综合良性和恶意数据来评估所提出的检测方法，这些数据是通过分析近年来收集的真实EV充电数据而生成的。实验结果表明，采用卷积长短期记忆模型的方法可以获得最佳的分类精度（99.4\%）。此外，我们的分析结果揭示了这种检测机制对在不同级别的电动汽车充电生态系统中建立弹性的影响，同时允许电网运营商定位攻击并采取进一步的缓解措施。具体而言，我们设法分散振荡负载攻击的检测机制，并为以运营商为中心的机制创建一个有效的替代方案，以减轻针对电网的多运营商和MitM振荡负载攻击。最后，我们利用创建的测试床来评估分布式缓解技术，该技术可以部署在公共/私人充电站上，以平均振荡负载攻击的影响，同时允许电力系统在1秒内以最小的开销顺利恢复。
2023-02-24 cs.CR eess.SP
Performance and Resilience of Cyber-Physical Control Systems with Reactive Attack Mitigation
University of Warwick（华威大学）；Oracle India Pvt. Ltd.（甲骨文印度私人有限公司）；GovTech Singapore（新加坡政府科技局）；Nanyang Technological University（南洋理工大学）；Singapore University of Technology and Design（新加坡科技设计大学）
本文研究了在电力系统中具有攻击检测和反应式攻击缓解的线性网络物理控制系统（CPCS）的性能和韧性，通过推导最优的虚假数据注入攻击序列以最大化电力系统的状态估计误差，提出基于马尔可夫决策过程（MDP）的攻击设计方法，并通过PowerWorld进行仿真验证，分析攻击检测和缓解对系统性能的影响。
2019-04-20 cs.CR cs.IT cs.SY
Exposing the Ghost in the Transformer: Abnormal Detection for Large Language Models via Hidden State Forensics
Huazhong University of Science and Technology（华中科技大学）；Nanyang Technological University（南洋理工大学）
本文提出通过隐藏状态取证检测大语言模型异常行为，实现实时高效的安全威胁识别，检测准确率超95%，计算开销极低。
2026-04-05 cs.CR
Defensive Distillation based Adversarial Attacks Mitigation Method for Channel Estimation using Deep Learning Models in Next-Generation Wireless Networks
University of Stavanger（斯塔万格大学）；Old Dominion University（奥多明尼昂大学）；Norwegian University of Science and Technology（挪威科技大学）；eKare Inc.（eKare公司）
未来的无线网络（5G及以后）是即将到来的蜂窝系统的愿景，将数十亿设备和人连接在一起。在过去的几十年中，蜂窝网络已经随着用于高速数据传输、高小区容量和低延迟的先进电信技术而急剧增长。这些技术的主要目标是支持广泛的新应用，如虚拟现实、虚拟宇宙、远程医疗、在线教育、自动驾驶和飞行车辆、智能城市、智能电网、先进制造等等。NextG网络的主要动机是通过改进和优化网络功能来满足这些应用的高需求。人工智能（AI）通过集成到网络所有层的应用程序中，具有很大的潜力来实现这些要求。然而，NextG使用基于AI的模型，即，模型均衡，尚未深入研究。因此，需要使用基于AI的方法为NextG网络设计有效的缓解技术和安全解决方案。本文提出了一种基于深度学习（DL）的信道估计模型的全面脆弱性分析，该模型使用从MATLAB的5G工具箱中获得的数据集进行训练，用于对抗攻击和基于防御蒸馏的缓解方法。对抗攻击通过操纵NextG网络中用于信道估计的训练的基于DL的模型来产生错误的结果，同时通过缓解方法使模型对任何攻击更加鲁棒。本文还介绍了所提出的防御蒸馏缓解方法的性能，每一个对抗攻击对信道估计模型。实验结果表明，该方法能够有效地抵御NextG网络中基于DL的信道估计模型的对抗攻击。
2022-08-12 cs.CR cs.LG
Federated Anomaly Detection and Mitigation for EV Charging Forecasting Under Cyberattacks
ICT Convergence Research Center（信息通信融合研究中心）；Kumoh National Institute of Technology（Kumoh国立技术学院）；IT-Convergence Engineering（信息融合工程）
