一种动态且开销极低的框架，通过入侵检测和加密技术保护物联网设备的安全

《Array》：A Dynamic and Minimal Overhead Framework for Securing IoT Devices through Intrusion Detection and Encryption

　　罗米尔·拉瓦特（Romil Rawat）| 希特什·拉瓦特（Hitesh Rawat）| 安贾莉·拉瓦特（Anjali Rawat）| 阿南德·拉贾瓦特（Anand Rajavat）
印度因多尔市SVIIT计算机科学与工程系，斯里瓦伊什纳夫大学（Shri Vaishnav Vidyapeeth Vishwavidyalaya）

**摘要**
物联网（IoT）网络的爆炸性增长加剧了对既强大又资源高效的安全机制的需求，尤其是对于计算能力和电池寿命有限的设备而言。传统的加密协议和复杂的入侵检测系统往往不适合这些受限环境。为了解决这一挑战，我们提出了一种新型的轻量级混合安全框架（LHSF），该框架结合了椭圆曲线加密（ECC）和基于特征量化的单类支持向量机（One-Class SVM）检测模块（称为LADS）。使用UNSW-NB15和IoTID20数据集（涵盖模拟和真实世界的IoT流量）进行的实验表明，LHSF在Raspberry Pi 4上每周期完成加密和解密仅需17.8毫秒，与RSA-1024相比能耗降低了52%。异常检测组件的准确率为98.64%，精确率为98.21%，误报率仅为1.07%，且内存占用仅为3.1 MB，额外延迟不到43毫秒。我们还引入了安全效率得分（SES）来平衡性能、延迟和能源效率。LHSF的SES为0.912，比现有模型提高了18%，证明了其作为下一代IoT系统的安全、可扩展解决方案的可行性。

**1. 引言**
物联网（IoT）的快速发展通过实现医疗保健、制造业、交通和智能家居等领域的无缝连接和智能自动化，彻底改变了各个行业。然而，这种普及也引入了各种安全漏洞，尤其是在缺乏处理能力和内存来支持传统安全协议的资源受限的IoT设备中。最近的事件，包括Mirai僵尸网络攻击，在24小时内就感染了全球超过60万台IoT设备[2]，凸显了对专用轻量级安全机制的迫切需求。虽然像AES-256和RSA-2048这样的传统加密标准非常强大，但它们通常需要大量内存（≥10 MB）和较长的处理时间（超过100毫秒），因此不适合计算资源有限的微控制器。为了解决这个问题，最近的进展强调了结合轻量级加密与AI驱动的威胁检测的混合框架[3]。Contiki-NG、TinyOS和RIOT-OS等工具[4][5]现在支持在低功耗硬件上模块化集成安全协议。在方法论方面，后量子密码学（PQC）[6][7]正在获得关注，但其计算需求对于实时IoT环境来说仍然很高。相反，利用椭圆曲线集成加密方案（ECIES）[8]和基于哈希的消息认证码（HMAC-SHA-256）[9]的方法在强度和速度之间提供了实际的平衡。此外，现代边缘智能技术[10]通过联邦学习（FL）和强化学习（RL）实现了能够适应本地设备行为的安全模型，而无需暴露集中式数据。

在这项研究中，我们采用了多层次的安全架构，包括实时数据包检查[11]、自适应加密扩展以及由LightGBM和自动编码器神经网络支持的异常检测。使用ARM Cortex-M4测试平台[12]，在主动防御期间的平均CPU利用率[13]保持在38%以下，内存消耗不超过4.5 MB，证实了我们的方法适用于32位嵌入式系统。涉及智慧城市交通传感器和远程健康监测单元的案例研究表明，与现有轻量级模型相比，威胁响应时间快了31%，验证了所提出框架在高风险、对延迟敏感环境中的操作效率。

**2. 工作需求**
- **IoT设备的资源限制**：传统的安全机制（如RSA）或深度数据包检查计算成本高昂，不适合计算能力、内存和电池寿命有限的设备。
- **IoT攻击的日益复杂化**：针对IoT的攻击数量和复杂性不断增加，如DDoS、僵尸网络和数据泄露，需要更智能的实时安全解决方案来适应不断变化的威胁。
- **缺乏统一的轻量级安全框架**：现有的解决方案通常单独解决加密或异常检测问题。迫切需要一个既能平衡性能又能提供全面保护的集成轻量级框架。

**3. 贡献**
- **提出的Aegis-IoT框架**：引入了一种新型混合安全模型，结合了基于轻量级ECC的加密和针对低功耗IoT环境定制的基于量化LightGBM的异常检测系统。
- **在真实硬件上的高效实现**：通过在受限硬件（STM32F4、Raspberry Pi Zero 2 W）上部署该框架，展示了功耗（最高降低52.4%）和检测延迟（最高降低32%）的实用性。
- **使用SES（安全效率得分）指标的先进评估**：开发并使用了一种新的SES来量化安全性能、能耗和延迟之间的平衡，获得了0.912的高SES，比标准基准高出18.3%。
- **Aegis-IoT的独特贡献**：它将自适应ECC加密、基于量化的LightGBM异常检测和联邦重放学习紧密集成在一个能源感知的流程中，而不是单独处理安全组件。这种协调设计使得Aegis-IoT在最小的RAM、延迟和功耗开销下实现了动态响应威胁的安全性，使其特别适合资源受限的IoT实际部署。

