跨廠 ICS 偵測論文閱讀分析：很多工業入侵偵測真正缺的，不是更會背自家正常，而是換一座廠還知道誰真的可疑

本文由 AI 產生、整理與撰寫。

論文基本資訊

• 論文標題：Medoid Prototype Alignment for Cross-Plant Unknown Attack Detection in Industrial Control Systems
• 作者：Tianxing Wang、Zhiyang Cheng、Ming Li、Xiaohong Guan
• 年份：2026
• 來源：arXiv:2604.25544
• 論文連結：https://arxiv.org/abs/2604.25544
• DOI：10.48550/arXiv.2604.25544
• 主題：ICS Security、Intrusion Detection、Domain Adaptation、Unknown Attack Detection、Industrial AI、Operational Technology

很多 ICS intrusion detection 真正缺的，不是再多一個在自家資料集上分數很漂亮的模型，而是工廠一換、流程一換、現場習慣一換，它還有沒有辦法分得出什麼叫真的怪。

這篇 Medoid Prototype Alignment 論文處理的正是 OT 安全裡一個很煩、但又超現實的問題：你在 A 廠訓練好的偵測器，搬到 B 廠通常就開始失準。 不是因為攻擊突然變神，也不是因為模型一定太爛，而是因為工業控制流量本來就高度 site-dependent。每個廠的設備組合、操作節奏、製程狀態、背景流量都不一樣，所以你以為模型學到的是「攻擊」，它實際上常常學到的是「這個廠平常長什麼樣」。

這篇最值得看的地方，不是它又做了一次 domain adaptation，而是它把 ICS 偵測真正的硬仗講白了：很多系統不是不會抓已知攻擊，而是一離開熟悉廠區，就連正常跟異常的邊界都一起漂走。

它在打哪個痛點？

IT 世界常見的 anomaly / intrusion detector，多少還能假設資料分布大致同質；但 OT / ICS 不是這樣。工業流量的「正常」本來就強烈依賴實體製程、控制策略、部署環境與現場操作慣例。這帶來三個老問題：

• 跨場域資料分布偏移（domain shift）：同樣是正常 traffic，換一個 plant 就可能像另一套語言
• 標註稀缺：真實攻擊樣本難拿，target plant 更常是幾乎沒標註
• 未知攻擊：上線後出現的，常常不是訓練集裡那幾種 attack class

所以真正麻煩的不是 closed-set classification，而是：當 target plant 的正常樣貌跟 source plant 長得不太一樣，而且新攻擊還沒看過，你要怎麼避免模型把「場域差異」誤認成「攻擊」，或反過來把攻擊吞回正常背景裡？

這篇的答案不是硬對齊全部樣本，而是先承認：跨場域逐點對齊太吵、太脆弱，也太容易被場域特性拖偏。

作者怎麼解？先把每個場域壓成比較穩的代表點，再談對齊

作者提出的核心概念是 medoid prototype alignment。直覺上，它不是把 source / target 每一筆流量都硬拉到一起，而是先在各自的表示空間裡抽出比較穩、比較能代表局部操作結構的 medoid prototypes，再用這些 prototype 做跨域對齊。

這個想法的重要性在於：工業流量很雜，直接 sample-to-sample alignment 很容易把不該對的東西對在一起，最後學到一個誰都不像、泛化也不穩的空間。作者等於在說：

先別急著把兩個 plant 的所有點雜揉在一起；先抓住各自最有代表性的結構，再對齊那些比較值得信的骨架。

從摘要看，整體方法大概有幾步：

• 先把 heterogeneous ICS traffic 壓到可比較的 representation space
• 在 source 與 target 各自抽取能代表局部操作結構的 medoid prototypes
• 設計 prototype-calibrated transfer objective，讓 target prototype 向 source prototype 對齊
• 同時保留 source domain 的判別力，並鼓勵 target prediction 具備較高信心

這種作法的實務味很重。它不是假裝不同 plant 最後都能映成完全相同的分布，而是退一步，試著先找到夠穩、夠代表性、沒那麼容易被背景噪音拖走的 operational anchors。

這篇最有價值的 framing：很多 transfer failure 不是模型太弱，而是配對方式一開始就太吵

我覺得這篇比一般 domain adaptation paper 更值得記的，是它隱含的一個判斷：跨廠偵測失敗，常常不是因為 target plant 完全不可學，而是因為你對齊時把太多不該視為等價的樣本硬湊在一起。

這在 ICS 很合理。因為製程系統裡，兩段看起來都「正常」的 traffic，背後可能對應到不同工段、不同控制節奏、不同負載條件。你若直接做全域對齊，就容易把流程差異、設備差異、運轉差異一起磨平。最後模型學到的不是 attack-invariant representation，而是一個把 operational meaning 也順手抹掉的平滑空間。

medoid prototype 的價值就在這：它比較像是在問「每個場域裡哪些局部結構最能代表自己」，而不是「所有點彼此最像誰」。對 OT 這種高結構、低容錯的環境來說，這種保守一點的 alignment 其實常比激進地追求 distribution overlap 更合理。

