工业信息物理系统(Industrial Cyber-Physical Systems,ICPS)是综合物理、网络与计算为一体的多维复杂系统,它在现代工业生产制造领域具有广泛的应用价值和前景。然而,近年来ICPS暴露了不少的安全漏洞,极易遭受不同类型的攻击。因此,如何构建安全的ICPS网络具有重要的理论与现实意义。目前,在ICPS安全领域的研究存在以下问题:1)未太多考虑物理层攻击对安全的影响;2)ICPS节点中高价值流量样本难以获取;3)针对攻击者的高价值样本标注存在偏差。本文针对这些不足之处,主要研究完成基于多元物理特征挖掘的指纹、基于多层采样的主动学习溯源攻击以及基于ε-贪心专家决策筛选的主动学习溯源攻击。具体来说,本文开展的主要工作包括以下三方面:1.针对现有ICPS软硬件更新频率较低,安全防护能力非常脆弱,难以防范隐蔽的、破坏性的内部攻击,提出了一种基于多元物理特征挖掘的指纹识别方法(FMPFM)。针对工业生产过程中的分拣,将实际的分拣系统抽象为一个简单的物理模型,从物理设备中提取多种物理特征(速度、质量、高度等),配以唯一的设备指纹,并搭建了一个小型分拣试验台来模拟实际场景下的工业生产分拣过程。最后,进一步验证了基于多物理特征的指纹的存在性,并分析了指纹的特征关系。同时,探讨了随机攻击模型对拥有FMPFM的ICPS的攻击性能,证明了 FMPFM对内部随机攻击的防御能力。2.针对工业信息物理系统的源节点的攻击问题,提出了一种基于多层采样的主动学习溯源攻击模型(ALTA-MLSS)。该模型是一种“随机游走+主动学习”的迭代学习模型,是攻击者在网络节点进行随机游走的基础上加入主动学习提升溯源游走性能的一种模型。为了解决在传统主动学习中可能选出离群点与相似样本的问题,构建了基于样本信息度的多重采样策略算法;同时构建了基于样本空间性采样策略算法有效地表达整体样本空间的分布情况;考虑到采样过程中存在的信息冗余问题,提出了基于样本多样性的采样策略算法。最后通过仿真实验,验证了主动学习的溯源攻击比随机游走的溯源攻击有更优的溯源攻击能力,其中ALTA-MLSS算法比其他主动学习算法具有较优的采样性能。3.针对在传统主动学习攻击模型中可能存在专家标注决策错误的问题,提出了一种基于ε-贪心专家决策筛选的主动学习溯源攻击模型(ALTA-GEDS)。其中同时要将攻击模型和专家进行匹配,避免在标注过程中造成错误的样本标注,从而导致攻击资源的浪费,增大被系统发现的概率,为此建立一个攻击模型专家筛选算法(AMEF)。为解决专家自身对采样样本标注和攻击模型筛选的不稳定性,建立基于ε-贪心的专家决策优化算法(EDOPG)。最后通过仿真实验,验证了 ALTA-GEDS算法比其他主动学习算法具有较优的溯源攻击性能。4.针对在传统主动学习攻击模型中可能存在专家标注决策错误的问题,提出了一种基于ε-贪心专家决策筛选的主动学习溯源攻击模型(ALTA-GEDS)。为避免攻击模型和专家匹配过程中造成的错误样本标注,设计一种攻击模型专家筛选算法(AMEF),减少攻击资源的浪费和被系统发现的概率。此外,提出基于ε-贪心的专家决策优化算法(EDOPG),以解决专家自身对采样样本标注和攻击模型筛选的不稳定性。最后通过仿真实验,验证了 ALTA-GEDS算法比其他主动学习算法具有较优的溯源攻击性能。本文针对所提出的防御机制搭建了小型物理平台进行验证,并探讨了随机攻击模型对FMPFM在ICPS中的攻击性能,证明了 FMPFM对内部随机攻击的防御能力。本文也从攻击者角度对所提出的攻击模型进行仿真,实验结果证明了所提出的攻击模型相比同类攻击模型在游走性能和分类器性能等方面上表现更佳。