AI驱动智能建筑气候控制中运行时治理（Runtime Governance）的闭环测量研究

《Sensors》：A Closed-Loop Measurement Study of Runtime Governance in AI-Driven Smart Building Climate Control

　　

在AI驱动的控制器驱动机建筑气候时，哪些运行时治理机制能降低物理风险，以及在何种条件下降低？研究人员开发了一个闭环软件在环（Software-in-the-Loop, SIL）测试平台，其中基于真实占用数据训练的设定点模型通过一个声明式治理平面驱动物理基础热区，结果由独立安全预言机（Safety Oracle）评分，并在真实MQTT协议栈上运行相同治理逻辑，配备进程内策略决策点与哈希链式审计日志。在分布偏移下，准入控制将不安全物理暴露从1185.3降至954.8 °C·min，而叠加检查点回滚在参考运行中仅进一步降低0.1%–0.4%（跨传感器噪声种子为0.1%–0.4%）：治理决策耗时0.44 ms，而物理恢复中位耗时61 min。因此在该热系统中预防优于恢复，剩余可避免暴露由策略对占用上下文的估计驱动。确定性单规则恒温器在偏移下暴露增加，而学习控制器加热需求代理高19%；这是安全–需求权衡，而非学习控制必要的证据。植物扫描得出惯性装置的操作包络准则：仅当装置在下一命令到达前恢复且在离开安全集前被采样时，回滚才对安全有实质贡献；较慢装置上最多去除14.7%，中间存在过渡带。未操作任何物理硬件。

研究背景与问题提出

在传感器驱动的物联网（Internet of Things, IoT）部署中，温度传感器、占用检测器与智能电表等连续数据流在触发执行器动作前须经过治理检查。现有NIST AI风险管理框架与ISO/IEC 42001强调问责与可追溯，但未规定治理规则如何在IoT运行时内执行，治理常退化为合规清单而非可运行的准入、节流、拒绝或回滚组件。当AI推理服务参与传感至执行回路且错误影响物理环境时，这一缺口尤为关键。已有Soteria、IoTSan、IoTGuard等工作深耕策略冲突发现与验证，但鲜有系统在闭环物理后果下量化各治理机制究竟消除多少物理风险。

研究目的与总体设计

研究人员从系统仪表化视角出发，将研究对象定为治理运行时本身而非AI；AI服务仅作为生成控制意图的现实源。治理层被刻意设计为确定性，以在安全和审计场景下保证可复现。作者在单区智能建筑HVAC场景中构建闭环SIL测试床：真实占用数据集训练的MLP设定点回归器驱动物理基础RC热区，意图须依次通过G1安全与操作约束、G2隐私与数据处理、G3弹性与运行时健康、G4可审计性四道门；被拒意图转入与上下文无关的安全态回退。独立物理安全预言机读取真实温度与真实占用（占22±1 °C、空18±1 °C），以°C·min积分不安全暴露，且对准入门不可见，保证误否测量非循环。相同治理平面还在真实MQTT栈上以进程内策略决策点（Policy Decision Point, PDP）与磁盘哈希链审计运行。论文发表于《Sensors》。

主要技术方法（≤250字）

研究人员采用UCI占用数据集（温度、湿度、CO₂、湿度比，排除光照通道）训练两层MLP（32与16 ReLU单元，705参数，Adam优化），在datatraining训练、datatest分布内、datatest2分布偏移下评估。植物为集总参数RC单区模型（C=2.5×10⁵ J/K，R=0.02 K/W，τ=1.39 h，P_max=3 kW），前向欧拉Δt=1 s，AI每分钟发一次设定点。治理状态机含准入、执行、提交、节流、回滚、失败安全态；检查点区分暂存与合格（须执行器确认且稳定谓词成立）。后端对比inline/HTTP/CLI三种策略评估架构。植物速度扫描缩放C跨越两数量级，监视周期1–30 s。所有数值由固定种子再生，跨30种子引导CI，Wilcoxon配对检验。

研究结果

RQ1自动化策略缺口发现：研究人员用变异算子在声明式门上删减谓词，覆盖引导生成控制意图，以独立物理预言机作蜕变关系。排序显示删G3队列健康最糟（48.6 °C·min），G1设定点界次之；同一流程自动标出已发布策略自身19.9–20.5 °C·min可 exploitation缺口（缺G2来源 provenance谓词），补该谓词即闭缺口。无物理预言机的规则测试召回为0，证明物理预言机是发现物理执行缺口的决定性成分。

RQ2各机制物理收益：分布偏移下无治理1185.3 °C·min；仅准入控制954.8；准入+检查点回滚953.2（额外去0.16%，峰值不降）；Oracle上下文谓词1.2；可部署CO₂谓词727.7。决策0.44 ms对物理恢复中位61 min（最长146 min），回滚结束而非撤销偏移。同运行时下上下文估计是瓶颈。拒绝语义实验：Oracle准确门+上下文盲hold回退924.8，不如不准门+上下文无关安全态（21 °C）回退727.7，证明拒绝时做什么胜于拒绝多准。不可逆执行器（闩锁>26 °C）下回滚失效，仅预防有用。

RQ3回滚何时值得：缩放C得阈值而非梯度。装置恢复快于命令间隔且监视采样快于离安全集时，回滚去约50%不安全暴露（1 s监视）；装置慢于阈值（本楼τ=1.39 h、0.072 °C/min）回滚最多去14.7%（1 s监视），30 s监视更低。准则：运行时回滚仅在“装置恢复快于下一坏命令到达且采样快于离安全集”时交付安全，否则只是记账机制。两界可部署前由恢复时间、控制周期、监视周期测得。

讨论部分总结

研究人员指出准入控制去除实质暴露、回滚在慢惯性装置上近乎无效、预防优于恢复、拒绝语义重于拒绝精度、上下文估计而非运行时是残差风险宿主。准则可迁移至环境监测与工业平台，但暴露数值不可迁移。OTA与Gatekeeper类工作证明策略可嵌入准入，本研究补其控制回路物理代价测量。威胁效度中明言全为SIL、RC单区未含分层/太阳得热/湿迁移；5 s监视曲线在0.72 °C/min处可重现凹陷未解释但不影响边界。未做形式化验证状态机，恢复路径用预言机辅助上下文而非可部署估计，量化偏差未估。

结论翻译

研究人员问AI驱动IoT中哪些运行时治理机制在何条件下降物理风险，并建闭环使问题有答。真实设定点模型驱物理热区过声明式治理平面，独立上下文依赖安全预言机评分。答案反转常见假设序：准入控制去实质暴露；叠检查点回滚仅再去0.1%–0.4%且不降峰值，因室恢复比治理决策慢数个量级；去暴露靠预防非恢复，预防不及处属策略上下文估计而非运行时。拒绝语义重于拒绝精度。植物跨两数量级扫出可迁移准则：快装置回滚是安全机制，慢装置仅是记账， regime由恢复时间与采样率预读。结论跨架构（含线性）、种子、噪声、安全带稳健；不可错模型得零暴露证度量有效。研究止SIL第三阶，未操物理硬件，Raspberry Pi后端已奇偶校验释放，第四阶系接口替换，准则对其结局有可证伪预测。