物联网使能软件定义无线传感器网络中的AI驱动安全机制：新兴趋势、架构、关键挑战、解决方案与前景综述

《Array》：AI-driven security mechanisms in IoT-enabled SDWSNs: Surveying emerging trends, architectures, key challenges, solutions, and prospects

　　

摘要专业翻译 随着物联网（IoT）设备的高需求，软件定义无线传感器网络（SDWSNs）已被广泛应用于智慧城市、医疗保健和工业自动化等多个领域。尽管这些网络提供了诸多机遇，但也带来了重大的安全挑战。随着网络安全威胁和风险的日益增加，入侵检测与防御系统（IDPSs）已被视为一个借助人工智能（AI）进步而得到增强的重要领域。SDWSNs通过将控制平面与资源受限的传感器节点分离，并允许集中式可编程网络管理，将软件定义网络（SDN）的概念扩展至无线传感器网络（WSNs）中。在物联网使能的SDWSN中，传统无线传感器节点与异构IoT设备、边缘网关和基于云的应用协同工作，并由逻辑集中的SDN控制器统一管理。得益于这种集成，IoT服务能够凭借对网络行为的全局可见性和控制，动态地收集、处理和使用感知数据。 安全性是许多信息物理系统面临的主要问题，但其对SDWSNs的影响更为显著，因为这些网络利用集中式控制逻辑来管理大量资源受限的无线传感器节点，这与传统网络不同。因此，对控制平面或网关的成功攻击可以迅速扩散至整个网络，同时影响路由、数据聚合和应用层服务。传统SDN安全研究大多聚焦于有线或数据中心环境，其中转发设备具有稳定的连接、可用的计算资源和可靠的电源。相比之下，SDWSNs运行在高度动态的无线环境中，具有多跳通信、间歇性链路和极其有限的能量。为SDN设计的安全措施无法直接应用于SDWSNs，因为它们通常未考虑控制信令的成本、无线链路的脆弱性以及传感器节点的有限寿命。独立的IoT安全解决方案传统上也侧重于设备认证以及数据和应用程序层的隐私保护。然而，物联网使能的SDWSNs通过将不同类型的IoT设备与对WSNs的集中式SDN控制相结合，增加了另一层风险。在这类系统中，被恶意攻陷的IoT节点可以发送虚假数据或恶意控制请求，从而影响整个网络的决策。对控制器或网关的攻击也可能使大规模检测、路由和服务交付变得困难。SDN安全主要关注控制器攻陷、控制信道完整性和相对稳定（通常为有线）基础设施内的可编程转发。另一方面，IoT安全关注异构端点上的设备身份、数据隐私和应用层威胁。两种范式在物联网使能的SDWSNs中均被整合，以在有限能量和带宽下实现安全数据传输，并且需要联合考虑控制平面和无线数据平面的跨层安全。 从物理层安全（PLS）的角度来看，安全性本质上是跨层的，因为PLS在物理层（PHY）保护物联网使能的SDWSNs免受无线通信漏洞的影响。通过侧重于控制层和应用层的基于AI的入侵检测与防御，同时考虑互补的物理层方面也至关重要，因为无线传感器通信仍然容易受到信道级攻击，例如窃听（攻击者被动监听无线传输）、干扰（攻击者注入干扰以破坏通信，从而导致数据包丢失、重传和能量耗尽）以及物理层的欺骗或冒充（攻击者试图模仿合法节点的信号特征）。使用基于AI的安全技术和优化方法可以使PLS在实践约束下具有适应性。例如，深度强化学习（DRL）和元启发式优化可以支持关于功率控制、中继或路由选择、抗干扰适应以及无线通信智能重构的决策，从而增强控制器和边缘层的IDPS决策。 图1描绘了物联网使能的SDWSN安全架构，展示了应用平面、控制平面和数据平面之间的交互以及AI驱动安全功能的部署位置。该架构中有三个基本层或平面，即应用平面、控制平面和数据平面。每个平面对于维护网络的安全性、可编程性和灵活性都至关重要。应用平面负责监督整个网络，由负载均衡器和安全机制等各种应用组成。负载均衡器保证有效的流量分配，从而最大化网络性能并避免拥塞。该层通过利用机器学习（ML）算法来提高网络的弹性，以防止入侵或网络攻击。控制平面负责协调和控制整个SDWSN，可能由各种SDN控制器组成，在动态资源分配、路由和策略执行中至关重要，并负责集中式网络管理。控制平面通过北向应用程序编程接口（API）与应用平面通信，通过南向API与数据平面通信。在该层，应实施基于AI的安全机制，以有效检测异常或入侵，并实施自适应安全策略以增强整体网络安全。数据平面负责数据聚合和与互联网的通信，包含SDN交换机、传感器节点和网关/基站。基于WSN的IoT通过互联网与IoT用户交互。鉴于IoT网络的数据密集型特性，入侵检测系统（IDSs）和AI驱动的安全机制，如智能流量过滤和异常检测、智能认证以及用于动态优化安全策略的强化学习（RL）技术，可以嵌入网关以保护数据传输并防止未经授权的访问。