《IoT》：AI/ML Conceptual Framework for Cyberthreat Detection for IoT-Based Cyber-Physical Systems
编辑推荐：
物联网（IoT）技术在信息物理系统（CPS）中的持续集成，推动了从自主导航制造机器人到大规模环境感知网络和智能电网等自主与监测应用的发展。然而，这种快速互联也加剧了网络安全威胁与互操作性挑战。近期研究报告指出，自2020年以来，基于IoT的CPS网络攻击增长超
物联网（IoT）技术在信息物理系统（CPS）中的持续集成，推动了从自主导航制造机器人到大规模环境感知网络和智能电网等自主与监测应用的发展。然而，这种快速互联也加剧了网络安全威胁与互操作性挑战。近期研究报告指出，自2020年以来，基于IoT的CPS网络攻击增长超过300%，2024年记录的未遂入侵超过15亿次。本研究是前期研究的延续，前期研究探讨了基于IoT的CPS系统与最常见网络威胁及设计变量之间的描述性关系，具体包括功耗、数据时延、数据处理和数据质量。因此，本研究提出一个人工智能/机器学习（AI/ML）概念框架，用于设计算法以识别基于IoT的CPS三个不同层级中的不同类型网络威胁，即传感器层、网络层和应用层。研究采用遵循PRISMA框架的结构化文献综述，对n = 56篇文章样本进行主题内容分析。研究结果突出了以往研究中基准化的设计变量在CPS系统三个层级、不同网络安全攻击类型下的平均变化。例如，一项研究发现，智能电网遭受侧信道攻击时，传感器功耗和数据时延增加200%至400%。本研究提供一个AI/ML网络威胁检测概念框架，映射设计变量变化，并强调基于IoT的CPS在不同类型网络攻击下的自主告警与响应架构；这为研究增加了新颖性，并可在未来研究中开展实证验证，以支持多变量网络威胁检测模型的开发。
1. 引言
该部分指出物联网（IoT）是信息物理系统（CPS）的关键组成部分，CPS涉及传感器层、网络层与应用层，传感器层和网络层包含易受多种网络攻击的IoT设备。研究援引报告说明全球IoT攻击增长300%，影响智能电网、智慧城市和制造业等关键基础设施，造成重大损失与停机。常见攻击包括拒绝服务（DoS）、僵尸网络恶意软件（如Mirai）、窃听、欺骗、代码注入和侧信道攻击。侧信道攻击可使智能电网传感器功耗增加250%，传感器电池耗尽速度加快60%，数据时延由正常条件下200 ms升至1000 ms；传感器欺骗与虚假数据注入（FDI）可使电网数据准确性由99%降至65%、完整性由100%降至75%，并产生25个损坏数据读数。既有零信任与联邦学习入侵检测框架多利用CICIDS 2017和EdgeIIoTset数据集，以数据时延为特征，采用卷积神经网络（CNN）和双向长短期记忆（BiLSTM）算法。本文则以功耗、数据处理、数据质量和数据时延为变量，提出支持未来多变量网络威胁检测模型开发的概念框架。主要目标是系统识别并归类传感器层、网络层和应用层常见网络威胁下上述变量的变化；次要目标是考察这些运行变量的组合能否作为未来多变量检测方法的候选指标；并据此提出概念性AI/ML检测框架及未来实施与实证验证方向。方法采用PRISMA框架的结构化文献综述，对n = 56篇文章进行主题内容分析。
2. 背景
2.1 IoT基信息物理系统（CPS）
该小节界定基于IoT的CPS包括传感器层、网络层和应用层。传感器层由数据采集传感器构成，如自动驾驶CPS中的LIDAR、摄像头、温度和雨量传感器；网络层包括边缘设备（如Raspberry Pi）和LoRaWAN、Bluetooth、Wi-Fi、3G/4G/5G等网络协议设备；应用层包括云存储、REST API、实时数据仪表板和数据管道。本文以三层结构对常见网络威胁进行分类。
2.2 CPS设计变量
设计变量包括传感器、网络设备和计算设备的功耗；数据时延或吞吐率，且具有应用或用例敏感性，例如自主信息物理应用要求低时延，精准农业作物监测等监测类应用可容忍较高时延；数据处理指网络层边缘设备和应用层计算服务器的处理速率，以GB/sec、MB/sec或KB/sec表示；数据质量指数据准确性或完整性。本文用这些变量探索三层CPS在不同网络威胁下的变化。
2.3 CPS网络威胁