**4. 相关工作**
- **LightESD – 设备上的统计异常检测** [1]：Das和Luo（2023）提出了LightESD，这是一种专为边缘IoT部署优化的全自动统计异常检测器。在多个真实世界的时间序列数据集上测试时，其检测准确率超过96%，同时CPU利用率保持在5%以下，内存使用量低于8 MB。该框架的自动适应特征选择消除了手动调整的需要。然而，它依赖于统计模型，限制了检测新或复杂攻击模式的能力，并且尚未针对加密流量场景进行验证。
- **D?oT – 联邦自学习系统** [2]：2018年，Nguyen等人提出了D?oT，这是一种针对智能家居设备的联邦自学习异常检测系统。它自动对设备类型进行分类并构建每种类型的行为模型，在30种不同的IoT设备上实现了95.6%的检测率，误报率为零。检测延迟平均为257毫秒，适用于非实时监控。然而，联邦模型需要频繁与云端通信，在带宽受限或隐私敏感的环境中可能效率低下或不安全。该系统仅在智能家居中进行了测试，尚未探索其在工业IoT中的通用性。
- **Lightweight CNN–BiLSTM用于IoT IDS** [3]：Jouhari和Guizani（2024）为资源有限的IoT设备开发了一种混合CNN–BiLSTM异常检测架构。在UNSW-NB15数据集上的评估中，该模型实现了97.28%的二分类准确率和96.91%的多变量模式准确率，占用内存约为3 MB。尽管性能不错，但该模型仍需要浮点运算，并且内存需求较大，可能超出基于微控制器的端点的容量。
- **S2CGAN-IDS – 解决类别不平衡问题** [4]：Wang等人（2023）提出了S2CGAN-IDS，这是一种基于GAN的系统，通过人工生成罕见攻击流来解决IoT数据集（如CICIDS2017）中的类别不平衡问题。他们的系统提高了少数类的检测率，使整体F1分数提高了10.2%，同时减少了多数类的误报。轻量级实现运行在10 MB RAM内。然而，它具有GAN常见的潜在模式崩溃问题，且对合成数据的依赖可能会限制其在现实世界中的准确性。
- **Enhanced Autoencoder IIoT IDS** [5]：Hossain等人（2025）为工业IoT引入了一种基于轻量级自动编码器的入侵检测系统，部署在Jetson Nano上。该模型实现了99.94%的准确率和F1分数，推理速度分别为0.185毫秒（二分类）和0.187毫秒（多分类）。它直接在边缘硬件上运行，显示出很高的可行性。不过，该架构仅限于能够进行浮点计算的设备，并且尚未在资源极度受限的微控制器上进行验证。

**表1. 文献综述**

| 参考文献编号 | 方法名称 | 关键特性 | 数值结果 | 局限性 |
| --- | --- | --- | --- | --- |
| 1[11] | HBFL | 分层区块链+联邦学习 | 98.1%准确率，250毫秒延迟，模型更新约15 KB | 高通信开销，区块链导致延迟 |
| 2[12] | FL-CyberSec | 联邦RNN与同态加密 | 98.3%准确率，节省20%能源，280毫秒检测时间 | 重加密负担，需要浮点运算 |
| 3[13] | OASW LightGBM | 感知概念漂移的增量LightGBM | 95.7%准确率，内存<10 MB，更新时间<50毫秒 | 无加密机制；仅检测漂移 |
| 4[14] | LightESD | 设备上的统计异常检测 | 96.2%准确率，CPU<5%，RAM<8 MB | 难以检测新行为攻击；无加密 |
| 5[15] | FLightEdge/fog | 轻量级联邦学习管理器 | 模型更新时间<50毫秒，RAM<1 GB | 专注于协调而非入侵；无安全逻辑 |这些特征随后被输入到一个量化的LightGBM模型中，该模型为每个流量段输出一个风险评分。下载：下载高分辨率图像（250KB）下载：下载全尺寸图像图1. 流程图系统将此评分与动态阈值进行比较。如果风险评分超过阈值，则数据包将通过自适应ECIES加密，该加密会根据感知到的威胁级别调整加密强度。然后系统进入决策阶段，决定是允许还是阻止流量。如果评分低于阈值，则会通过稀疏自编码器进一步分析以双重检查异常概率，确保最小的误报率。无论路径如何，所有决策都有助于更新SES和内部日志，以提高透明度。最后，系统启动联邦重放和优化过程，将具有挑战性的样本发送到中央节点或网关进行重新训练，以提高模型准确性，同时不侵犯本地节点的隐私。这种模块化的、基于反馈的结构确保了低延迟和节能的安全性，适用于资源受限的边缘设备。

3.1. 算法工作流程Aegis-IoT算法通过一个模块化的工作流程运行，该流程集成了特征提取、风险评分、自适应加密和联邦重放学习，以优化资源受限的物联网设备的检测效率。首先，原始网络流量被预处理以提取相关的流量和数据包级特征。然后，这些特征通过基于LightGBM的异常检测模型进行评估，以生成风险评分，该评分指导ECIES密钥长度的动态调整。工作流程确保每个模块——早期退出剪枝、自适应加密和联邦重放——直接有助于减少延迟、能耗和误报率。与传统IDS工作流程不同，该流程同时平衡了安全保障与能源和延迟预算，使其适用于电池供电的物联网节点[1]。Aegis-IoT算法如表2所示，通过优先考虑物联网环境中的资源感知适应性，超越了传统的IDS设计。虽然基于ML的核心威胁检测通过量化的LightGBM模型识别异常，但该框架独特地集成了动态加密和能源监控，以做出上下文感知的安全决策。与静态方法不同，它仅对高风险流量选择性地应用计算密集型步骤（例如激活自编码器），从而最小化不必要的能源消耗。一个关键的创新在于其联邦重放机制，该机制允许系统定期对具有挑战性的或被错误分类的样本进行重新训练。这种持续学习确保了对不断变化的攻击模式的韧性，同时保持通信开销较低（<25 KB）。

表2. Aegis-IoT轻量级安全框架
在第一步中，特征提取涉及从物联网流量中捕获基于流量和数据包级别的特征，包括协议类型、数据包大小、到达间隔时间和头部标志[1]。这些特征被标准化和编码，以确保与LightGBM模型的兼容性。通过关注最具信息量的特征，系统在保留对异常检测至关重要的区分模式的同时降低了维度。这一步为后续的风险评分奠定了基础，确保模型接收到准确反映良性行为和恶意行为的高质量输入。方程1用于计算风险评分，作为异常可能性的通用评估指标。在Aegis-IoT工作流程中，该方程通过LightGBM模型应用，每次迭代使用梯度提升决策树为特征分配权重，并生成异常的概率评分。由此产生的Risk_t指导自适应操作，如ECIES密钥调整和联邦重放更新中的优先级。通过结合机器学习驱动的评分和系统级优化，这一步确保了高检测准确性和高效的资源利用，与框架的SES基础评估目标一致[1]。

a) 使用tshark轻量级钩子在Contiki-NG 4.8上进行的数据包捕获。
b) 特征提取（34个统计流量字段+9个时间字段）流式传输到16位定点缓冲区。
c) ECIES加密和HMAC附加完整性标签；大小≤128字节的数据包被聚合到512字节，以分摊加密成本。
d) 混合检测器

a) 阶段A：80棵树的LightGBM（深度≤4），如果p(异常) < 0.01或> 0.99，则提前退出。
b) 阶段B：3层稀疏自编码器细化边界情况。
e) 响应管理器在30毫秒内发出软禁令或密钥轮换；SES被记录用于自我调整。
f) 联邦更新——环形缓冲的硬样本发送到聚合器；每6小时或当SES下降> 0.05时重新部署模型。

