《Future Internet》：A Systematic Review of Cybersecurity Testbeds for Smart Environments: Architectures, Attack Coverage, and Defensive Evidence
编辑推荐：
智能环境网络安全日益依赖于能够在现实条件下再现针对建筑物、住宅和城市攻击的实验平台。然而，现有文献在测试床设计、攻击演示和防御验证方面仍然分散。这使得判断每个研究实际提供的安全证据类型变得尤为困难。本综述系统地分析了自2020年以来发表的28项实验性研究，重点
智能环境网络安全日益依赖于能够在现实条件下再现针对建筑物、住宅和城市攻击的实验平台。然而，现有文献在测试床设计、攻击演示和防御验证方面仍然分散。这使得判断每个研究实际提供的安全证据类型变得尤为困难。本综述系统地分析了自2020年以来发表的28项实验性研究，重点关注测试床的现实性、信息物理耦合（cyber–physical coupling）和评估模式如何塑造所得结论的强度。语料库涵盖了智能建筑、智能家居和智能城市中的物理、混合、仿真和数据集驱动环境。通过研究人员的调查，研究人员发现该领域存在明显的不对称性。以检测为导向的研究占主导地位，尤其是那些基于仿真或公共数据集的研究，而针对预防、响应、遏制和恢复的现场证据相对稀缺。可用性和完整性/控制攻击是最常被演练的，而身份验证破坏和软件利用仍然很少见，因为它们更难在真实硬件上实施。此外，研究人员得出的一个重要观察结果是，物理和硬件在环（hardware-in-the-loop，HitL）平台支持最强的信息物理证据，但仿真和重放环境在规模和可重复性方面仍然具有价值。同时，公共数据集和离线分类结果本身并不能在真实的智能环境中建立运营韧性。为了使这些区分明确化，研究人员引入了一个跨领域的测试床架构、攻击家族和防御控制覆盖范围分类法，并使用美国国家标准与技术研究院网络安全框架（NIST Cybersecurity Framework，NIST CSF）衍生的运营功能映射了已报告缓解措施的证据强度。最后，研究人员指出了开放的挑战，包括薄弱的恢复评估、参考测试床的有限复用，以及对现场、上下文感知数据集的需求，并概述了有前景的未来方向。
1. 引言：本文介绍了智能环境在集成传感、执行、网络、边缘计算、云服务和自动化决策后，增加了攻击面，安全后果超出传统信息风险。现有调查仅涉及部分领域，本文通过系统综述跨越智能建筑、智能家居和智能城市三个领域，提出四个贡献：跨域测试床分类学、攻击表面整合表征、防御覆盖的运营攻击-控制映射，以及更富代表性和运营意义的测试床研究议程。
2. 相关工作：相关工作分布于网络安全测试床调查、物联网测试方法论和特定领域安全威胁综述三个分支，但它们通常侧重于实验基础设施或安全问题的单一方面，未系统关联测试床架构与攻击再现、控制评估及证据强度。本文的贡献在于填补此分析空白。
3. 方法论：综述遵循系统文献综述指南和PRISMA框架，围绕四个研究问题（RQ1-RQ4）展开，对应四个贡献。搜索数据库包括IEEE Xplore、Scopus和Web of Science，时间范围2020-2026年。通过三阶段筛选（去重、标题/摘要筛选、全文审查）和独立数据提取，最终纳入28项研究，并对报告偏倚进行了描述性评估。
4. 语料库概述：最终语料库包含28项2020-2026年间的实验性研究，其中智能建筑10项、智能家居16项、智能城市2项。时间分布显示2024年为高峰期，后期研究结合了信息物理过程建模、联邦学习、嵌入式检测、软件定义网络（Software-Defined Networking，SDN）缓解和模糊测试等。
5. 测试床架构与组成：本章从三个维度分析架构：现实性策略（物理、混合、仿真）、信息物理耦合（信息物理耦合，cyber-physical coupling）和信任边界（trust boundary）与外部效度。物理测试床在智能家居中占主导，提供高保真度但规模受限；混合/硬件在环（hybrid/hardware-in-the-loop，HitL）设计在智能建筑中常见，通过真实控制器与仿真物理过程耦合实现保真度与可控性的平衡；全仿真测试床在智能城市研究中用于大规模式实验。信息物理耦合是实现物理信息检测的关键，仅出现在具有过程模型的测试床中。信任边界问题突出，许多智能家居测试床依赖供应商云后端，导致攻击路径建模不完整。