这种分层交互显示了IoT系统如何依赖SDWSN的可编程性，以及任何层的安全漏洞如何扩散到整个系统。与传统SDN或自主IoT系统相比，SDWSN控制器维护着全局网络视图，并在资源受限的传感器和IoT节点上执行能量感知和安全感知的控制策略。IoT应用和服务通过应用平面与网络交互，而AI驱动的安全机制使入侵检测和自适应保护能够跨越应用、控制和数据平面。 应当指出，物联网使能的SDWSNs不同于传统SDN或独立IoT架构。当前的SDN安全研究一直聚焦于拓扑相对稳定、高吞吐量资源和高带宽链路的有线或数据中心网络。同时，基于IoT的安全倾向于关注设备认证、数据隐私和应用层威胁，但传统上不考虑集中式控制逻辑或可编程转发的作用。物联网使能的SDWSNs整合了这两种范式，并带来了诸如在高度动态、能量受限的无线传感器和IoT节点上进行集中控制的高计算开销等问题。整合IoT和SDWSNs并非易事。SDN控制器可能是高价值目标，例如，被攻陷的传感器或IoT节点可能注入虚假数据和恶意控制请求，从而影响整个网络。此外，安全服务需要在极端能量受限、低延迟和带宽受限的环境中运行，这在SDN安全模型中通常未被考虑，也未在IoT安全框架中被实际捕获。因此，为SDN或IoT单独开发的安全机制不能直接适用于物联网使能的SDWSNs，需要进行大量调整。 WSNs以及IoT领域正在经历进展，需要彻底审视现有文献以揭示当前趋势、进展以及未解决的挑战。本综述深入探讨了近期研究中强调的各种建议方法、算法和框架，特别关注SDWSNs和IoT框架中安全性、路由和入侵检测的增强。评估这些贡献对于理解该领域的现状和指导未来研究方向至关重要。 研究人员探索了多种技术，从ML算法和区块链技术到优化方法，用于提高SDWSNs和IoT系统的安全性、效率和可靠性。这些研究涵盖了广泛的方法，从IDSs到节能路由协议和稳健的认证技术。然而，尽管取得了这些改进，仍存在若干挑战和研究空白，特别是在可扩展性、能耗、延迟以及维护安全高效网络的复杂性方面。近期研究已开始使用新的AI范式，如生成对抗网络（GANs）、图神经网络（GNNs）和联邦学习（FL），用于SDWSN安全和优化，此外还有传统的ML和深度学习（DL）方法。GANs用于数据增强和对抗学习，GNNs用于检测网络拓扑感知的入侵，FL用于以保护隐私的方式训练模型。大语言模型（LLMs）也正在兴起，用于日志分析作为安全副驾驶、策略验证以及威胁评估和优先级排序。尽管基于LLM的IDPS解决方案在物联网使能的SDWSNs中应用有限，但其快速发展表明在未来网络智能安全方面具有巨大潜力。 AI和ML的使用使得为IoT环境设计更强大的IDSs成为可能。将云计算与IoT集成增加了IoT设备的功能并吸引了更多研究。IoT系统在智能环境中日益增长的复杂性和部署 necessitate 了先进的安全措施，从而推动了该领域更多的研究和出版物。 本综述为未来研究解决已识别的空白并提高物联网使能的SDWSNs的安全性和性能提供了基础。它推进了对SDWSN和IoT环境中发展和挑战的分析，探讨了先前研究中确定的具体研究空白。该评估主要侧重于将近期研究趋势与先前发表的工作进行比较，特别关注所使用的数据集、关键方法以及基本概念，如所使用的软件工具、AI与物联网使能的SDWSNs的集成，以及模型实施过程中遇到的挑战或限制。本综述更深入地探讨了多种建议的入侵检测策略，涵盖集中式和分布式模型，特别关注物联网使能的SDWSNs。尽管这些方法具有创新性，但其部署仍受限于有限的内存、动态网络条件和能量需求，所有这些都是WSN和IoT环境中的关键考虑因素。持续关注的问题是这些策略在识别新的、未知的攻击源方面的有效性程度，以及它们对网络效率和寿命的后续影响。 本综述还讨论了多种技术，如用于检测SDWSN和IoT系统中入侵的DL架构、特征提取方法、特征选择方法和优化算法。虽然这些方法在提高检测准确性和效率方面显示出巨大潜力，但它们并非没有挑战。需要解决的一些关键挑战包括多组件集成的复杂性、可扩展性问题，以及IoT应用所需的计算需求与能量效率之间的权衡。 本综述还强调了在代表性数据集（如NSL-KDD和KDD Cup 1999）上评估入侵检测方法的重要性，同时认识到在不同数据集和实验设置下获得的性能结果不能直接比较。 本综述中提到的研究突出了研究空白和挑战，表明在物联网使能的SDWSNs领域需要创新、可扩展和高效的方法。这些方法旨在通过使用改进特征提取和特征选择、提高入侵检测准确性以及实现性能与能量效率之间最优权衡的新技术，来填补SDWSN和IoT系统中的研究空白。 