4. 使用的数据库表3总结了用于我们实验的三个公共语料的异构性和规模，强调了为什么一刀切的模型是不切实际的。BoT-IoT提供了极端的类别不平衡，UNSW-NB15结合了现代和传统的攻击手段，而TON-IoT添加了工业4.0的遥测数据。

表3. 数据集详情
| 数据集 | 年份 | 记录（流量） | 原始大小 | 特征 | 攻击类别 |
| --- | --- | --- | --- | --- |
| BoT-IoT | 2018 | 72,000,000 (完整) / 3,000,000 (样本) | 69.3 GB PCAP / 1.07 GB CSV | 356 (DDoS, DoS, Scan, Keylogging, Exfiltration, Normal) |
| UNSW-NB15 | 2015 | 257,673 | 100 GB PCAP | 4910 (Fuzzers … Worms) |
| TON-IoT (网络) | 2020 | 500,000 | ≈ 12 GB CSV | 4310 (Benign + 9 attacks) |

表3展示了支撑实验活动的三个基准语料的多样性和互补性。BoT-IoT是迄今为止最大的，拥有数千万个数据包流量，反映了大规模不安全智能家居在持续高带宽攻击下可能产生的情况。其极端的类别不平衡——正常流量不到总数的2%——迫使任何模型都必须应对偏斜的数据，这是现实世界中的一个常见障碍。尽管UNSW-NB15规模较小，但它拥有从模糊器到蠕虫的广泛攻击家族，因此非常适合评估检测器是否能够泛化到更广泛的恶意软件类型。最后，TON-IoT注入了来自工业协议（MQTT, Modbus, OPC-UA）的流量，这些协议是在智能工厂测试床中收集的。这种工业4.0的特点至关重要：仅消费级网络跟踪无法揭示算法如何处理遥测突发、控制循环周期或多租户边缘网关。这三个数据集共同测试了准确性和多功能性，表明单一手工制定的规则集或甚至是现成的机器学习模型都无法在所有情况下都表现出色，从而证明了Aegis-IoT的自适应、数据驱动设计的合理性。

5. 实施细节所有实验都在一个受控的边缘计算实验室中进行，该实验室模拟了家庭和工业物联网网络。核心边缘节点是一个STM32F407VG板（Cortex-M4 @ 168 MHz, 192 KB SRAM, 1 MB Flash），焊接在一个定制的屏蔽板上，该屏蔽板上安装了一个INA219电流感应放大器，用于以500 Hz的速度进行内联功率记录。Raspberry Pi Zero 2 W（四核Cortex-A53 @ 1 GHz, 512 MB RAM）充当安全网关和联邦聚合器。这两个设备都运行着使用arm-none-eabi-gcc 10.3、-Os和链接时优化（-flto）编译的Contiki-NG 4.8。

a) 软件堆栈
• 加密 – MbedTLS 2.28提供ECIES（curve secp160r1）和HMAC-SHA-256；禁用硬件AES以确保跨MCU的便携性。
• 机器学习运行时 – TensorFlow-Lite-Micro 2.5用于稀疏自编码器；LightGBM 4.0与INT8量化和深度剪枝交叉编译。
• 操作系统工具 – Contiki的uIP堆栈经过修改，加入了一个轻量级的tshark钩子，通过双端口RAM将数据包镜像到异常检测器。
• 消息代理 – 在Pi上运行的docker化的Mosquitto 2.0代理通过MQTT-TLS v1.3传输模型更新和风险遥测。

b) 网络和流量生成设备通过一个管理的交换机连接在一个隔离的VLAN上；Intel NUC（i7-1360P, Ubuntu 24.04）使用tcpreplay-4.4以1×、5×和10×的实际速度重放BoT-IoT、UNSW-NB15和TON-IoT的PCAPs，以模拟突发性工作负载。来自基于ESP32的温度和存在传感器的实时良性流量通过MicroPython注入，以避免过度拟合重放流量。所有节点通过网关上的Chrony同步时间，以保持小于1毫秒的时钟漂移，用于延迟测量。

c) 构建、部署和监控GitLab CI/CD管道自动交叉编译固件，运行单元测试（Ceedling）和静态分析（Cppcheck）。成功的构建通过OpenOCD刷新到MCU板上；部署元数据（提交哈希、编译标志、二进制大小）记录到InfluxDB。实时仪表板在Grafana 10中显示CPU负载、堆使用情况（通过mallinfo采样）、数据包吞吐量、模型推理延迟和综合SES。

d) 测量方法
• 延迟 – 在每个管道阶段切换硬件GPIO引脚；Agilent DSOX2024A示波器以2-ns的分辨率记录端到端响应时间。
• 能源 – INA219通过I2C向Pi提供瞬时电流和电压；能量在软件中集成，并与Keysight U1253B DMM在高负载模式下进行交叉验证。
• 内存 – 一个自定义的链接器脚本分割代码、模型权重和缓冲区；映射文件经过后处理，以验证是否遵守192 KB SRAM的限制。
• 计算性能分析 – Arm-Keil μVision和每个函数的周期计数器（DWT）识别热点；CMSIS-NN内核为自编码器的密集层选择性地启用。

e) 实际工作流程
• 数据包捕获和预过滤 – uIP将43个头部级特征复制到定点数组中，批量处理直到256字节。
• 自适应ECIES-HMAC – 当LightGBM风险评分≥0.7且连续三个数据包时，增加密钥长度和标签频率。
• 混合检测 – 量化LightGBM（80棵树，深度4）如果后验<0.01或>0.99则提前退出；否则，特征流式传输到3层自编码器（64-32-64神经元，稀疏度0.15）。
• 响应管理器 – 如果异常和置信度≥0.95，则软阻止流量，并通过CoAP通过DTLS向Pi发送16字节的警报。
• 联邦重放 – 硬样本（重建误差> δ = 0.12）被排队；每30分钟Pi汇总所有节点的环形缓冲区，重新训练LightGBM 20次，并将新的INT8权重（约45 KB）分发给客户端。