常见网络威胁按三层归类：传感器层包括侧信道或电池耗尽、传感器欺骗或虚假数据注入（FDI）、恶意固件攻击；网络层包括拒绝服务（DoS）、干扰和中间人（MiTM）攻击；应用层包括恶意软件或僵尸网络、未授权API访问和API注入攻击。研究关注这些威胁与设计变量变化的关系，并提出AI/ML算法开发框架。
2.4 CPS网络威胁检测AI/ML概念框架
既有联邦学习入侵检测系统（FL-IDS）和联邦零信任IDS多聚焦单一层级，例如FL-IDS评估数据时延和功耗用于传感器层威胁检测，联邦零信任IDS面向边缘和网络层威胁并评估数据处理和数据时延。本文提出跨三层CPS设计变量的AI/ML概念框架，以支持更准确的威胁特定自主告警系统。
3. 方法
该部分说明采用PRISMA驱动的结构化文献综述（SLR）和主题内容分析。首先依据研究目标界定分析单元和关键词筛选标准，包括“IoT”“Cyberthreats”“Cyber-physical systems”“Data Latency”“Data Quality”“Data processing”。分析周期为2010—2025年，初始检索获得n = 90篇文章，检索数据库包括Emerald、IEEE Xplore、MDPI和ScienceDirect，并使用布尔运算符“AND”构建检索式。筛选依据摘要、关键词、引言、方法、结果和结论评估相关性；若文章满足研究目标之一则纳入，排除34篇，最终样本为n = 56篇。采用NVivo软件（v.15）进行主题内容分析，以编码和可视化数据。
4. 结果
4.1 传感器层网络威胁
侧信道或电池耗尽攻击利用传感器在无线唤醒、数据包处理和微控制器占空比方面的高能耗。植入式IoT设备案例中，蓝牙通信过多和传感器电池耗尽导致224人受伤。数据包洪泛可使CPU利用率提高265%，传感器功耗提高100%—250%，数据时延增加200—1000 ms；缓解措施包括低占空比MAC强化、功耗轨迹异常检测和本地限速。虚假数据注入或传感器欺骗可引发状态估计误差并绕过常规坏数据检测，使自动驾驶或智能电网数据准确性降低60%—80%，数据时延增加500 ms—5 s；LIDAR欺骗可使目标检测受骗率达75%。缓解措施包括结合数据质量的异常检测、源认证、PMU冗余和感知防御。恶意固件攻击定量评估较少但概念重要，可内部生成其他攻击；LIDAR自动驾驶CPS中可使边缘设备功耗增加300%—400%，本地网关CPU处理由30%升至95%，丢包率增至40%，并增加数据处理和认证更新需求；缓解措施包括安全启动、认证更新、防重打包、硬件性能计数器监测及设备网络安全基线。
4.2 网络层网络威胁
拒绝服务（DoS）攻击以过量流量耗尽带宽、内存和CPU资源，使CPS服务不可用；Zigbee和LoRa等低功耗协议限制带宽并放大拥塞。持续洪泛下数据时延增加300%—500%，处理并丢弃恶意数据包使边缘节点功耗增加40%—70%；Mirai僵尸网络可协调大量受控IoT节点，GPS/GNSS采样率在持续DoS洪泛下下降超过50%。干扰攻击在IEEE 802.15.4（Zigbee）、BLE和Wi-Fi等信道发射射频干扰，阻断合法节点ACK接收，并通过CSMA/CA重传机制使设备射频长时间开启，功耗较正常增加200%—400%；无线传感器网络（WSN）中重传传播可使所有簇成员能耗增加，每次重传增加150—400 ms时延；反应式干扰仅针对确认帧，难以检测。中间人（MiTM）攻击利用MQTT和CoAP等协议弱点，通过ARP欺骗、中继攻击和SSL剥离实施；被动拦截难以检测，延迟或修改消息可引发重传，使往返时延增加100—300 ms；签名检查或异常评分带来30%—60%处理开销；数据质量可因传感器读数被静默篡改而受损，影响状态估计。MQTT轻量发布—订阅设计缺乏内置消息认证，使安全不足部署中的拦截更直接。
4.3 应用层网络威胁
