隨著實驗室的新一代的太陽能殺蟲燈物聯網節點的研發落地，新的關于保護戶外設備抵御物理攻擊的研究需求進一步出現。新的研究工作開展的原因主要有兩個方面：1）實驗室新研發的太陽能殺蟲燈物聯網節點已經開始大量的采用智能IP攝像頭；2）將這些攜帶了智能IP攝像頭的太陽能殺蟲燈物聯網節點部署在戶外的時候，極有可能會遇到物理攻擊的問題。因此，實驗室舒磊教授和博士生蘇勤聯合印度的兩位學者Anakhi Hazarika和Nikumani Choudhury對智能IP攝像頭網絡物理攻擊實時檢測開展了研究工作，并在國際期刊IEEE Transactions on Industrial Cyber-Physical Systems上合作發表了研究成果《基于網絡與遙測數據的智能IP攝像頭網絡物理攻擊實時檢測》。其中來自于印度Birla Institute of Technology and Science學院電子工程系的Anakhi Hazarika為第一作者，Nikumani Choudhury博士和博士生蘇勤為共同作者，舒磊教授為通信作者。
研究問題：這個研究工作要解決的問題是智能IP攝像頭在網絡物理攻擊下的安全問題。具體來說，研究目標是設計一個基于機器學習的自適應安全框架，能夠在邊緣計算設備上實時檢測和分類網絡物理攻擊。傳統的安全防護手段依賴預定義規則，難以應對不斷變化的攻擊模式，而本研究則利用網絡流量和遙測數據，通過數據驅動的方法檢測異常行為，實時識別安全漏洞，并迅速發出預警。
該問題的研究難點包括：如何在資源受限的邊緣計算設備上實現高效的安全措施；如何動態調整安全措施以應對不斷演變的威脅；如何在實時處理中快速檢測威脅并立即響應安全漏洞或異常。該問題的研究相關工作包括對物聯網（IoT）設備和網絡物理系統（CPS）中網絡物理攻擊的研究，特別是針對智能相機的物理對抗攻擊的研究。
這篇論文提出了一個基于機器學習的自適應安全框架，用于解決智能IP攝像頭的網絡物理攻擊問題。具體來說，該文提出了一種名為IALSTM（推理感知LSTM）的新型模型，專為資源受限的邊緣計算設備設計。通過結構化剪枝、超參數優化、定點運算和量化技術等多項創新手段，有效降低了模型的計算復雜度和延遲，同時保持了較高的檢測準確率。實驗結果表明，IALSTM模型在準確率、延遲和適應性方面表現出色，適用于實時異常檢測。未來的工作將進一步整合聯邦學習，改進模型更新以應對不斷演變的威脅，并擴展遙測數據的維度，以提高框架的彈性和實用性。
這篇研究論文的發表延續了實驗室與印度的學者的良好合作，不久前雙方也聯合開展研究工作，發表了新的期刊論文Camera planning for physical safety of outdoor electronic devices: Perspective and analysis, in IEEE/CAA Journal of Automatica Sinica, 2025.
論文信息：
[1] A. Hazarika, N. Choudhury, L. Shu and Q. Su, "Real-Time Detection of Cyber-Physical Attacks on Smart-IP-Camera Using Network and Telemetry Data," in IEEE Transactions on Industrial Cyber-Physical Systems, vol. 3, pp. 251-261, 2025, doi: 10.1109/TICPS.2025.3544128.
383
0
2025-04-02