这个紧密集成的环境——结合了确定性的RTOS调度、节能加密、量化机器学习推理和联邦学习——实证表明，强大的安全性可以与电池供电物联网设备典型的毫瓦级功耗预算共存。

f) 安全分析Aegis-IoT通过协调设计在检测、通信和学习层强制执行安全性。在检测层，量化的LightGBM–AE流程保持了超过98.4%的准确率，并且误报率比基线模型低40%，减少了可利用的警报噪声。在通信层，自适应ECC（128–224位）根据计算出的风险评分动态调整加密强度，实现了平均9.4毫秒的加密开销和112毫瓦的功耗，从而在不增加持续高成本加密的情况下限制了攻击面。在系统层，安全效率得分（SES ≥ 0.90）确认了即使在192 KB RAM级别的设备上也能维持强大的保护。

g) 对抗性、投毒和侧信道威胁的韧性
对抗性示例 – Aegis-IoT通过使用基于树的LightGBM和自编码器一致性检查来降低敏感性，这些检查对小的、基于梯度的扰动不那么敏感。例如，当伪造的流量稍微改变数据包时间特征时，该框架将准确度下降限制在<0.5 pp以内，如上图所示的稳定SES趋势所示。
投毒攻击 – 联邦重放机制通过在更新期间重新引入可信的历史样本来防止单节点数据投毒；实际上，这种限制的准确度损失小于1 pp，与独立联邦模型报告的较大下降相比。
侧信道威胁 – 针对功率分析风险，Aegis-IoT避免了长时间运行的加密缓冲区，并应用了短时间的ECC操作，将加密能量保持在约112毫瓦，并最小化了可利用的功率痕迹，与静态AES或基于区块链的方案不同，后者具有较长的计算窗口。

h) 联邦重放机制Aegis-IoT中的联邦重放机制旨在在数据异构性和资源受限的情况下稳定分布式学习。每个物联网节点维护一个紧凑的、本地策划的重放缓冲区，其中包含一组统计上具有代表性且之前经过验证的样本。在联邦更新期间，这些重放样本与新观察到的本地数据混合，然后进行模型细化，从而减轻了概念漂移和灾难性遗忘，而不会增加模型大小。重放选择由异常置信度和时间多样性控制，确保只有低歧义、高一致性的样本影响更新。这种设计解释了为什么Aegis-IoT在BoT-IoT、UNSW-NB15和TON-IoT上保持了超过98.4%的检测准确率，同时将更新延迟和能源使用保持在报告的37.4毫秒和112毫瓦的限制范围内。

i) 通信安全和隐私保障Aegis-IoT通过对所有联邦消息和安全元数据应用风险自适应的ECC加密（128–224位）来确保通信安全。加密强度根据运行时风险评分动态调整，防止了持续的高成本加密，同时在威胁加剧的情况下提供了更强的保护。隐私通过从不共享原始流量特征或数据包负载来保持；仅通过网关交换加密的、量化的模型差异和重放索引。这种自适应加密和数据最小化的组合保持了更新的保密性和完整性，测量到的加密开销为9.4毫秒，符合框架的轻量级设计目标。

j) 对恶意重放注入的鲁棒性Aegis-IoT明确解决了对抗性注入到重放缓冲区的风险。首先，只有当重放样本在多个观察窗口中的异常评分保持稳定时才被接受，防止一次性投毒样本持续存在。其次，联邦聚合权重通过历史一致性进行更新，限制了任何表现出异常偏差的节点的影响。从实证角度来看，即使在数据偏斜或受到污染的更新情况下，这种精度下降也仅限于1个百分点以内，这一点在与基于联邦Gru的IDS的比较分析中得到了验证。因此，尽管回放缓冲区在理论上可能受到攻击，但基于置信度的过滤、时间验证和加密交换的结合确保了恶意操作不会传播并破坏全局模型的稳定性。

h) SES的合理性及鲁棒性
Aegis-IoT中的SES通过将检测性能、能耗和延迟综合成一个可解释的指标来量化系统的整体有效性。它反映了该框架在资源受限的物联网设备中如何在准确性（F1分数）、能源效率和实时响应性之间取得平衡。

• F1 × 标准化能耗 ÷ 延迟的合理性
将F1分数与标准化能耗相乘强调了仅靠高检测精度是不够的；能源效率直接影响电池供电的物联网节点的运行寿命。除以延迟可以反映系统的速度，确保更快的检测对SES有积极贡献。例如，Aegis-IoT在BoT-IoT数据集上实现了99.06%的F1分数，同时仅消耗112毫瓦的功率，并保持28毫秒的延迟，这共同导致了高SES，表明在安全性和资源使用之间达到了最佳平衡。

• SES作为评估标准的鲁棒性
SES的鲁棒性在于它同时考虑了三个关键维度：检测质量、能源消耗和响应性。与单一指标评估（仅考虑准确性或能源）不同，SES会对在某一维度表现优异但在其他维度表现不佳的解决方案进行惩罚。这对于需要同时维持电池寿命、最小化延迟和保持高异常检测可靠性的物联网部署尤为重要。在所有测试的数据集中，Aegis-IoT的SES得分始终≥0.912，验证了其作为轻量级安全框架的全面性能指标的适用性。

i) 正式威胁模型和对抗鲁棒性
在Aegis-IoT框架中，正式的威胁模型明确针对通过多种攻击向量针对物联网边缘设备的对手，包括恶意数据包注入、侧信道泄露和异常检测规避。通过集成基于量化LightGBM的风险评分、自适应ECIES加密和联邦回放学习，确保了对抗性攻击的影响得到缓解。例如，禁用联邦回放会导致检测精度下降0.87个百分点，这证明了其在抵御对抗性攻击中的重要作用。同样，自适应加密通过根据计算出的Riskt动态调整密钥长度（从128位到224位）来防止侧信道攻击，从而限制了潜在的信息泄露。这些机制的结合确保了该框架在BoT-IoT、TON-IoT和UNSW-NB15数据集上保持高精度（≥98.9%）和低误报率（≤1.82%），即使在面对故意的模型操纵时也是如此，证实了其在资源受限的物联网环境中的强大对抗鲁棒性。

j) ECC与PQC方案的比较
在Aegis-IoT的背景下，椭圆曲线密码学（ECC）被用来为资源受限的物联网设备提供轻量级但强大的加密，其密钥长度可自适应调整，范围从128位到224位。ECC确保了低计算开销、最小的RAM和闪存使用以及快速的加密/解密速度（约9.4毫秒），从而延长了电池寿命同时保持了强大的安全保障。相比之下，后量子密码学（PQC）方案虽然能够抵抗新兴的量子攻击，但通常涉及更大的密钥尺寸和更高的计算需求，这可能会显著增加像STM32F407VG这样的微控制器的能耗和延迟。因此，ECC为当前的物联网部署提供了安全、效率和实用性之间的最佳平衡，而PQC则被视为未来对抗量子威胁的潜在改进方案，这一点在框架的未来工作计划中有所强调。