本综述专门聚焦于保护物联网使能的SDWSNs的AI驱动机制，包括入侵检测、防御和缓解、安全感知路由、信任管理、自适应防御和安全策略执行。来自传统WSNs、IoT、工业物联网（IIoT）和SDN环境的研究仅在其架构、安全机制或运营见解与SDWSN环境有明确关系时才被考虑。通用路由、能量优化、区块链、密码学或面向应用的研究被视为辅助材料而非独立的综述主题，除非它们直接支持物联网使能的SDWSNs中的安全功能。 现有综述已在研究范围内解决了几个单独的主题。大多数早期关于SDWSNs的综述侧重于SDN架构、可编程性、网络管理、设计需求、控制器操作、能量效率以及基于SDN的WSNs的一般实施挑战。例如，Kobo等人讨论了SDWSNs的挑战和设计规范，Ndiaye等人解决了WSNs的基于SDN的管理，Mostafaei和Menth对SDWSNs的基础、操作、进展和开放挑战进行了综述，Narwaria和Mazumdar基于控制器、网络和能量相关问题提出了更广泛的SDWSN综合。Modieginyane等人考察了WSN应用和管理挑战、基于SDN的机遇以及SDWSNs的实施考虑。这些研究为SDWSNs提供了架构和操作基础，但未聚焦于AI驱动安全的分析维度。 此外，Saqib等人调查了SDWSNs的安全方法，包括基于SDN/WSN的威胁以及使用ML/DL-based网络入侵检测的可能性。Umba等人调查了SDWSNs中基于AI的入侵检测。Jurado-Lasso等人研究了ML和SDWSNs的一般融合，强调智能、集中式和资源感知的网络操作以及SDWSN的实际实施挑战。Alansari等人系统地调查了传统WSNs中的路由攻击检测，而Janabi等人聚焦于传统SDN环境中的入侵检测。Siddiqui等人调查了基于SDN的IoT框架，包括其架构、管理功能、使能技术和开放挑战。更近期的IoT安全综述考察了通用IoT环境中的ML驱动安全，以及使用集中式、分布式、联邦、云、雾和边缘范式的基于AI的IDS训练和部署。 更近期，Al-Dulaimy和Frey对ML驱动的SDWSNs进行了系统综述，考察了2024–2025年间发表的46篇同行评审研究。他们的问题导向综合解决了七个主题领域，包括DDoS缓解、入侵检测、隐私保护、数据完整性、路由优化、QoS管理和网络效率优化。该综述还考虑了ML部署架构、实验验证以及涉及准确性、延迟、可扩展性和资源效率的权衡，利用了超过120个报告的实验配置。因此，它代表了具有大量主题重叠的密切相关的当代综述。本综述的主要区别在于其分析取向，而非仅仅包含这些主题。本综述不是将安全视为ML-SDWSN的几个问题领域之一，而是采用AI驱动安全作为其中心组织视角，并根据安全功能、主要威胁类别和AI/支持安全机制对证据进行分层组织。架构攻击面、部署位置和验证属性被分别考察，以确定检测、防御、缓解、信任管理、安全感知路由、恢复和策略执行如何在物联网使能的SDWSNs中相互作用。此外，本综述考虑了更广泛的2010–2026年证据窗口，并明确区分了直接SDWSN研究与架构可转移的软件定义IoT/WSN证据，而不将后者视为直接的SDWSN实验验证。 总的来说，这些早期和当代的综述为理解SDWSN架构、ML使能安全、自适应路由、实验评估和部署约束提供了坚实基础。在此文献基础上，本综述特别考察了可编程SDWSN架构中安全目标、目标威胁、AI驱动机制以及相应保护或执行行动之间的关系。它进一步区分了直接SDWSN证据与可转移研究，并评估了在无线通信、控制器-网关和资源受限部署条件下的操作可行性。 本综述论文的主要贡献如下： 1.提供物联网使能的SDWSNs的安全中心分析，识别应用、控制和数据平面上的攻击面，并将其与软件定义传感器网络的架构特征相关联。 2.综述和分类在物联网使能的SDWSNs及密切相关的软件定义IoT和WSN环境中研究的传统和新兴AI技术，用于入侵检测、防御、缓解、信任管理、安全感知路由和动态威胁响应。 3.开发分层安全分类法，主要根据安全功能、威胁类别和AI/安全机制组织所调查的研究，而架构领域和部署位置被单独考虑。数据集、实验平台、评估指标和研究相关性作为评估和验证标准进行分析，而非分类法分支。 4.比较用于评估与物联网使能的SDWSNs相关的AI驱动安全机制的数据集、实验环境、评估指标和验证方法。 5.通过考虑与SDWSN部署相关的操作约束，包括能耗、内存和计算需求、通信和控制开销、延迟、可扩展性、网络寿命、鲁棒性和可解释性，考察AI驱动安全性的操作可行性。 6.批判性地综合现有方法的局限性，并确定实际、自适应、分布式和资源感知的物联网使能SDWSNs中AI驱动安全的研究空白和未来方向。

