综述：多租户物联网–云安全的性能权衡：面向新兴技术的系统性综述

《IoT》：Performance Trade-Offs in Multi-Tenant IoT–Cloud Security: A Systematic Review of Emerging Technologies Bader Alobaywi, Mohammed G. Almutairi and Frederick T. Sheldon

　　

在高动态环境且连接设备数量持续增长的背景下，物联网（Internet of Things, IoT）应用对可扩展性与低延迟的需求带来了显著挑战。针对软件定义网络（Software-Defined Networking, SDN）与边缘（Edge）环境融合的场景，采用机器学习（Machine Learning, ML）技术已成为满足上述需求的重要路径。研究人员开展了系统性文献综述（Systematic Literature Review, SLR），识别并分析了应用于边缘环境下软件定义物联网（Software-Defined Internet of Things, SD-IoT）基础设施的机器学习解决方案，重点关注低延迟与可扩展性的优化。研究严格遵循方法论最佳实践，明确定义研究问题、纳入与排除标准、结构化检索策略，并在多个科学数据库开展检索。基于对筛选后文献的分析，研究人员对提升网络性能的主要策略进行了分类，同时评估了实验环境的保真度与复杂度，讨论了所提方案的现实适用性与落地潜力。结合入选研究的背景，归纳了当前最常用的机器学习范式——包括监督学习、无监督学习与强化学习方法，并分析了其在动态网络场景下的优势与局限。通过对现有研究成果的系统梳理，本文全面呈现了机器学习在SD-IoT网络中应用的技术现状，揭示了当前研究趋势、现存空白及未来研究方向，为构建更智能、更具适应性的物联网环境提供了参考。

引言

物联网部署规模的持续扩张对资源管理提出了更高要求，实现兼具高可扩展性与低延迟的物联网基础设施已成为领域核心挑战。边缘计算通过将管理能力下沉至设备侧，有效缩短了响应时间与消息交互时延，但其处理能力有限，难以应对物联网设备处理需求的动态波动。软件定义网络通过提供集中式、可编程的自适应网络管理能力，支持动态路由与实时流量控制，为大规模物联网环境的低延迟通信与可扩展性运行提供了基础支撑，但仅靠SDN仍难以应对物联网流量的高波动性。近年来，融合机器学习技术的智能方案凭借预测能力提升了边缘计算环境下的系统自适应能力与资源利用率，使得物联网、边缘计算与机器学习的融合成为现代智能物联网系统的核心支撑。本系统性文献综述聚焦于SD-IoT环境中面向可扩展性与低延迟挑战的机器学习方案，旨在提炼现有策略、场景与研究缺口，主要贡献包括：识别并分类SD-IoT解决方案中应对可扩展性与低延迟挑战的核心策略；系统梳理边缘环境下SD-IoT基础设施的研究现状，聚焦可扩展性与低延迟方向；针对四项研究问题给出详细分析与结论，为后续研究提供参考；整理25篇核心研究参考文献，构建领域知识库；明确现有研究空白与开放挑战，推动智能、可扩展、低延迟SD-IoT方案的进一步发展。全文其余章节安排如下：第3节概述系统性文献综述方法，包括研究问题构建与相关综述梳理；第4节详述检索执行过程，包括检索策略与研究筛选标准；第5节与第6节分别汇总入选研究并围绕研究问题展开讨论；第10节分析文献中识别的缺口与挑战；第11节讨论研究有效性威胁；第12节给出结论。