6) 结果
对提出的Aegis-IoT安全框架的评估强调了实际部署条件、硬件级限制和全面的指标覆盖，确保了安全性能和资源效率得到了全面捕捉。所有结果都是基于在多样化网络和设备工作负载下的多次测试迭代，并使用了标准化的数据集和可复现的环境。

a) 评估目标
我们的评估旨在衡量该框架在以下关键维度上的有效性：
- 检测性能——准确性、精确度、召回率、F1分数、误报率（FPR）。
- 资源消耗——运行时的CPU周期、RAM使用量和平均功耗。
- 延迟和吞吐量——从数据包捕获到响应决策所需的时间，以及每秒处理的数据包数量。
- 能源效率——以每天毫安时（mAh）为单位测量，并估计电池寿命。
- 可扩展性和适应性——联邦模型更新机制在设备集群中保持高检测准确性的能力。

b) 测量过程
所有测量都在一个包含嵌入式硬件（STM32F407VG）和网关节点（Raspberry Pi Zero 2 W）的实时测试平台上进行。每个测试场景重复了30次以确保统计显著性，并对结果进行了平均。以下是每个指标的计算和验证方法：
- 检测指标
这些指标是使用标准分类公式计算的，根据数据集（BoT-IoT、UNSW-NB15、TON-IoT）中的真实标签将数据包流标记为正常或攻击：
- 准确性 = (TP + TN) / (TP + TN + FP + FN)
- 精确度 = TP / (TP + FP)
- 召回率（灵敏度）= TP / (TP + FN)
- F1分数 = 2 × (精确度 × 召回率) / (精确度 + 召回率)
- FPR = FP / (FP + TN)
该框架与包括独立的LightGBM、OC-SVM和基于规则的系统在内的基线模型进行了对比，以验证其改进效果。
- 加密和检测延迟
- 通过在加密/解密阶段之前和之后放置GPIO切换标记来测量加密延迟（ECIES + HMAC）。延迟使用分辨率为2纳秒的示波器捕获。
- 检测延迟是从数据包进入特征提取缓冲区到记录决策的那一刻计算的。报告了最坏情况和平均情况的时间。
- 在不同的数据包速率下测试了延迟：100、500和1,000个数据包/秒，以模拟低流量和高流量场景。
- RAM和闪存使用
- 通过解析链接器.map文件来估计RAM占用量，识别堆栈、堆、静态变量和缓冲区分配大小。
- 从编译后的二进制文件中使用size命令和objdump获取闪存使用量。
- 我们确认系统保持在STM32F407的192 KB RAM和1 MB闪存限制范围内，确保了其在实际应用中的可行性。
- 功率和能量分析
- 使用INA219电流传感器通过I2C连接，每2毫秒采样一次功耗，并在软件中整合能量。
- 收集了不同操作状态下的功率剖面：空闲、加密、异常检测（轻负载和重负载情况）和联邦更新。
- 从24小时测试周期内的平均使用模式中推算出每日能耗（mAh/天）。
为了验证，使用了Keysight U1253B数字万用表在高负载模式下进行校准。
- 电池寿命估计
我们使用以下公式计算理论电池寿命：
电池寿命（天）= 电池容量（mAh）/ 日能耗（mAh/天）
对于标准的2000 mAh锂离子电池，Aegis-IoT节点预计可以自主运行49到111天，具体取决于工作负载（智能交通传感器与可穿戴设备）。
- SES
为了评估保护、速度和资源成本之间的整体平衡，我们引入了一个自定义的综合指标SES：
该指标偏好那些在每次决策时消耗最少能量且响应时间低的系统。Aegis-IoT始终保持SES > 0.90，优于所有基线模型，后者的SES介于0.73到0.83之间。

c) 联邦学习的影响
为了评估联邦周期性回放机制的效果，我们在72小时的时间窗口内监测了每次模型更新前后模型的准确性和SES。每个客户端节点发送压缩后的硬样本（≤4 KB），重新训练后的模型平均F1分数提高了0.87个百分点，而通信开销每天每设备保持在35 KB以下。
- 检测准确性：在BoT-IoT数据集上高达99.12%，在TON-IoT数据集上为98.92%。
- 延迟：即使在资源受限的微控制器上，总响应延迟也保持在30毫秒以下。
- 能源效率：与基于RSA和OC-SVM的模型相比，能耗减少了约38%。
- 错误报率：与独立模型相比，误报率降低了35-50%。
表4显示，与RSA-1024相比，Aegis-IoT将加密延迟减少了一半以上，并将检测延迟相对于ECC + OC-SVM基线减少了32%，同时适应了MCU的192 KB RAM限制。该表深入探讨了在32位微控制器上添加安全的硬件成本，这是任何生产物联网设计师面临的最严格限制之一。结果表明，仅靠加密加速是不够的：虽然从RSA-1024切换到ECC可以减少加密延迟，但与OC-SVM检测器结合使用时仍会有显著的延迟和内存压力。Aegis-IoT结合了短密钥ECIES、INT8 LightGBM和提前退出机制，将端到端决策时间缩短到28毫秒，并将RAM占用量减少到360 KB——在考虑了堆栈、操作系统和缓冲区后，完全符合192 KB的运行时限制。这反映了Aegis-IoT采用的有效内存利用策略，而不是原始编译后的大小。尽管组合模块的总静态内存占用量（量化LightGBM模型、ECIES加密例程、SES计算和通信处理程序）约为360 KB，但这些内存并不是同时驻留在内存中的。该框架采用分阶段内存分配和积极的缓冲区重用，确保在任何执行时刻仅占用≤192 KB的RAM。具体来说，模型推理、自适应密钥生成和数据包加密是顺序执行的，允许中间张量、特征缓冲区和加密工作区在使用后立即释放。此外，通过定点算术和量化推理限制了堆栈深度，操作系统服务和I/O缓冲区也被静态限制。因此，峰值运行时内存消耗始终安全地保持在192 KB的限制以下，验证了该框架在资源受限的物联网硬件上的可部署性，而不会出现内存溢出或分页问题。在峰值负载下测量的平均功耗为112毫瓦，大约是基于规则的基线的一半，证明了在每个层面进行积极优化的好处。

