2026年5月，实验室Sardar Shan Ali Naqvi博士后撰写的论文 “Online Intrusion Detection for Industrial Cyber-Physical Systems based on Self-Supervised Predictive Model” 被国际权威期刊 IEEE Transactions on Industrial Informatics（影响因子：9.9）录用。

面向工业信息物理系统（CPS）的在线入侵检测面临两大挑战：运行工况动态变化（概念漂移）以及标记攻击数据极度匮乏。为此，本文提出了一种基于上下文目标预测的自监督学习框架，用于工业CPS的在线入侵检测。该方法的核心思想是：利用历史上下文状态预测未来传感器状态，从而学习系统的正常行为模式。在线监测阶段，较大的预测误差即被视为异常。为应对概念漂移，本文进一步引入了一种可信感知的在线自适应机制以及基于统计学的动态阈值更新策略，使得模型能够在完全无标签、全在线的环境下实时调整。在催化裂化（FCC）仿真装置上的实验结果表明，所提方法在无需人工干预或昂贵标注的前提下，显著优于多种基线模型，实现了高精度与高召回率的入侵检测。该框架为自主运行的工业CPS提供了一种轻量化、自适应的入侵检测解决方案。

上述研究工作得到了国家自然科学基金项目（62127808）的资助。