本文提出一种联邦学习框架，用于在遭受网络攻击时实现电动汽车充电预测中的异常检测与缓解，通过保护隐私、检测攻击并提升预测准确性。
2025-11-22 cs.CR cs.LG
Autonomous AI-based Cybersecurity Framework for Critical Infrastructure: Real-Time Threat Mitigation
School of Computer Science and Technology（计算机科学与技术学院）
本文提出了一种基于AI的自主网络安全框架，用于实时检测和缓解关键基础设施中的网络威胁，以提升系统安全性和韧性。
2025-07-10 cs.AI cs.CR cs.ET
Learning to Attack Powergrids with DERs
OFFIS – Institute for Information Technology（OFFIS——信息技术研究所）；Carl von Ossietzky University Oldenburg（奥尔登堡卡尔·冯·奥西茨基大学）
在过去的几年里，电网已经成为网络攻击的重要目标。特别是对乌克兰电网的攻击引发了对可能的攻击媒介，其程度和可能的缓解措施的大量研究。然而，许多人没有考虑现实的情况下，时间序列被纳入模拟，以反映独立发电机和消费者的瞬态行为。此外，很少有人考虑潜在攻击者的有限感官输入。在本文中，我们描述了一个无功功率攻击的基础上，一个很好的理解的情况。我们表明，独立的代理人可以学习使用电网的动态对它的攻击，即使在面对其他发电机和消费者节点独立行事。
2022-04-24 cs.AI cs.CR
Switching and Data Injection Attacks on Stochastic Cyber-Physical Systems: Modeling, Resilient Estimation and Attack Mitigation
Arizona State University（亚利桑那州立大学）；Pennsylvania State University（宾夕法尼亚州立大学）；Swiss Federal Institute of Technology (ETH)（瑞士联邦理工学院（苏黎世联邦理工学院））
本文研究在随机过程中和测量噪声存在下，如何通过多模型推理算法实现鲁棒状态估计，以应对切换机制攻击和传感器信号注入攻击，并讨论攻击检测与缓解方法。
2017-07-22 cs.CR cs.SY eess.SY
Load-Altering Attacks Against Power Grids under COVID-19 Low-Inertia Conditions
COVID-19大流行影响了我们的社会，迫使人们关闭并改变了全球人们的互动方式。就对电网的影响而言，全球能源需求大幅下降。最近的研究表明，COVID-19封锁导致的低需求状况加上大量可再生能源发电导致了极低的惯性电网状况。在这项工作中，我们研究了攻击者如何利用这些场景，通过执行负载改变攻击（LAA）来导致不安全的电网运行条件，目标是在低惯性电力系统中损害数十万物联网连接的高瓦数负载。我们的研究重点是分析COVID-19缓解措施对美国区域输电运营商（RTO）的影响，针对低惯性条件下的输电系统制定合理且现实的最小努力LAA，并评估这些大规模LAA的概率。给出了基于WSCC 9节点和IEEE 118节点测试系统的理论和仿真结果。结果表明，对手可以通过针对低惯性系统中的脆弱负载总线来引发主要频率干扰，并提供有关可再生能源的时间波动如何影响电网对LAA的脆弱性的见解。
2022-02-28 cs.CR cs.SY eess.SY
Combating Informational Denial-of-Service (IDoS) Attacks: Modeling and Mitigation of Attentional Human Vulnerability
New York University（纽约大学）
这项工作提出了一类新的主动攻击称为信息拒绝服务（IDoS）攻击，利用注意力的人的脆弱性。IDoS攻击通过产生大量的假动作，耗尽了人类操作者的认知资源，使人类无法识别隐藏在假动作中的真正攻击。这项工作旨在正式定义IDoS攻击，量化其后果，并开发人工辅助安全技术，以减轻IDoS攻击的严重程度和风险。为此，我们使用半马尔可夫过程来模拟假动作和真实攻击的顺序到达，并在相关的警报中附加类别标签。辅助技术通过定期突出显示选择性警报来战略性地管理人类注意力，以防止其他警报分散注意力。一个数据驱动的方法被应用到不同的注意力管理（AM）策略下的人类绩效评估。在一个典型的特殊情况下，我们建立了两个动态规划表示之间的计算等价性，以降低计算复杂度，并使在线学习的样本减少的大小和零延迟。案例研究证实了学习框架的有效性。数值结果说明了AM策略如何减轻IDoS攻击的严重程度和风险。此外，研究结果表明，最小的风险是实现了一个适当的水平，我们称之为理性的风险减少注意疏忽的法律。