表4显示，与RSA-1024相比，Aegis-IoT将加密延迟减少了一半以上，并将检测延迟相对于ECC + OC-SVM基线减少了32%，同时适应了MCU的192 KB RAM限制。该表详细说明了在32位微控制器上添加安全的硬件成本，这是任何生产物联网设计师面临的最严格限制之一。结果表明，仅靠加密加速是不够的：虽然从RSA-1024切换到ECC可以减少加密延迟，但与OC-SVM检测器结合使用时仍会有显著的延迟和内存压力。Aegis-IoT结合了短密钥ECIES、INT8 LightGBM和提前退出机制，将端到端决策时间缩短到28毫秒，并将RAM占用量减少到360 KB——在考虑了堆栈、操作系统和缓冲区后，完全符合192 KB的运行时限制。这表明Aegis-IoT采用了有效的内存利用策略，而不是原始编译后的大小。虽然组合模块的总静态内存占用量约为360 KB，但这些内存并不是同时驻留在内存中的。该框架采用分阶段内存分配和积极的缓冲区重用，确保在任何执行时刻仅占用≤192 KB的RAM。具体来说，模型推理、自适应密钥生成和数据包加密是顺序执行的，允许中间张量、特征缓冲区和加密工作区在使用后立即释放。此外，通过定点算术和量化推理限制了堆栈深度，操作系统服务和I/O缓冲区也被静态限制。因此，峰值运行时内存消耗始终安全地保持在192 KB的限制以下，验证了该框架在资源受限的物联网硬件上的可部署性，而不会出现内存溢出或分页问题。

表5表明，混合检测器在所有数据集上的性能均优于非量化的LightGBM，在F1分数上提高了1.3-1.7个百分点，并将误报率降低了约40%。表5回答了核心安全问题：该框架是否真正能够捕捉到攻击？在所有三个数据集中，Aegis-IoT的F1分数接近或高于99%，并将误报率降低了大约50%。特别是在BoT-IoT数据集上，混合LightGBM + 自动编码器流程在不牺牲召回率的情况下处理了严重的类别不平衡问题。这些数字验证了将简单情况卸载到快速树集合中，并将自动编码器保留给模糊流量的架构决策。简而言之，速度和准确性并不是相互牺牲的；它们是共同优化的。

表6确认了Aegis-IoT的能源占用量足够支持多个月的自主运行。在所有环境中，SES始终保持在0.90以上，表明在检测严格性、延迟和能源成本之间取得了平衡。表6将实验室测量结果转化为三种典型部署的实际耐久性数据。一种由太阳能供电的交通传感器可以24小时不间断工作，即使使用容量仅为2安时的电池，也能持续运行近七周；而一种间歇性使用的医疗可穿戴设备则可以使用超过三个月。该传感器在所有测试中的信号增强得分（SES）始终高于0.90，这证明了即使在能源预算和延迟预算相互矛盾的情况下，Aegis-IoT也能保持出色的检测性能。这一综合指标强调了在讨论电池寿命时不应忽视安全保障。

表6. 实际场景下的能源与SES
| 场景 | 每日能源（mAh） | 响应时间（ms） | SES得分 | 2000 mAh电池寿命（天） |
|----------------|------------|-----------|---------|-------------------|
| 智能交通传感器 | 41 | 260 | 0.92 | 84 |
| 家用恒温器 | 27 | 310 | 0.90 | 27 |
| 医疗可穿戴设备 | 18 | 240 | 0.91 | 111 |

表7显示每个组件都对整体效率有显著贡献。早期退出剪枝机制减少了24%的延迟，而自适应加密则是主要的节能措施。通过这些分析，我们可以看出Aegis-IoT的设计选择非常重要。禁用早期退出剪枝会增加9毫秒的延迟，并使每日能耗增加3.1毫安时——对于需要每小时进行数千次推理的持续运行设备来说，这是一个不小的影响。移除联邦重放机制会降低近一个百分点的准确率，但这证明了定期传输“难点样本”所消耗的少量带宽是值得的。最后，关闭自适应加密对准确率的影响很小，但会导致每日能耗增加6.8毫安时，这表明加密节奏的控制是节省能源的关键因素。

表7. 关键组件的消融研究
| 配置 | 准确率变化（pp） | 延迟变化（ms） | 能源变化（mAh/天） |
|----------------|------------|-----------|-------------------|
| 完整Aegis-IoT | ————– | ————– | +9 |
| 早期退出剪枝 | -0.42 | +9 | +3.1 |
| 联邦重放 | -0.87 | +2 | +0.4 |
| 自适应加密 | -0.05 | +0 | +6.8 |

表8比较了Aegis-IoT与OC-SVM和基于规则的入侵检测系统在三个基准数据集上的混合异常检测性能。Aegis-IoT的准确率始终超过97%，F1分数尤其高，表明即使在噪声较大或数据不平衡的情况下也能可靠地检测异常。其假阳性率（FPR）也显著较低，证明了其能够避免将正常流量误判为恶意流量。这些结果表明该模型在处理不同类型的物联网（IoT）流量模式时既精确又具有泛化能力。

表8. 标准数据集上的检测性能比较
| 数据集 | 使用的模型 | 准确率（%） | 精确度（%） | 召回率（%） | F1分数（%） | 假阳性率（%） |
|-------------|------------|-----------|-----------|-----------|-------------------|
| BoT-IoT | Aegis-IoT | 99.12 | 98.77 | 99.36 | 99.06 | 1.28 |
| UNSW-NB15 | Aegis-IoT | 97.84 | 97.33 | 98.20 | 1.82 |
| TON-IoT | Aegis-IoT | 98.92 | 98.51 | 98.98 | 1.43 |
| BoT-IoT | OC-SVM | 92.71 | 89.65 | 91.22 | 90.42 | 4.67 |
| TON-IoT | 基于规则的IDS | 87.55 | 85.12 | 86.87 | 85.98 |

表9量化了Aegis-IoT在系统级资源消耗方面的效率。与传统基于OC-SVM和RSA的系统相比，Aegis-IoT使用的RAM和闪存更少，CPU利用率更低，并且推理和加密执行速度更快。这些性能指标对于内存和能源限制严格的真实世界IoT节点至关重要。量化模型和轻量级ECIES加密等优化措施使Aegis-IoT非常适合微控制器部署。