恶意软件和僵尸网络利用弱接口、过时安全协议和异构IoT系统认证不一致；表现为CPU和网络利用率尖峰，并造成架构拥塞，延迟关键遥测管道。恶意软件僵尸网络可使功耗增加300%，CPU开销增加80%，网络带宽占用达95%，数据时延增加至多500 ms。弱认证与授权因异构设备、协议和互操作性不足而突出，未授权访问常导致持久后台活动、数据外泄和认证重试增加功耗。API滥用利用有效端点、标准协议和合法凭证提取未授权数据或耗尽资源，影响信任和数据完整性；在CPS或工业环境中可影响机器输出、更改设备配置或发出未授权运动命令，导致事故。语义或提示注入主要降低数据质量，破坏AI应用推理上下文；恶意文本可使代理误解操作意图、忽略安全约束或生成表面合法但不安全的命令序列，并因上下文清洗、人工升级和连续推理循环造成数据处理过载。异构模式和弱治理API扩大攻击面，语义攻击在保持结构有效的同时操纵数据含义，增加验证开销并扭曲下游数据处理。
4.4 基于IoT的CPS网络威胁检测AI/ML框架
该小节提出可用于训练和开发CNN-BiLSTM等机器学习算法的概念AI/ML框架，构建自主告警工具以促进AISecOps，实时评估设计变量变化并识别特定网络威胁签名，支持风险与停机缓解。既有零信任联邦学习框架使用CICIDS 2017和EdgeIIoTset，以网络流量和数据时延变量训练CNN和BiLSTM，但缺乏对传感器和网络设备功耗、网络与边缘设备数据处理及数据质量的模型训练。API滥用和语义注入保持结构与协议层有效性，可能逃避仅基于流量和时延的模型，因此需将数据质量和数据处理作为一等变量。框架的代理层可使专用子代理利用知识图谱和上下文知识调查被标记异常并建议修复，将高风险或低置信度案例升级至人工复核。
5. 讨论
研究结果提供了可测量的网络威胁指纹，而非简单威胁目录。攻击不仅损害数据或可用性，也影响工程师为性能已监测的功耗、时延、处理负载和数据质量。检测可依托运行遥测数据，而不必仅依赖签名检测或深度包检测。与FL-IDS及基于CNN的LSTM框架相比，所提框架增加功耗、数据质量和数据处理变量。传感器层侧信道攻击产生功耗和时延显著上升，轻量异常检测可捕获；欺骗/FDI主要表现为数据质量下降，功耗异常算法可能漏检；恶意固件呈复合签名。网络层DoS/DDoS产生极端资源消耗，体积攻击较易检测；干扰通过强制重传形成能耗足迹，反应式干扰难检测；MiTM变量变化最小，需威胁特定灵敏度而非全局阈值。应用层恶意软件和僵尸网络呈CPU、带宽和时延复合签名；API滥用和注入主要呈数据质量退化，且API滥用使用有效端点和合法凭证，需行为而非统计异常检测；语义注入与资源饱和型威胁变量轮廓相反。因此，单一设计变量不足以可靠检测威胁。所提框架将功耗、时延、处理负载和数据质量作为跨三层联合特征空间，可区分表面相似症状，并支持按暴露面优先布置仪表化。局限包括变量范围来自异构实验设置、硬件、攻击强度和CPS领域，不同数据集版本也可能影响变化；文献综合不能证明阈值在实时跨域部署中成立，也不能排除网络拥塞或硬件老化等混杂因素。
6. 结论
结论强调网络攻击向量应构建为多变量时间序列系统，而非单特征阈值检测。多维入侵检测框架应包括功率轨迹、无线TX/RX或占空比活动、端到端或传感器到网关时延、CPU利用率、重传与丢包、完整性和一致性等数据质量指标、状态估计残差、传感器间差异，以及固件版本、更新事件和完整性日志等网络设备状态特征。可行架构为两阶段流水线：第一阶段为轻量异常检测器，学习各设备类型或家族的良性时序行为；第二阶段为分类器，仅对异常检测器标记的可疑窗口区分资源攻击、欺骗/FDI和恶意固件。训练时应标注攻击家族及攻击起止窗口，保持时间顺序，防止跨设备或场景泄漏，并以干净或低污染数据训练异常检测部分。评估除准确性外，应报告精确率、召回率、F1分数、假阳性率、AUROC或AUPRC、边缘运行与推理成本及检测延迟。基准百分比不应视为固定通用阈值；NIST文档强调IoT安全基线需按应用和实验环境进行配置与调优。传感器层正常工作量、通信、重试、维护、电池行为、校准漂移或环境变化可造成攻击假象，部署需设备特定资源行为和数据质量基线。研究局限为定性二次数据分析，需在实际CPS环境中实证测试所提AI/ML框架。未来研究应采集并时间锁定功耗、电流、传感器信号、延迟、重传、CPU或占空比、丢包、固件或更新事件及经验证攻击起止标签，分别并组合测试正常压力与不同网络攻击，评估跨设备模型、跨设置及新型攻击的泛化能力。SWAT、Wadi、Edge-IIoTset和N-BaIoT等公开数据集可作为参考，但仍需有意组装包含传感器功率轨迹、固件完整性事件和跨三层同步攻击质量标签的数据集；派生数值应作为假设签名范围或线索，并通过设备特定、多模态、真实运行条件下的数据校准与实证验证。
