综述：将数据可信性整合到智慧农业数字化足迹生命周期评估中：通过数据信任单元量化数据可信度

《Smart Agricultural Technology》：Integrating Data Trustworthiness into Digitization Footprint Life Cycle Assessment for Smart Agriculture: Quantifying Data Credibility through Data Trust Units

　　

在智慧农业系统中，物联网（IoT）传感器、边缘网关和云平台紧密耦合，数字化足迹的形成不能仅由工作负载强度和硬件效率来解释。数据可信性在农业数据生命周期（从田间感知经传输到决策支持）中的退化会触发防御性系统行为，包括冗余验证、重复数据重传和回滚重算，这些行为沿任务依赖图传播并放大能量消耗。因此，传统的数字化足迹生命周期评估（DF-LCA）模型系统性地低估了农业物联网基础设施中路径级能量成本。在此，研究人员引入了一个通过数据信任单元（DTUs）将数据可信性嵌入数字化足迹生命周期评估的框架。该框架将智慧农业系统分解为可信任评估的实体，并建立了信任维度与能量传播之间的定量耦合。一个涵盖可靠性、安全性、可恢复性和完整性的动态信任模型通过信任阈值机制集成到路径选择决策中，以缓解级联能量惩罚。在代表农业物联网节点的500个DTU网络上进行的实验表明，所提出的方法在早期拓扑阶段抑制了污染传播，并在高风险条件下将总能量消耗降低了高达48.13%。

1. Introduction（引言）
全球数据圈预计将达到约180 ZB，并以每年约20%的速度增长，农业领域同样经历着数字化浪潮。在智慧农业中，单个奶牛场每头奶牛每天可产生约65 kB的传感器数据，而中等规模的田间农场则产生数量级更高的数据。这些数据在田间传感器、网关、边缘和云平台之间传输，通常需要经过5至10跳，并被多次处理、重传和复制。当数据可信性因传感器漂移、校准漂移或环境干扰而下降时，防御性冗余（验证、重传、回滚重算）导致的惩罚成本可达到每跳基线的10倍，在高风险条件下可消耗总ICT能量的48.13%。随着物联网（IoT）、边缘计算和云计算在农业中的广泛应用，智慧农业系统已从孤立的传感器部署演变为支持精准灌溉、作物健康监测、畜牧管理和自主田间作业的核心基础设施。农业业务逻辑日益分解为田间-边缘-云协作架构，数据在异构感知、处理和决策域中持续流通。数字化足迹（DF）被定义为数据采集、传输、处理、存储和复用过程中消耗的资源，已成为表征农业物联网基础设施资源使用和能源性能的关键指标。然而，传统DF-LCA模型仅基于工作负载强度和硬件效率，无法解释数据可信性下降引发的防御性行为所导致的异常能耗。本文通过数据信任单元（DTU）将数据可信性直接嵌入DF-LCA，在对象层面将智慧农业平台分解为多个DTU，在机制层面建立数据可信性与能量传播的耦合模型，实现路径级能量分解，从而识别异常能耗的初始位置，并量化信任退化事件触发放大机制的因果关系。

2. Related Work（相关工作）
2.1 Data Trustworthiness Assessment（数据可信性评估）
传统数据可信性研究在可靠性、安全性、可恢复性和完整性等维度上提出了众多评分框架。在农业背景下，数据质量评估主要集中于传感器精度和校准，近期扩展至基于区块链的溯源跟踪和共享IoT部署的端到端数据质量评估。然而，这些方法通常产生静态评分或定期审计结果，并未指定特定信任状态下会触发的具体系统行为，使可信性评估与运营能量后果脱节。

2.2 Digitization Footprint and Life Cycle Assessment（数字化足迹与生命周期评估）
数字化足迹（DF）概念近期被正式化，用于量化数据采集、传输、处理、存储和复用过程中消耗的资源。现有DF-LCA模型将能量波动主要归因于工作负载变化和硬件效率，假设数据在传输和存储过程中始终保持可信。该假设在小型部署中可能成立，但在复杂的智慧农业基础设施中失效，因为信任退化会触发防御性行为，结构性放大能量消耗。针对数字服务的生命周期评估方法强调了捕获ICT应用间接环境影响的难度，但均未将数据可信性作为调节变量纳入。