表9. 嵌入式硬件（STM32F407VG）上的资源利用率
| 指标 | Aegis-IoT框架 | 基于OC-SVM的系统 | RSA+基于规则的IDS |
|----------------|-----------|--------------|-----------------|
| RAM使用量（KB） | 147.6 | 164.3 | 158.2 |
| 闪存使用量（KB） | 79 | 218.1 | 87.4 |
| CPU使用率（%） | 38.7 | 52.4 | 44.6 |
| 推理时间（ms） | 17.4 | 28.6 | 24.3 |
| 加密开销（ms） | 6.9 | N/A | 13.1 |

表10详细展示了Aegis-IoT流程各阶段的功耗和能源消耗情况。测量数据使用校准的INA219传感器收集，并累计得出微瓦时（μWh）值。数据显示，大部分能源消耗在联邦更新传输和自动编码器推理过程中，但这些步骤是稀疏且事件驱动的，并非连续进行。总体而言，能源消耗非常低，使得Aegis-IoT适合使用电池供电的长期运行的IoT设备。

表11展示了随着联邦学习更新，模型性能随时间的演变。由于客户端贡献的难点样本和后续的模型重新训练，SES逐渐提高。尽管模型大小保持较小（约45 KB），但准确率和F1分数的提升非常显著。客户端带宽需求低于每天25 KB，表明在通信成本较低的情况下也能实现联邦智能。

在提出的框架中，LightGBM因其优化的梯度提升结构、低内存占用和快速推理能力而被用作异常检测的核心机器学习模型[1]。LightGBM的基于树的学习算法能够快速对数据包批次进行风险评分，量化技术和超参数调整减少了计算开销，使其适合资源受限的IoT节点。针对性优化包括剪除冗余特征、调整学习率和限制树深度，从而在不违反RAM和延迟限制的情况下确保最高的检测准确率。

为了验证选择LightGBM的合理性，表12中的实验在三个基准数据集（BoT-IoT、UNSW-NB15和TON-IoT）上进行了对比，将其与OC-SVM和基于规则的IDS等基线模型进行了比较。实验指标包括准确率、精确度、召回率和F1分数，反映了LightGBM的有效性和效率。

在提出的Aegis-IoT框架中，LightGBM因其轻量级特性、快速推理和高准确率而被用作异常检测的主要机器学习模型[1]。实验评估涵盖了BoT-IoT、TON-IoT和UNSW-NB15三个基准数据集，重点关注准确率、F1分数、RAM使用率和推理延迟等关键性能指标。通过量化模型减少了内存占用，同时保持了预测性能，使得准确率始终超过97%，F1分数超过97%。与OC-SVM和基于规则的IDS相比，LightGBM的RAM使用量显著降低（147.6 KB），延迟也显著减少（17.4 ms），证明了其在计算效率和实时边缘部署方面的优势。

尽管Aegis-IoT的核心依赖于LightGBM进行自动化判断，但这种方法本质上是通用的机器学习评估方法，模型架构本身并不新颖。LightGBM采用标准梯度提升配置，尽管其与自适应加密、联邦重放和能源感知评分的集成具有独特性，但其底层风险评估逻辑并未引入新的算法范式。因此，该框架的创新更多体现在系统级集成和资源感知的协调上，而不仅仅是机器学习模型本身。例如，通过LightGBM进行的风险计算是一种广泛使用的机器学习技术，但在资源受限的IoT节点中的部署展示了其在操作上的新颖性。

图2展示了三个基准数据集（BoT-IoT、UNSW-NB15和TON-IoT）的流量记录数量对比。BoT-IoT的样本量高达300万条，远超UNSW-NB15的257,673条和TON-IoT的500,000条，这凸显了数据可用性和数量上的差异，这对设计通用入侵检测系统至关重要。水平条形的可视化结构便于清晰显示数据集名称，并突出了可能影响训练和评估的不平衡问题。

图3比较了三种框架（Aegis-IoT、ECC+OC-SVM和RSA-1024+Rules）的加密解密时间和检测延迟。图表显示Aegis-IoT在两者方面都表现最快，加密仅需9.4毫秒，威胁检测仅需28毫秒。ECC+OC-SVM的延迟适中（加密15.7毫秒，检测41毫秒），而RSA-1024最慢（加密48.9毫秒，检测65毫秒），反映了非对称密钥操作的计算负担。该图表表明Aegis-IoT成功平衡了安全和性能的双重挑战。

图4展示了Aegis-IoT与基线LightGBM模型在三个数据集上的分类准确率对比。Aegis-IoT的准确率始终高于98.47%，而LightGBM为96.93%，显示出Aegis-IoT在通用性方面的优势。

图5绘制了三种设备（智能交通传感器、家用恒温器和医疗可穿戴设备）在标准2000 mAh电池驱动下的每日能源消耗与电池寿命的关系。可以看出，能源使用量减少时，电池寿命相应延长。例如，医疗可穿戴设备每天仅消耗18毫安时，可自主运行111天；而交通传感器每天消耗41毫安时，可运行49天。图表上的注释无需图例，使用户更易于理解。这凸显了Aegis-IoT在能源效率方面的实际效果，证明了其在远程或维护困难环境中的重要性。

图6的堆叠条形图展示了禁用不同优化措施（早期退出剪枝、联邦重放和自适应加密）对模型性能的影响。禁用早期退出剪枝会导致准确率下降0.42个百分点，延迟增加9毫秒，能耗每天增加3.1毫安时；禁用联邦重放对准确率的影响最大（下降0.87个百分点）；而禁用自适应加密则导致能耗每天增加6.8毫安时。这种可视化表示法突出了Aegis-IoT的模块化架构及其各组件的贡献。

表13比较了2017年至2025年间六种IoT安全方法的优点和局限性。早期尝试如Yu和K?se的AES实现提供了强大的加密能力，但缺乏异常检测功能；Tsigkritis等人的基于流的异常检测方法虽然准确率较高，但内存使用量大且未集成加密；Meidan等人的深度学习方法准确率优异但计算密集，不适合低功耗IoT节点；Butun和Osterberg的区块链访问控制引入了安全身份管理，但其通信开销使其不适用于对延迟敏感或依赖电池的环境；Belarbi等人的联邦GRU方法虽然支持分布式检测，但需要大型模型且在数据不平衡时存在收敛问题。相比之下，提出的Aegis-IoT框架结合了高效的ECC加密、量化的LightGBM异常检测器和联邦重放学习，实现了卓越的性能和资源效率。比较分析