论文主体内容解读

一、研究背景与问题

随着物联网（IoT）设备需求的高速增长，软件定义无线传感器网络（SDWSNs）已在智慧城市、医疗保健和工业自动化等领域获得广泛应用。SDWSNs通过将软件定义网络（SDN）的控制平面与资源受限的传感器节点分离，实现集中式可编程网络管理。在物联网使能的SDWSN中，传统无线传感器节点与异构IoT设备、边缘网关和云应用协同工作，由逻辑集中的SDN控制器统一管理。然而，这种架构也带来了独特的安全挑战：由于采用集中式控制逻辑管理大量资源受限节点，对控制平面或网关的成功攻击可迅速扩散至整个网络，同时影响路由、数据聚合和应用层服务。传统SDN安全研究主要聚焦于有线或数据中心环境，其安全措施未考虑无线链路的脆弱性、控制信令成本和传感器节点的有限寿命，无法直接应用于SDWSNs。独立IoT安全方案则侧重于设备认证和数据隐私，未考虑集中式控制逻辑的作用。两种范式在物联网使能的SDWSNs中的整合需要跨层安全机制，联合考虑控制平面和无线数据平面，且安全服务需在极端能量受限、低延迟和带宽受限的环境中运行。现有综述或聚焦于SDWSN架构与管理的宏观层面，或仅涉及入侵检测的单一功能，缺乏以AI驱动安全为中心、覆盖从检测到防御全生命周期的系统性分析。因此，开展一项以安全功能、威胁类别和AI机制为核心组织维度的综合性综述研究十分必要。