2.3 Cascading Failures in Networked Systems（网络系统中的级联故障）
相互依赖网络和IoT系统中的级联故障研究表明，局部故障可沿依赖路径传播并产生非线性放大效应。农业物联网中的边缘计算架构和分布式传感器网络因其异构、多层拓扑而特别容易受到此类级联传播的影响。然而，现有级联故障模型未将可信性作为调节变量，且尚无工作量化信任退化与能量放大在路径级上的耦合。传统DF-LCA中存在“盲目转发-延迟校正”范式，缺乏执行前信任感知，系统继续转发受污染数据，直到终端验证触发全路径回滚和重算，从而在结构上放大能耗。

3. Methodology（方法）
3.1 DTU Framework Overview（DTU框架概述）
本文提出基于DTU的框架，将智慧农业IoT系统组织为四个层次：现场层（分布式传感器）、网关层、边缘计算层和云层。每个节点被抽象为DTU，具有四个独立可测的信任维度：可靠性R(t)、安全性S(t)、可恢复性Re(t)和完整性I(t)。系统信任状态定义为T(t)=f(R(t),S(t),Re(t),I(t)∣C(t))，其中C(t)表示上下文变量。全局信任度为各DTU信任度的加权和。与传统DF-LCA不同，DTU引入传输前信任检查：在转发前评估候选节点的瞬时信任T(t)，若T(t)低于阈值则触发行为重构，通过路径剪枝终止数据流。该“预先止损”机制产生较小的评估成本E_eval，但避免了昂贵的级联惩罚能量E_penalty。实际能耗表示为E_dtu(t)=E_base(t)+E_eval+∑_flows[P(T)·E_{path_cost}]，其中P(T)是数据流沿路径继续的概率。DTU通过信任驱动的行为重构，而非缩减操作规模，实现异常能耗的拓扑收敛。

3.2 Reliability（可靠性）
3.2.1 Context-Aware Markov Chain Model（上下文感知马尔可夫链模型）
每个DTU被建模为离散时间马尔可夫过程，状态空间包括运行（S0）、退化（S1）、故障（S2）和修复（S3）。状态转移矩阵P(t)是负载L_t的函数，其中L_t∈[0,1]表示负载水平。参数α₁、α₂、β₁、β₂、γ、δ分别控制不同状态间的转移敏感性。该上下文感知马尔可夫链（CAMC）模型捕获了高负载或异常条件下的性能波动和故障演化。可靠度定义为处于运行状态S0的概率R(t)=π_t[S0]，观测窗口内的平均运行概率作为DTU可靠性得分D_RMarkov。

3.2.2 Context-Adjusted Non-Homogeneous Poisson Process (NHPP) Model（上下文调整的非齐次泊松过程模型）
传感器和节点故障率受时间及上下文因素（如季节性极端天气、害虫爆发、设备老化）影响。故障到达过程建模为非齐次泊松过程（NHPP），强度λ(t)=λ₀·g(E_t,Env_t,L_t)，其中E_t为事件驱动触发因子，Env_t为环境复杂度，L_t为实时负载。期望故障数M(t)=∫₀^T_wλ(τ)dτ，动态可靠度R(t)=e^-M(t)。归一化可靠度得分D_RNHPP通过最小-最大标准化获得，提供长期系统稳定性的定量度量。

3.3 Security（安全性）
3.3.1 Consistency Scoring via Behavioral Entropy（基于行为熵的一致性评分）
正常用户和进程表现出稳定的时间访问模式，而攻击或异常行为表现为接口调用组合突变、资源访问分散或操作频率异常。行为熵H(t)=-∑_i=1ⁿp(x_i)log p(x_i)量化行为分散程度。平均熵偏差ΔH用于计算安全评分D_SEntropy=1/(1+ΔH)。持续偏差结合信任下降可作为预先触发信号，指导路径级干预。

3.3.2 Risk Propagation Scoring via Bayesian Attack Graph（基于贝叶斯攻击图的风险传播评分）
贝叶斯攻击图（BAG）建模多步风险传播。系统图G=(N,E)中，节点N_i代表系统资产或安全状态，边E_ij表示攻击者路径并附带条件概率。给定观测证据，期望风险传播E[R]=∑_i=1ⁿP(N_i∣evidence)·R(N_i)。安全评分D_SBayes=1/(1+E[R])，较低分数表示较高的多跳渗透和风险传播概率。