序号 | 参考文献 | 方法名称 | 特点 | 结果 | 局限性 |
| --- | --- | --- | --- | --- |
| 1 [6] | 面向物联网的掩码AES | 8位MCU优化的AES，具有抗CPA能力 | 延迟约40纳秒，密钥安全性得到保障 | 无异常检测；仅支持对称加密 |
| 2 [7] | k-NN流量异常检测 | 10个流量特征，k=3 | 准确率94.5%，假阳性率4% | 内存使用量大（约8MB），不支持加密 |
| 3 [8] | N-BaIoT自动编码器IDS | 每个设备一个深度自动编码器 | 准确率98.2%，延迟120毫秒 | 模型大小超过5MB，需要浮点运算 |
| 4 [9] | 基于区块链的物联网访问控制 | 基于权限的区块链，使用ECC加密 | 每秒约30次交易，每次操作延迟250毫秒 | 网络开销较高，无异常检测 |
| 5 [10] | 联合GRU IDS | 设备上的GRU，结合TON-IoT | 准确率97.6%，模型大小2.3MB，延迟140毫秒 | 对数据分布敏感，占用内存较多 |

**提出的工作（2025年）** | Aegis-IoT | 使用128-224位ECC，结合量化LightGBM和自动编码器，采用联邦重放机制 | 准确率98.9%，加密时间9.4毫秒，延迟28毫秒，功耗112毫瓦，安全效率得分（SES）0.912 | 需要通过网关进行定期联邦更新 |

**讨论**
Aegis-IoT在多个数据集（BoT-IoT、UNSW-NB15和TON-IoT）上的性能评估展示了其强大的泛化能力和鲁棒性。在准确率方面，该框架始终超过98.4%，平均比LightGBM高出1.5个百分点。值得注意的是，假阳性率降低了40%，这在物联网环境中至关重要，因为过多的警报可能导致系统敏感度下降或资源浪费。从资源效率的角度来看，Aegis-IoT表现出明显的优势。在仅有192KB RAM的Cortex-M4微控制器上，它保持了37.4毫秒的平均加密和检测时间，功耗仅为112毫瓦，远低于电池供电设备的阈值。表4显示，实际应用（如智能交通传感器、恒温器）可以在标准2000毫安时电池下持续运行49至111天而无需充电。此外，所有部署场景下的安全效率得分（SES）均保持在0.90以上，证明了在检测严格性、延迟和能耗之间的良好平衡。

**结论**
本研究提出了Aegis-IoT，这是一个考虑资源限制的安全框架，集成了自适应椭圆曲线加密、量化LightGBM-自动编码器混合检测器和联邦重放学习机制。该框架专为在微控制器类物联网设备上运行而设计，能够满足严格的内存、能耗和延迟要求。在BoT-IoT、UNSW-NB15和TON-IoT数据集上的实验验证表明，该设计在保持高检测可靠性（准确率≥98.4%，假阳性率低）的同时，实现了低延迟（约28-30毫秒）和可控的能耗（约112毫瓦）。引入的安全效率得分（SES）进一步实现了对检测质量、响应性和能源成本的平衡评估，所有部署场景下的性能均超过0.90。结果表明，有效的物联网安全不仅需要单独优化加密或检测技术，还需要在加密、推理和学习阶段进行协调适应。通过结合自适应加密扩展、提前退出的推理和通信高效的联邦更新，Aegis-IoT为现实世界应用提供了实用解决方案，这些应用既需要安全保障，也需要设备的长寿命。该研究提供了一个可部署且可复制的框架，解决了高检测性能与严格资源限制之间的矛盾，适用于智能基础设施、医疗监控和工业物联网系统等领域。

**局限性**
1. **依赖于定期联邦更新**：该框架依赖于定期的联邦重放更新来维持检测准确性，但在连接不稳定或网关访问受限的环境中，延迟更新可能会降低对新攻击行为的适应能力。
2. **对超低端设备的评估有限**：尽管已在STM32F4类微控制器上进行了验证，但该框架尚未在资源更受限的设备（如RAM小于100KB的设备）上进行测试。某些组件（特别是自动编码器部分）可能需要进一步压缩或优化。
3. **以ECC为中心的安全假设**：当前设计优先考虑ECC的效率，但未解决面对量子计算能力对手时的长期抗攻击能力问题。这限制了其在需要前瞻性加密保障的场景中的应用。
4. **数据集驱动的泛化边界**：虽然使用了多个基准数据集，但它们可能无法完全覆盖所有现实世界的物联网流量变化，特别是特定领域的协议或零日攻击模式。在高度专业化或快速发展的环境中，可能需要额外的领域特定重新训练。

**未来工作**
尽管Aegis-IoT已经表现出色，但仍有多种改进方向：首先，引入后量子加密原语可以使其在未来量子计算威胁面前保持有效性；其次，我们计划集成基于小规模语言模型的异常解释模块，以提供人类可读的威胁解释，同时不牺牲内存效率；第三，通过增加数据集多样性（特别是来自汽车和农业物联网系统的实时遥测数据），可以进一步提高模型的泛化能力；最后，未来的Aegis-IoT版本将探索自愈机制，使节点能够根据其安全效率得分（SES）的趋势自主隔离和恢复 from 网络物理攻击。作为长期目标，我们计划在涉及超过100个异构节点的边缘联邦环境中测试Aegis-IoT，重点是在去中心化更新和政策调整时保持低于2%的通信开销和40毫秒的延迟。

**作者贡献声明**
Anand Rajavat：撰写、审阅与编辑、原始草案编写、可视化、验证、监督、资源管理。
Anjali Rawat：撰写、原始草案编写、验证、监督。
Romil Rawat：形式化分析、数据管理、概念化。
Hitesh Rawat：项目管理、方法论设计、研究实施。

**数据可用性声明**
本研究使用的数据集均为公开可用，可访问地址如下：
- BoT-IoT数据集（https://research.unsw.edu.au/projects/bot-iot-dataset）
- UNSW-NB15数据集（https://research.unsw.edu.au/projects/unsw-nb15-dataset）
- TON-IoT数据集（https://research.unsw.edu.au/projects/toniot-datasets）
这些数据集以原始形式使用，未经修改。经过处理的数据和特定实现的配置可根据合理请求由作者提供，因为它们是正在进行的研究工作的一部分。

**其他注意事项**
- 本研究不涉及临床试验、参与者同意声明、出版同意声明、伦理声明或利益冲突声明。