海洋资产安全：物联网防盗系统中边缘机器学习与 LoRa 网状网络的集成

《IoT》：Securing Marine Assets: Edge ML and LoRa Mesh Integration for IoT Anti-Theft Systems

　　本文提出了一种基于ESP32船载节点、本地运动分析和LoRa网状通信的海事物联网防盗架构。所提出的检测流程采用一维卷积自编码器，利用静止船只数据进行训练，并应用于X轴和Z轴角速度测量的滑动窗口。在部署过程中，通过校准阶段根据停泊船只的本地运动特征估计重构误差阈值，从而降低了对标注盗窃样本的依赖。通信层将椭圆曲线加密的初始化阶段与告警数据包的对称载荷加密相结合，同时利用ESP32的硬件安全特性保护固件和存储的凭据。网状网络采用受控泛洪机制。基于Godot的仿真环境被用于在不同波浪条件下生成静止和拖曳场景。在当前仿真实验中，拖曳窗口产生的平均重构误差高于静止窗口。研究结果证实了该架构的可行性，同时也表明需要事件级告警逻辑将窗口级异常分数聚合为可靠的告警。