研究背景构建

在融合边缘计算的SD-IoT环境中，异构设备激增与动态通信需求催生了可扩展性与低延迟两大相互关联的核心挑战。本研究采用三层逻辑架构模型：SD-IoT设备层包含传感器与物联网网关，负责感知、执行、数据传输与本地处理；SD控制层由集中式或分布式软件定义控制器构成，管理数据流、路由与资源分配；SD-IoT应用层承载应用级服务、编排机制与智能管理功能，依赖SD控制层支撑。该抽象模型与现有SD-IoT参考架构一致。为形式化描述可扩展性与延迟特性，定义以下集合与函数：设D={d₁, d₂, …, d_n}为SD-IoT传感器设备集合，G={g₁, g₂, …, g_m}为具备分布式处理能力的SD-IoT网关集合，C={c₁, c₂, …, c_k}为SD控制层控制器集合。相关系统函数包括：τ(d_i, g_j)表示传感器设备d_i与网关g_j之间的通信与处理延迟；σ(g_j)表示网关g_j的处理负载或可扩展性度量；ρ(g_j, c_l)表示控制器c_l通过网关g_j编排服务的响应速度；λ(t)表示随时间t变化的系统负载，对延迟与可扩展性均产生影响。基于此，研究聚焦三大核心问题：问题1为最小化端到端延迟，即优化τ(d_i, g_j)+ρ(g_j, c_l)，同时满足应用特定延迟约束；问题2为动态负载下提升可扩展性，即在保证所有网关负载σ(g_j)<σ_max的前提下最大化并发支持设备规模|D|；问题3为基于机器学习的智能适配，利用监督、无监督或强化学习方法动态调整路由、资源分配与流控制，通过最小化任务特定损失（如延迟、丢包率、能耗）学习从状态空间S（含负载、延迟指标、拓扑等）到动作空间A（含路由决策、资源调整等）的映射函数f_θ: S→A。本节构建的概念框架仅作为统一分析基础，不干预研究筛选过程，各研究的独立分析将在后续数据提取与综合环节展开。

综述方法与规划

本研究严格遵循系统性文献综述规范，流程分为三个阶段：规划阶段明确研究问题、范围与筛选标准；执行阶段开展文献检索与筛选；报告阶段汇总分析结果。规划阶段采用PICOC模型构建研究问题：研究对象为聚焦低延迟与可扩展性的边缘计算环境下SD-IoT机器学习解决方案相关研究；干预措施为面向SD-IoT应用低延迟与可扩展性的机器学习算法、技术与方法；比较项不适用；结果为边缘计算环境下SD-IoT低延迟与可扩展性方案的效能；背景为SD-IoT、机器学习与边缘计算的交叉领域。主研究问题为：“科学界提出的哪些应用于SDN网络与物联网/边缘环境的机器学习解决方案，已被证实能够提升低延迟和/或可扩展性需求？”同时设置四项次要研究问题：SRQ-1聚焦研究中解决可扩展性与低延迟问题的具体方向；SRQ-2关注分析工作中采用的案例研究与实验场景；SRQ-3探究方案在真实环境中的部署保真度、实现复杂度与实践可行性；SRQ-4梳理研究中使用的机器学习方法及对比分析类型。在初步相关文献识别阶段，研究人员首先梳理了现有相关综述，发现现有研究虽已覆盖SDN路由优化、网络软硬化、边缘人工智能等方向，但仍存在实验保真度不足、缺乏标准化数据集、同时聚焦延迟与可扩展性的方案稀缺等问题，进一步验证了本综述的必要性。经初步筛选，6篇文献被标记为潜在相关研究。

研究执行

检索阶段聚焦2020年至2025年2月发表的研究成果，在ACM数字图书馆、IEEE Xplore数字图书馆、ScienceDirect与Springer四大计算机领域核心数据库中开展检索。基于研究问题与初步分析结果，构建包含“物联网”“软件定义网络”“机器学习”“雾计算”“边缘计算”“低延迟”“可扩展性”及其变体的检索字符串，适配各数据库语法规则。自动化检索共获取1679篇文献，经去重与标题摘要筛选后保留60篇。补充手动检索关键期刊获取9篇文献，通过滚雪球法追溯参考文献获取8篇文献，合并初步筛选的6篇文献后形成84篇候选文献。随后应用排除标准进一步筛选，剔除未明确评估低延迟与可扩展性指标的文献及重复研究，最终保留37篇文献进入全文精读与质量评估环节。质量评估基于报告规范性、方法严谨性、结果可信度与实践相关性四个维度，设置7项封闭式问题，总分7分。最终将得分低于阈值（未满足任意一项标准或超过两项部分满足）的文献排除，确定25篇核心研究纳入最终分析。

结果报告

入选的25篇文献在时间分布上，2024年占比最高（32%，8篇），2020年与2022年各占16%（4篇），2021年占20%（5篇），2023年占12%（3篇），2025年（检索截止前）占4%（1篇）。出版物类型方面，72%为期刊论文，28%为会议论文，其中IEEE Internet of Things Journal收录期刊论文最多（5篇），IEEE International Conference on Communications（ICC）收录会议论文最多（2篇）。数据库来源方面，IEEE Xplore占比最高（40%，10篇），Springer次之（24%，6篇），ACM数字图书馆与ScienceDirect各占12%（3篇），手动检索来源占12%（3篇）。

