基于大型语言模型的物联网设备端使用控制策略自动生成：智能家居环境中自然语言到U-XACML策略的转换

为解决物联网设备访问控制策略生成复杂、技术门槛高的问题，意大利国家研究委员会信息学与远程通信研究所团队创新性地提出基于LLMs的自动化策略生成框架。该研究通过两阶段转换机制（自然语言→JSON→U-XACML）实现93%的生成准确率，支持资源受限设备本地执行，为智能家居等领域提供隐私安全的访问控制解决方案。

　　

随着智能家居设备的普及，如何让普通用户也能便捷地定义复杂的设备访问规则成为亟待解决的难题。传统基于XACML（可扩展访问控制标记语言）的策略需要专业技术人员编写，而可视化编辑工具又缺乏灵活性。更棘手的是，现有云依赖方案会引发隐私泄露风险——当用户的"打开空调"这样的日常指令都需要上传云端处理时，家庭隐私便荡然无存。

意大利国家研究委员会信息学与远程通信研究所（Institute of Informatics and Telematics, National Research Council of Italy）的Loay Alajramy团队在《Future Generation Computer Systems》发表的研究给出了创新解决方案。研究人员巧妙运用大型语言模型（LLMs），开发出能直接在智能家居网关设备上运行的策略生成系统Text2Policy。该系统就像个"策略翻译官"，把用户说出的"允许客人在周六早8点到晚7点打开空调"这样的自然语言，自动转换成符合UCON（使用控制）标准的机器可读策略。

研究采用四大关键技术：1）两阶段转换架构（自然语言→结构化JSON→标准U-XACML）；2）基于分类法的数据集生成方法；3）4位量化的LLaMA8b/Mistral7b模型部署；4）多LLM陪审团（PoLL）的语义验证机制。其中创新性的JSON中间件设计，将策略元素压缩为键值对形式，使Token生成量比直接输出XACML减少67%，显著提升设备端执行效率。

? 策略转换工作流验证

通过4681组测试数据验证，LLaMA8b模型在将自然语言转换为JSON策略时达到93%准确率。特别在含3-4条规则的复杂策略场景下，F1-score高达99%，证明其精准捕捉嵌套逻辑的能力。

? 抗干扰性能测试

在包含3775条含拼写错误指令的"错误数据集"上，模型保持91%的准确率。即使当Levenshtein错误影响值达70%时，仍维持85.5%的决策准确度，展现强大容错性。

? 跨领域泛化能力

在未经额外训练的智能办公室和老年医疗场景测试中，系统准确率分别达86.6%和81%。其中医疗场景性能波动较大，反映专业领域术语带来的挑战。

? 专家策略一致性评估

31组专家定义策略的对比测试显示，LLaMA8b生成策略的决策一致率（DAR）达98.4%，28组实现完全一致，证明其策略逻辑的可靠性。

? 设备端性能实测

在树莓派5和Jetson Orin Nano上的实测表明，生成含4条规则的策略仅需217ms，内存占用稳定在6GB内，验证了资源受限设备的可行性。

这项研究的重要意义在于首次实现端到端的物联网使用控制策略自动生成。其创新性的分类法驱动数据集构建方法，支持快速适配新领域；而设备端执行架构则有效解决了隐私保护与功能需求的矛盾。特别是将LLMs的推理能力压缩到8GB内存设备的技术突破，为边缘智能发展提供了重要参考。未来通过引入强化学习和思维链（CoT）提示等机制，有望进一步提升系统处理复杂策略的能力。