2021-10-16 cs.AI cs.CR
Investigating Man-in-the-Middle-based False Data Injection in a Smart Grid Laboratory Environment
随着信息和通信技术在电网中的日益广泛应用，网络攻击对能源供应安全的威胁日益严重。传统的网络安全措施，如防火墙或入侵检测/预防系统，可用作缓解和预防措施，但有效使用这些措施需要深入了解能源信息系统中的潜在威胁格局和复杂的攻击过程。鉴于智能电网应用中协调的定时攻击的复杂性和缺乏详细的知识，我们需要在适当和实用的环境中了解现实的攻击场景。在本文中，我们提出了一种基于中间人的攻击方案，该方案拦截控制系统和现场设备之间的过程通信，采用错误数据注入技术，并执行数据损坏，如向现场设备发送错误命令。我们证明了物理智能电网实验室环境中的攻击场景的适用性，并分析正常和攻击条件下生成的数据，提取特定领域的知识检测机制。
2021-10-18 cs.CR cs.NI cs.SY
SDN-Based Dynamic Cybersecurity Framework of IEC-61850 Communications in Smart Grid
针对智能电网数字变电站IEC-61850通信的网络安全风险，提出集成混合IDS的SDN架构，可检测阻止GOOSE恶意消息注入、定位故障并禁用端口缓解，经HIL测试平台验证有效。
2024-03-07 cs.CR cs.CY
Hidden-in-Plain-Text: A Benchmark for Social-Web Indirect Prompt Injection in RAG
University of Wisconsin - Madison（威斯康星大学麦迪逊分校）
OpenRAG-Soc 提供了一种用于评估 RAG 系统在社会网络间接提示注入攻击下的基准测试工具，通过标准化的端到端评估和可部署的缓解措施，帮助从业者跟踪风险并增强部署安全性。
2026-01-20 cs.CR cs.HC
Optimal Attack against Cyber-Physical Control Systems with Reactive Attack Mitigation
Advanced Digital Sciences Center, Illinois at Singapore（伊利诺伊大学新加坡先进数字科学中心）；GovTech Singapore（新加坡政府科技局）；Singapore University of Technology and Design（新加坡科技设计大学）；Nanyang Technological University（南洋理工大学）
本文研究了具有攻击检测和反应式攻击缓解的网络物理控制系统性能与韧性，通过马尔可夫决策过程设计最优攻击序列以最大化状态估计误差，验证了攻击影响的极限，并通过电网电压控制系统仿真验证了攻击序列设计的有效性。
2017-06-06 cs.CR cs.IT cs.SY
Feature Selection via GANs (GANFS): Enhancing Machine Learning Models for DDoS Mitigation
School of Electrical and Computer Science University of Ottawa（电气与计算机科学学院 莱斯布里奇大学）
针对高维冗余流量下DDoS检测特征选择难题，提出基于生成对抗网络的GANFS方法，利用攻击流量训练判别器并通过扰动敏感性分析排序特征，在CIC-DDoS2019数据集上提升了分类准确率与计算效率。
2025-04-21 cs.AI cs.CR cs.LG
FL-PBM: Pre-Training Backdoor Mitigation for Federated Learning
Polytechnique Montréal（蒙特利尔理工学院）；Khalifa University（哈利法大学）；Concordia Institute for Information Systems Engineering, Concordia University（康考迪亚大学康考迪亚信息系统工程研究所）
本文提出FL-PBM，一种在联邦学习中预训练阶段主动过滤恶意数据的机制，通过PCA提取特征、GMM聚类识别恶意样本及针对性模糊技术，有效降低后门攻击成功率，同时保持模型准确率。
2026-03-30 cs.CR cs.DC cs.LG
Quantifying Security for Networked Control Systems: A Review
KTH Royal Institute of Technology（皇家理工学院）；Uppsala University（乌普萨拉大学）
本文综述网络化控制系统脆弱性量化方法与缓解策略，强调概率风险度量在对手知识不完备场景下的价值，并指出未来研究方向。
2025-10-21 cs.CR cs.SY eess.SY