分析与讨论

6.1 应对低延迟与可扩展性问题的策略（SRQ-1）

基于入选研究分析，相关策略可分为五类：路由优化（9项研究）、流管理（8项研究）、资源分配（7项研究）、负载均衡（4项研究）与服务供应（2项研究），部分研究同时涉及多类策略。路由优化利用SDN的全局网络可见性动态调整路径，部分研究融合拥塞避免机制提升平均延迟表现，或通过链路可靠性评估平衡延迟与传输稳定性，也有研究依托流量监测与多控制器架构同步优化延迟与可扩展性。负载均衡通过SDN集中控制实现流量动态分配，多控制器方案通过流量分类、交换机迁移等机制缓解拥塞，部分研究结合服务质量（Quality of Experience, QoE）驱动策略优化路由决策，或在雾服务器层面通过自适应策略降低延迟与能耗。资源分配依托SDN集中管控能力动态调度网络与计算资源，部分研究与任务卸载结合，或聚焦缓存管理、控制平面资源优化。服务供应通过智能服务管理机制适配SD-IoT网络需求，实现低延迟无缝服务交付，涵盖应用感知的延迟敏感服务供应与自适应雾服务管理等方向。流管理通过优化数据流转发规则提升性能，涉及动态带宽分配、OpenFlow规则预安装、流表管理、协作流识别等技术方案。整体来看，现有策略多优先聚焦低延迟优化，可扩展性相关评估相对不足，存在明显研究缺口。

6.2 实验场景探索（SRQ-2）

入选研究的实验场景分布为：通用场景17项、监控系统3项、智慧城市/建筑2项、无人机（Unmanned Aerial Vehicle, UAV）1项、水下物联网1项、移动物联网1项、工业物联网1项。通用场景虽包含物联网组件，但未明确数据特征与运行环境影响，适用性可分为三类：完全适配物联网部署（11项，64.7%）、具备高适配潜力（3项）、具备中等适配潜力（3项）。特定领域场景中，监控系统多聚焦物联网视频流应用，智慧城市/建筑场景多采用真实交通或传感数据，无人机、水下物联网、移动物联网与工业物联网场景各有针对性设计。当前研究过度依赖通用场景，智慧城市、工业物联网等特色领域的深度验证不足，限制了方案的场景适配性评估。

6.3 方案部署的保真度与复杂度（SRQ-3）

92%（23项）的入选研究采用仿真环境开展实验，主流工具包括Mininet（13项）、NS-3/NS-2（4项）与马尔可夫决策过程（Markov Decision Process, MDP）（6项）。基于硬件与传感器建模、SD-IoT网络通信协议实现、SD-IoT网络建模三个维度的保真度评估显示，73.9%的仿真研究属于中低保真度，仅26.1%（6项）达到高保真度。高保真研究通常实现了能耗建模、真实通信协议（如消息队列遥测传输（Message Queuing Telemetry Transport, MQTT）、OpenFlow、受限应用协议（Constrained Application Protocol, CoAP）、长距离广域网（Long Range Wide Area Network, LoRaWAN））集成、真实SDN控制器（如Ryu、POX）部署与细粒度性能指标监测。中低保真仿真难以反映真实无线环境波动、设备异构性与边缘资源约束，增加了方案落地难度。

6.4 机器学习方法与结果对比（SRQ-4）

入选研究采用的机器学习方法分为四类：传统监督学习（24%）、循环神经网络（Recurrent Neural Network, RNN）（12%）、卷积神经网络（Convolutional Neural Network, CNN）（4%）、强化学习（Reinforcement Learning, RL）与深度强化学习（Deep Reinforcement Learning, DRL）（60%）。强化学习在各类策略中应用最为广泛，尤其集中于路由优化与资源分配方向。传统监督学习模型轻量，适合边缘侧部署，多用于服务供应、流管理与路由优化中的流量分类、链路故障检测等任务。RNN（尤其是长短期记忆网络（Long Short-Term Memory, LSTM））擅长时序数据预测，应用于路由优化、资源分配中的缓存管理、流管理中的规则调度等场景。CNN多用于延迟敏感流的流量分类。结果对比方面，44%的研究未开展任何算法对比，36%与先进算法（DRL/RL/CNN/RNN）对比，12%与传统机器学习技术对比，8%仅开展有无方案的基线对比。近半数研究缺乏充分的基准测试，影响了方案效能评估的客观性。