3.4 Recoverability（可恢复性）
3.4.1 Recovery Elasticity Based on Repair Trajectories（基于修复轨迹的恢复弹性）
传统MTTR仅捕获端点统计，忽略修复过程中的持续高资源使用。定义性能恢复函数f(t)∈[0,1]，恢复弹性RE=1/T_rec∫₀^T_recf(t)dt，表示恢复期间的平均相对性能。标准化可恢复性得分D_ReElasticity=(RE-RE_min)/(RE_max-RE_min)，较低分数表示恢复过程漫长或低效。

3.4.2 Bayesian Inference of System Repair Probability（系统修复概率的贝叶斯推断）
修复概率E[R_succ]=∑_i=1ⁿP(R=1∣context_i)·w_i通过贝叶斯网络估计。贝叶斯可恢复性得分D_ReBayes=1/(1+(1-E[R_succ]))，取值范围在(0.5,1]。较低分数表示恢复失败风险较高，需预先终止路径。

3.5 Integrity（完整性）
3.5.1 Structural Hash-Based Multi-Version Consistency Score（基于结构哈希的多版本一致性评分）
分布式农业存储中，数据对象常有多个版本或副本。使用结构哈希函数映射版本H(V_i)，版本间结构一致性偏差ΔH通过哈希相似度函数计算。引入修改类型权重W_m、版本重要性权重W_v和副本冗余权重W_r，得到加权一致性ΔH_weighted，归一化完整性得分D_IHash=ΔH_weighted。完整性下降提示版本间结构分歧，触发跨副本协调、强制同步或回滚操作。

4. Experiment（实验）
4.1 Experimental Setup（实验设置）
4.1.1 Experimental Environment and System Architecture（实验环境与系统架构）
实验使用自开发的Java 1.8事件驱动引擎，在高性能计算节点上部署。实验系统包含500个独立DTU，抽象为异构角色和资源特征的农业物联网实体（田间传感器、网关节点、边缘计算单元、云平台）。实验跨越1000个离散时间步，步长Δt=1。基线能耗来自SPECpower_ssj2008基准数据集，采用组件级非线性功耗模型。CPU能量采用非线性利用率模型（η=1.2），内存和网络能量基于实时占用和吞吐动态建模。级联惩罚设定为基线每步的10倍。

4.1.2 Network Topology and Workload Configuration（网络拓扑与工作负载配置）
逻辑执行拓扑为平均出度2.5的随机有向无环图（Random DAG），包含约1250条有向边，平均路径长度6-8跳。节点层级分为传感器节点、现场网关、边缘服务器和云平台。每个实验步骤生成20条端到端跨层农业数据流，每条流经5-10跳随机游走路径。实验步数950步（第51至1000步，含50步预热）。

4.1.3 Risk Environment and Fault Modeling（风险环境与故障建模）
引入全局风险强度参数riskIntensity调整不利事件频率。级联中毒机制模拟盲目转发受污染数据的物理后果：若数据流经过退化或失败节点，则被标记为受污染并强制完成剩余路径，到达目的地后触发全路径回滚和重处理，级联惩罚能量为基线每步的10倍。所有场景使用固定随机种子（Seed=42）保证可复现性。

4.1.4 Agricultural Scenario Grounding and Parameter Calibration（农业场景依据与参数校准）
网络规模500节点代表中等规模精准农场。平均出度2.5和5-10跳路径反映稀疏分层连接。马尔可夫转移概率α₁=0.05、α₂=0.02对应每年5-15%的传感器故障率。退化偏置0.40将信任度降低60%，模拟严重场景。基线能耗根据SPECpower_ssj2008缩放，与农业物联网设备能耗范围一致。四个信任水平G1-G4分别对应正常生长季监测（T≈0.85）、季节性胁迫（T≈0.70）、极端天气下的部分基础设施退化（T≈0.55）和危机情景（T≈0.40）。

4.1.5 Experimental Procedure and Monitoring（实验程序与监测）
每次仿真运行遵循五阶段程序：拓扑生成、参数初始化、预热（前50步排除统计）、数据收集（第51-1000步记录每步指标）、后处理（能量分解为基线、转发和级联惩罚分量）。所有运行使用固定随机种子，关键比较在相同拓扑和工作负载实例上执行。