二、研究内容与主要结论

该综述采用基于PRISMA 2020规范化的系统综述方法，对2010至2026年间六个正式文献数据库（IEEE Xplore、Scopus、Web of Science Core Collection、ACM Digital Library、ScienceDirect和Springer Nature Link）中的文献进行了检索、去重、筛选和评估，最终保留146篇报告，其中128篇为合格的主要研究，18篇为次级综述研究。研究围绕六个研究问题展开，涵盖攻击面识别、AI范式分类、部署位置权衡、数据集与验证策略、操作约束考量以及研究空白识别。主要结论包括：物联网使能的SDWSNs面临跨越应用、控制、数据三个平面的多类安全威胁；传统机器学习（ML）和深度学习（DL）方法仍是主流，而生成对抗网络（GANs）、图神经网络（GNNs）、联邦学习（FL）和大语言模型（LLMs）等新兴AI范式正逐步引入；安全功能可部署于传感器、簇头（CHs）、网关/边缘节点、控制器和应用层等不同位置，各位置存在不同的权衡；能量、内存、计算、延迟、可扩展性和可解释性等操作约束对实际部署具有决定性影响；现有研究在未知攻击检测、资源感知自适应防御和分布式协同等方面仍存在明显空白。该综述的独特贡献在于建立了统一的分层安全分类法，将安全功能、威胁类别和AI机制作为主要组织维度，并明确区分直接SDWSN证据与架构可转移的软件定义IoT/WSN证据，避免将后者误认为直接的SDWSN实验验证。

三、主要关键技术方法

该综述采用的主要技术方法包括：基于PRISMA 2020的系统综述方法，包含明确的检索策略、去重流程、标题与摘要筛选、全文资格评估和相关性分类；构建了区分直接SDWSN研究、可转移研究和背景支持研究的三级证据分类体系；设计了六维度方法论质量评估框架，从安全目标清晰度、技术透明度、实验有效性、评估严谨性、操作评估与资源意识、可复现性与局限性六个方面对每项主要研究进行0至2分的评分；采用分层安全分类法，以安全功能、威胁类别和AI/安全机制为主要分类维度，架构领域和部署位置作为独立分析维度；此外还利用Google Scholar进行了描述性出版趋势分析，通过SerpAPI程序化访问，逐年检索2010至2026年的相关记录，作为补充支持证据。

四、研究结果

（一）安全威胁与攻击面分析。 该综述在第三部分系统梳理了物联网使能SDWSNs在应用、控制、数据三个平面上的安全威胁。通过分析发现，控制平面因其集中式管理特性成为高价值攻击目标，控制器攻陷可导致全网路由、数据聚合和应用服务同时受损；数据平面的无线传感器节点面临窃听、干扰、物理层欺骗等信道级攻击；应用平面则面临恶意应用和策略注入等威胁。研究强调，物联网使能SDWSNs的安全威胁具有跨层传播特性，任何一层的安全漏洞都可能扩散至整个系统。

（二）AI在入侵检测与防御中的角色。 第四部分考察了AI增强IDSs的多种范式。传统ML和DL方法（如支持向量机、随机森林、卷积神经网络、循环神经网络等）在检测准确性方面表现突出，但面临计算开销大、对未知攻击识别能力有限等问题。新兴范式方面，GANs用于数据增强和对抗学习，GNNs用于拓扑感知的入侵检测，FL用于隐私保护下的分布式模型训练，LLMs则开始用于日志分析、策略验证和威胁评估。研究指出，尽管LLM-based IDPS在物联网使能SDWSNs中的应用仍有限，但其快速发展预示着未来智能安全的巨大潜力。