机器学习方法在可扩展SD-IoT部署中的实践适用性

综合保真度与机器学习方法分析结果，传统监督学习与基于Q学习（Q-learning）的方案实践可扩展性最优。传统监督学习计算简洁，可直接部署于SDN控制器或边缘节点，且在多项高保真研究中得到验证；Q学习内存需求低、收敛速度快，适用于路由与流优化场景。更复杂的深度学习架构虽具潜力，但在高保真真实条件下的验证仍显不足。未来研究需优先发展轻量级机器学习模型，并配套高保真实验评估，缩小实验结果与大规模可部署系统之间的差距。

常见架构趋势与差异

负载均衡研究普遍采用多阶段决策流水线，将流量分类、预测、优先级划分、迁移分析等环节模块化，同时区分流量性能需求，基于阈值触发自适应调整机制。路由优化研究多采用离线训练与在线决策分离的设计，兼顾多目标性能优化（延迟、可靠性、负载、能耗等），但在学习机制集成方式上存在差异——部分将机器学习作为启发式函数的近似器，部分直接开展策略学习，深度强化学习方案则进一步分化出联邦学习跨控制器协同、集中式与分布式模式对比等设计。资源分配研究普遍将问题建模为动态随机过程，多采用马尔可夫决策过程框架，且均以多目标决策为核心，在优化延迟的同时兼顾能效、网络可靠性、QoS/QoE与运营成本。流管理研究的核心趋势是先语义理解再流量控制，通过流量分类模块识别流类型，并采用 proactive-reactive混合控制策略，结合预测预配置规则与实时反应机制提升效率。

架构趋势对延迟与可扩展性的影响

流量差异化与优先级划分通过监督学习模型快速分类流量，保障高优先级流的处理速度，降低控制器负载，但存在误分类与模型开销风险。多阶段决策流水线通过分层分布式智能（设备、边缘节点、控制器）减少控制器交互，提升可扩展性，但需解决层间协调一致性问题。阈值触发机制仅在指标突破预设阈值时激活机器学习模型或控制逻辑，减少不必要计算，优化延迟与可扩展性，但阈值的人工配置合理性直接影响系统表现。不同机器学习方法与架构趋势存在天然适配：RL/DRL强化多阶段流水线的动态自适应能力，监督学习支撑边缘侧轻量级流量分类，RNN/LSTM的预测能力可辅助阈值触发机制实现 proactive 规则部署，降低反应延迟。

识别的缺口与挑战

可扩展性方案研究失衡：现有研究过度聚焦低延迟优化，对可扩展性的显式关注不足，难以支撑智慧城市、工业系统等大规模动态场景需求。SD-IoT部署与场景单一：通用仿真场景占比过高，缺乏领域定制化实验，建议后续研究采用IoT-23、UCI机器学习库物联网子集、CityPulse等公开标准化数据集提升可复现性。联邦学习（Federated Learning, FL）应用不足：仅3项研究采用联邦学习作为辅助技术，其在SD-IoT环境中的通信开销、数据异构性等挑战仍需深入探索，FedML、TensorFlow Federated等新兴框架为相关研究提供了支撑。安全感知机器学习方案缺失：除1项研究浅层涉及流管理中的安全机制外，尚无研究将安全感知机器学习与低延迟、可扩展性目标结合，亟需开发轻量级、边缘友好的机器学习安全机制，在保障系统安全的同时维持性能表现。

研究局限性

本研究可能存在四类有效性威胁：构建效度方面，通过多数据库检索、明确筛选标准与多研究员交叉审核降低偏差；内部效度方面，通过多轮文献精读与严格执行评审协议减少分析误差；外部效度方面，仿真场景保真度不足可能限制结论泛化能力；可靠性方面，数据分析的部分主观解读可能影响结果复现，已通过明确研究方法流程缓解该风险。

结论

本研究通过系统性文献综述，从1719篇初始文献中筛选出25篇核心研究，系统梳理了机器学习赋能SD-IoT环境低延迟与可扩展性优化的研究现状。研究从核心策略、实验场景、部署保真度、机器学习方法四个维度展开分析，明确了当前领域进展与关键缺口：现有方案多侧重延迟优化，可扩展性评估不足；仿真实验占比过高，真实场景验证缺乏；联邦学习与安全感知机器学习方向亟待拓展。本综述既凝练了领域技术全貌，也为后续研究指明了方法创新、评估体系完善与新兴范式探索的方向。