它想守的是 unknown attack，不只是 cross-domain accuracy

這篇另一個我喜歡的點，是它不是只在追求「source 訓練、target 測試」的平均準確率，而是明確把問題框成 unknown attack detection。這很重要，因為真實 ICS 場景很少有人能保證上線後遇到的攻擊型態，剛好都在你的標註世界裡。

也就是說，這篇真正的野心不是讓模型記熟某幾個 attack family，而是讓它在跨廠遷移時，還能維持對不熟悉、但確實不對勁的行為的敏感度。

如果這個 framing 成立，那它帶來的不是單純更高的 benchmark score，而是比較接近真實部署需求的能力：

• 別把 target plant 的正常變化全都誤報成 attack
• 也別因為 target 跟 source 長得不像，就把未知攻擊當成背景吞掉

這兩件事中間的平衡，其實就是 OT anomaly detection 最難的地方。

實驗結果在講什麼？

根據摘要，作者在 natural gas 與 water storage control systems 上做了四個 unknown-attack transfer tasks，平均表現來到：

• Accuracy：0.843
• F1-score：0.838

作者同時強調兩個觀察：

• transfer asymmetry 很明顯：source→target 與 target→source 並不對稱
• prototype guidance 在 reverse-transfer 這種更難的方向特別有幫助

我覺得這兩點都比分數本身更值得看。

第一，transfer asymmetry 幾乎是在提醒所有做 OT 遷移的人：不要再把「跨廠泛化」講得像單一路徑問題。某個 plant 當 source 很好教，不代表它當 target 也一樣好接。這背後反映的是每個場域的 operational envelope 不對稱，有些場域本來就更窄、更規律；有些則更雜、更像把很多狀態混在一起。

第二，prototype guidance 對 reverse-transfer 特別有幫助，說明作者的方法在最難的情境下確實比較像在守住結構，而不是只在容易 case 上加分。對實務來說，這比在平均 case 漂亮更有說服力。

這篇真正戳到的，是 OT AI 常被忽略的 deployment reality

很多 AI for security 論文最容易迴避的問題是：你這個模型是不是只能活在訓練它的那個世界？

OT 場景尤其殘酷。因為你不可能要求每個 plant 都重新蒐集大批已標註攻擊資料、重新訓練一顆量身打造的 detector。現實比較像是：

• 某個地方有一批相對完整的 source data
• 新 plant 很快要上線
• 標註幾乎沒有
• 還得預期未來會遇到沒看過的攻擊

如果你的方法不處理這件事，那分數再高，部署價值也有限。這篇至少有正面碰 deployment reality：真正的難題不是把同一個資料集做得更準，而是讓模型離開熟悉環境後，不至於整個失明。

我對這篇的保留

當然，這篇也不是沒有要保守看的地方。

第一，從摘要看，它仍然主要是在兩類控制系統資料上驗證。這能證明方向有意思，但距離「各種 ICS 場域都能穩定遷移」還很遠。OT 世界的異質性大到可怕，natural gas 與 water storage 已經不小，但還不等於工業現場全貌。

第二，prototype 這種方法雖然能減噪，但也可能有壓縮過度的代價。你若把局部結構抽得太粗，某些罕見但關鍵的異常線索也可能一起被平均掉。尤其 unknown attack 偵測本來就常依賴那些不太主流、卻很重要的邊界訊號。

第三，它仍然在 representation learning 的框架內解問題，這意味著若 target plant 的攻擊面來自控制邏輯、維運習慣或跨層脈絡，而不只是在 network traffic 表徵上出現偏差，那模型的上限還是會受限。說白了，流量結構不是 OT 真相的全部。

不過它有一個很健康的訊號：承認 structural difference，而不是假裝可以一次抹平

我反而喜歡這篇沒有把問題講得太神。從摘要看，作者不是宣稱 cross-campaign / cross-domain aggregation 可以神奇消滅所有不確定性，而是把 prototype 當成一種更穩的中介表示，去降低 noisy cross-domain matching、提升 transfer stability。

這種口氣比較對。因為在 ICS 安全裡，真正成熟的方法通常不是說「我解決 domain shift 了」，而是說：

• 我知道哪裡會 shift
• 我盡量別讓模型在最吵的地方亂對齊
• 我試著保住那些跨場域還算有意義的 operational structure

這其實比很多喊 end-to-end generalization 的說法更可信。

一句話總結

這篇論文最值得看的地方，不是它又替 ICS 做了一次 domain adaptation，而是它提醒我們：很多工業入侵偵測真正缺的，不是更會背 source plant 的正常樣子，而是換一座廠之後，還知道哪些差異只是地方口音，哪些才是真的攻擊。

如果你在看 OT / ICS security、industrial anomaly detection、unknown attack detection 或跨場域部署問題，這篇值得留。它沒有把事情說得太簡單，反而抓到了最現實的痛點：部署環境一變，安全模型最先失去的往往不是準確率，而是判斷邊界的語感。 medoid prototype alignment 想做的，正是把這種語感，從 noisy sample matching 拉回比較穩的 operational structure 上。