6. 测试床工具：工具层分为硬件、软件和即服务（as-a-service）三个层面。硬件层包括目标设备（如树莓派、商用现货（Commercial Off-The-Shelf，COTS）设备）、攻击平台（卡利Linux（Kali Linux））和仪器设备（如抓包器、软件定义无线电（Software-Defined Radio，SDR））。软件层包括抓包工具（Wireshark/tcpdump）、攻击工具（Ettercap、Scapy、Airgeddon）、仿真与协议栈（Modelica/EnergyPlus、Mininet、MQTT）和机器学习框架（scikit-learn、TensorFlow、PyTorch）。即服务依赖包括供应商云（如三星SmartThings云）和可选云计算（如亚马逊云服务（Amazon Web Services，AWS））。各层工具呈开放性和收敛性，但专有组件和定制脚本仍限制可重复性。
7. 攻击分类：攻击分为八类：可用性攻击（14项研究，以拒绝服务（Denial-of-Service，DoS）和分布式拒绝服务（Distributed Denial-of-Service，DDoS）为主）、完整性与控制攻击（13项，包括虚假数据注入（False Data Injection，FDI）和命令注入）、网络与通信攻击（8项，以中间人攻击（Man-in-the-Middle，MitM）为主）、恶意软件与僵尸网络攻击（7项，如Mirai和Bashlite）、侦察攻击（6项）、隐私与窃听攻击（3项）、访问与身份验证攻击（2项）和软件利用攻击（1项）。攻击分布呈现网络和可用性中心化，而身份验证和软件利用在真实硬件上罕见，这反映了测试床现实性的直接限制。
8. 控制分类：控制分为八类：机器学习/深度学习检测（11项，占主导）、统计与物理基检测（5项）、语义与形式化检测（2项）、签名基检测（1项）、预防与响应（4项，如SDN阻断）、预防性加固（3项，如加密）、测试床与工具贡献（6项，如仿真平台）和仅指南（4项，无实现机制）。整体呈现检测重、预防轻的显著不对称性，预防性控制仅集中在少数研究，且多数检测器基于重放或仿真流量而非现场硬件攻击进行验证。
9. 交叉分析：攻击表面与防御覆盖的交叉分析揭示了结构性不对称。基于NIST CSF框架的运营功能（检测（Detect）、预防/加固（Protect）、响应/遏制（Respond）、恢复（Recover）），覆盖评估显示：可用性攻击的防御主要是检测导向，缺乏预防性阻断；完整性/控制攻击有物理基检测，但未验证命令执行前拒绝或自动恢复；网络攻击有部分预防机制（如MQTTS加密、SDN阻断），但未覆盖多协议场景；恶意软件检测重，但预防和恢复不足；隐私攻击仅有单一预防方向（SniffMislead），但未验证可扩展性；侦察、身份验证和软件利用的防御覆盖最弱，缺乏端到端评估。测试床现实性强烈影响防御证据强度：物理和硬件在环（HitL）平台支持最强信息物理证据，而仿真和重放设置仅适用于检测导向证据。
10. 开放挑战与未来方向：基于前述不对称性，提出七个未来方向：从检测准确性转向运营韧性评估，强调闭环防御验证；加强预防、响应和恢复机制，包括协议感知预防、SDN隔离和恢复工作流；减少对重放和公共数据集的依赖，推动混合评估管道和上下文感知数据集；在不大幅牺牲可重复性的前提下提升测试床现实性，通过模块化架构实现可配置的现实性维度；扩展研究不足的攻击家族，包括固件分析、身份管理和多层城市攻击；支持语义和物理感知安全，通过富语义接口和物理安全边界度量；人工智能和大型语言模型辅助测试床工程，在受控环境下生成攻击场景和实验编排；推动共享基准和可复用参考测试床，促进累积比较。
11. 结论：本综述系统检视了28项实验性研究，发现测试床架构和工具高度依赖领域，语料库呈现检测导向工作丰富而预防/遏制/恢复证据薄弱的不对称性。攻击表面广泛但不均衡，测试床现实性塑造证据强度。开放挑战指向运营韧性评估、丰富现场数据、明确信任边界、可复用平台和恢复导向实验。人工智能和大型语言模型辅助测试是未来方向，但需在受控和可审计条件下进行。