（三）AI驱动的缓解策略。 第五部分分析了检测后的主动防御与缓解机制，包括恶意节点隔离、安全感知路由调整、信任管理、自适应策略执行等。深度强化学习（DRL）和元启发式优化被用于功率控制、中继或路由选择、抗干扰适应和无线通信智能重构等决策，从而增强控制器和边缘层的IDPS决策能力。研究强调，缓解策略需在能量、延迟和带宽约束下运行，安全感知路由和信任管理是保障网络长期安全运行的关键机制。

（四）性能指标与评估平台统计分析。 第六部分对128篇主要研究使用的数据集、实验平台、评估指标和验证策略进行了统计分析。常用数据集包括NSL-KDD、KDD Cup 1999等，但研究强调不同数据集和实验设置下的性能结果不可直接比较。模拟器/仿真器（如NS-3、OMNeT++等）是主要验证工具，评估指标涵盖检测准确率、误报率、能耗、延迟、网络寿命等。方法论质量评估显示，多数研究在安全目标清晰度和技术透明度方面表现较好，但在操作评估与资源意识、可复现性方面普遍不足。

（五）分层分类法下的综合批判性分析。 第七部分按照所提出的分层安全分类法，对近期AI/ML驱动安全方法进行了系统综合。分析围绕安全功能（检测、防御、缓解、信任管理、安全路由、恢复、策略执行）、威胁类别和AI机制三个维度展开，同时独立考察了架构攻击面、部署位置和验证属性。研究发现，多数直接SDWSN研究集中在入侵检测功能上，而缓解、信任管理和策略执行方面的直接SDWSN证据相对匮乏，大量相关证据来自可转移的软件定义IoT/WSN研究。

（六）操作约束与可行性评估。 研究考察了能量消耗、内存和计算需求、通信与控制开销、延迟、可扩展性、网络寿命、鲁棒性和可解释性等操作约束。结果表明，这些约束对AI驱动安全机制的实际部署具有决定性影响。高计算复杂度的DL模型难以直接在资源受限的传感器节点上运行，需要在检测精度与资源消耗之间取得平衡。集中式部署虽有利于全局态势感知，但引入控制信令开销和单点故障风险；分布式和联邦式部署可降低通信开销并增强隐私保护，但面临模型同步和异构数据等挑战。

五、讨论与结论总结

讨论部分总结。 综述在第八部分区分了AI固有挑战与SDWSN特定架构和资源约束。AI固有挑战包括对抗样本鲁棒性、模型可解释性、数据偏差和概念漂移等；SDWSN特定约束包括能量限制、多跳无线通信的不可靠性、控制信令开销、节点异构性和网络动态性。研究识别出若干具体研究空白：未知攻击的零日检测能力不足、资源感知的自适应安全机制缺乏、分布式与集中式协同的混合安全架构尚未成熟、LLMs在资源受限环境中的轻量化部署路径不明确、跨层安全策略的联合优化研究不足等。未来方向包括开发自适应、分布式和资源感知的AI驱动安全机制，探索模型压缩和知识蒸馏等轻量化技术，以及构建融合直接SDWSN实验验证的综合评估框架。

结论部分翻译。 本综述以AI驱动安全为中心组织视角，对物联网使能SDWSNs中的安全机制进行了全面分析。研究建立了连接安全目标、目标威胁、AI驱动机制和相应保护行动的分层安全分类法，并区分了直接SDWSN证据与架构可转移的软件定义IoT/WSN证据。分析表明，物联网使能SDWSNs的安全威胁跨越应用、控制、数据三个平面，具有跨层传播特性；传统ML/DL方法仍是主流，GANs、GNNs、FL和LLMs等新兴AI范式正逐步引入；能量、延迟和可扩展性约束对实际部署具有决定性影响。现有研究在未知攻击检测、资源感知自适应防御和分布式协同等方面仍存在明显空白。未来研究应聚焦于开发自适应、分布式和资源感知的AI驱动安全机制，探索轻量化模型部署技术，并加强直接SDWSN环境下的实验验证，以推动该领域从理论走向实际部署。