4.2 Results and Analysis（结果与分析）
4.2.1 Impact of Trustworthiness on Abnormal Energy Consumption（可信性对异常能耗的影响）
通过改变全局风险强度生成四个平均信任水平G1-G4（T=0.85、0.70、0.55、0.40）。基线能量E_base保持在7.9-8.2 kWh窄范围内。传统模式下，能量随信任度下降显著非线性放大：T从0.85降至0.40时，E_trad从11.10 kWh升至15.61 kWh，增加7.63 kWh，接近一个完整基线工作负载周期。DTU模式下，高信任度范围（G1）能量略增1.07%（表明过度治理），中低信任度范围（G2至G4）节能优势显著：G2至G3转换时节能从6.83%跃升至43.93%，G3和G4分别执行17,489和17,573次路径剪枝，最大节能达48.13%。

4.2.2 Decoupling and Interaction Effects of Trustworthiness Dimensions（信任维度的解耦与交互效应）
采用2⁴全因子设计，固定风险强度0.40。可靠性（R）、安全性（S）、可恢复性（Re）和完整性（I）设置为高信任（H，偏置0）或退化（L，偏置0.40），生成16种组合。主效应分析显示，可靠性退化对传统模式能耗影响最陡（增加约1820 Wh），安全性次之（约860 Wh），完整性和可恢复性影响较温和（约250 Wh和90 Wh）。单维度退化分析显示，可靠性退化（G01）使传统能量增加约11%，安全性退化（G02）增加约5%但不显著提高故障频率，可恢复性退化（G04）延长故障窗口，完整性退化（G08）提高隐藏污染概率。多维度并发退化表现出超线性能量放大，G15（LLLL）传统能量达17.4 kWh，而DTU限制在约12.0 kWh。DTU在平均信任度低于0.60时，路径剪枝从数百次增至数万次，实现能量收敛。

4.3 Discussion（讨论）
阈值优化研究将DTU下阈值参数T_low从0.50扫描至0.75，识别出三个治理区域：0.50-0.57为“低阈值赤字区”，止损触发极少，DTU开销未被惩罚抑制补偿；0.58-0.70为“关键收益区”，适度的路径剪枝有效阻止级联重算，产生稳定5-7%的正收益；大于0.73为“过度剪枝区”，几乎所有流被提前剪断，名义能量降低来自业务执行缩减而非异常能耗缓解。机制分析确认止损激活在关键收益区急剧增加，重算次数下降。对级联惩罚系数的敏感性分析显示，在5×和20×惩罚系数下，DTU节能分别变为约35%和约58%，但关键收益区范围仅略有移动（0.56-0.72和0.59-0.73），表明治理结构对惩罚系数稳健。DTU评估的计算开销每个跳步仅为基线转发能量的两个数量级以下，高信任状态下净治理开销仅为1.07%。在真实物联网数据验证中，使用Intel Berkeley Research Lab传感器数据集（50多个无线传感器节点）计算可靠性和完整性，复合信任得分T=0.6R+0.4I，20个Mote的平均信任为0.490，最高0.672，最低0.365，差距0.307，与模拟中G1与G3的信任差异相当。90%的Mote低于T=0.60，表明即使在相对稳定的室内环境中，相当比例的节点可进入关键收益区。研究亦讨论了实际部署挑战，包括硬件和协议异构性、不稳定的现场连接、阈值校准、操作员专业知识和季节变化。

5. Conclusion（结论）
本文提出了基于DTU的框架，将数据可信性嵌入智慧农业IoT系统的DF生命周期评估。500节点DAG上的模拟实验表明，DTU机制可在低信任条件下结构性抑制级联异常能耗，高风险场景下模拟节能达48.13%。多维因子分析表明可靠性和可恢复性之间的交互作用是能量放大的主要驱动因素。公共室内IoT传感器数据集验证了DTU式信任评分可有效区分真实传感器节点的数据质量。研究局限性包括：主要结果基于离散事件模拟；实际数据验证使用室内数据集；采用单一拓扑配置；信任维度和权重固定。未来工作方向包括：在专用农业传感器数据集上验证DTU框架；开发基于实际农业操作日志的在线学习模型；将DTU集成到农场管理信息系统；将信任度调节与碳强度感知调度耦合。