Cyber-Physical Systems
PulseAugur coverage of Cyber-Physical Systems — every cluster mentioning Cyber-Physical Systems across labs, papers, and developer communities, ranked by signal.
-
新研究详细介绍了针对物联网/信息物理系统持续学习系统的后门攻击
一篇新论文详细介绍了一种专门为物联网（IoT）和信息物理系统（CPS）中的持续学习系统设计的后门攻击。研究强调了持续适应虽然对这些系统有益，但也会产生漏洞，允许恶意行为被植入并保持休眠状态，直到被触发。该研究形式化了与物联网/信息物理系统环境相关的威胁模型，并分析了后门在这些管道中被放大的持久性，强调了在终身学习应用中加强安全措施的必要性。
-
提出面向6G网络物理系统的AI原生闭环安全
一篇新的调查论文提出了一种面向支持6G的网络物理系统（CPS）的AI原生闭环安全框架。该提议的系统旨在以毫秒级精度在网络边缘检测和缓解威胁，解决了传统安全模型的局限性。它集成了多种AI技术，包括联邦学习和数字孪生，以创建一个强大且自适应的安全管道。
-
新的U-Balance方法通过不确定性改进CPS安全监控
研究人员开发了一种名为U-Balance的新方法，通过解决遥测数据中的极端类别不平衡问题来改进网络物理系统（CPS）的安全监控。该方法利用与安全结果相关的行为不确定性来重新平衡数据集。U-Balance训练一个不确定性预测器，然后采用不确定性引导的标签重平衡机制，将不确定的“安全”窗口重新标记为“不安全”，从而在不生成合成数据的情况下丰富少数类。在无人机基准测试中进行评估，U-Balance取得了0.806的F1分数，显著优于现有方法。
-
Claroty推出物联网安全智能体，用于关键基础设施
Claroty已推出Claroty Claire，这是一款专为网络物理系统（CPS）设计的、由人工智能驱动的安全智能体。该智能体旨在通过提供人工智能驱动的可视性和情境洞察来增强关键基础设施的保护。Claire基于丰富的CPS专业知识和专有的CPS语言模型构建，标志着在保护这些复杂环境方面取得了重大进展。
-
面向产品的自编码器提升了制造业的异常检测能力
研究人员开发了一种面向产品的自编码器，以增强多产品制造系统中的异常检测能力。这种新方法解决了传统非产品导向模型的局限性，这些模型会因容纳来自不同产品等级的数据而可能掩盖细微的异常或网络物理攻击。面向产品的自编码器将学习限制在特定等级的分布内，在模拟攻击场景中表现出更强的鲁棒性，并实现了 100% 的检测准确率，而在这些场景中，全局模型失效的概率为 77.8%。
-
新型后门攻击威胁关键基础设施中的AI故障检测
研究人员详细介绍了一种新型后门攻击，该攻击针对用于网络物理系统故障检测的机器学习模型。这些攻击通过在训练数据中巧妙地植入特定模式进行投毒，导致模型仅在存在这些触发器时才出现异常行为。研究表明，即使10%的数据投毒率也能有效破坏这些关键系统，而这些系统对于智能电网和工业自动化等基础设施至关重要。
-
云推理在实时控制方面可媲美甚至超越设备端性能
一篇新论文挑战了在网络物理系统中，设备端推理始终优于实时控制的传统观念。研究人员开发了一个模型，表明通过高吞吐量计算资源分摊网络和排队延迟，云端推理可以媲美甚至超越设备端性能。他们的研究结果表明，与传统的设计假设相反，云端推理可能更适用于自动驾驶紧急制动等安全关键型应用。