Decentralised Trust and Security Mechanisms for IoT Networks at the Edge: A Comprehensive Review

这是一份关于论文《去中心化信任与边缘 IoT 网络的安全机制：全面综述》（Decentralised Trust and Security Mechanisms for IoT Networks at the Edge: A Comprehensive Review）的详细技术总结。

1. 研究背景与问题 (Problem)

随着物联网（IoT）与边缘计算的融合，设备数量呈爆炸式增长，形成了跨越医疗、交通、工业和基础设施的全球互联网络。然而，这种大规模互联带来了严峻的安全挑战：

• 集中式架构的局限性：传统的基于边界防御和静态信任假设的集中式安全架构，难以应对现代 IoT 环境中的设备异构性、资源受限、持续分布式数据流以及边缘计算的低延迟需求。
• 信任缺失与脆弱性：在去中心化和动态环境中，缺乏中央监管导致系统容易受到身份欺骗、数据篡改、未授权设备参与、内部攻击以及基于投毒（Poisoning）的破坏。
• 现有技术的不足：虽然联邦学习（FL）、零信任架构（ZTA）、轻量级区块链和分布式深度学习等技术在文献中有所探讨，但缺乏将这些机制整合到完全去中心化生态系统中的全面综述。现有的研究往往孤立地看待这些技术，且面临可扩展性、效率、互操作性以及缺乏标准化评估基准等挑战。

核心问题：如何构建能够在资源受限、异构且动态的边缘 IoT 环境中，自主运行、自适应且独立于中央权威的去中心化信任与安全机制？

2. 方法论 (Methodology)

本文采用结构化的文献综述方法，旨在识别、筛选和分析最近关于边缘 IoT 去中心化信任与安全机制的研究。

• 数据来源：从 IEEE Xplore, SpringerLink, ACM Digital Library, ScienceDirect 等主流学术数据库检索。
• 筛选标准：
  • 时间范围：2021 年至 2025 年（过去五年）。
  • 内容要求：提出、分析或评估针对 IoT 系统的去中心化信任、安全或访问控制机制。
  • 技术特征：必须包含至少一种去中心化技术（如联邦学习、深度学习、区块链/轻量级区块链、零信任架构、图学习或分布式身份管理）。
  • 应用场景：设计或评估于 IoT、边缘、雾计算或信息物理系统（CPS）环境。
  • 评估方式：提供实验评估、分析建模或具有可衡量结果的架构框架。
• 样本规模：最终筛选出 30 篇 符合所有纳入标准的近期研究论文进行深入分析。
• 分析框架：将选定的研究分为六大类，并进行定性与定量比较（包括性能、可扩展性、鲁棒性、隐私保护等维度）。

3. 关键贡献与分类体系 (Key Contributions & Taxonomy)

本文构建了一个去中心化 IoT 信任与安全机制的分类体系，将 30 项研究归纳为以下六类：

1. 基于联邦学习的入侵与异常检测 (FL-based IDS/Anomaly Detection)：
   • 代表框架：SecFedDNN, BFLIDS。
   • 特点：在本地设备上训练模型，仅聚合梯度，保护数据隐私。结合 CNN/BiLSTM 等深度学习模型，利用异步更新和梯度压缩解决通信开销问题。
2. 基于深度学习的信任与行为分析 (Deep-learning-based Trust/Behavioural Models)：
   • 代表框架：DeepTrust, NeuroTrust。
   • 特点：利用深度神经网络（DNN）从流量、上下文和历史交互数据中学习复杂模式，动态计算信任分数或检测恶意行为。
3. 区块链与轻量级分布式账本框架 (Blockchain & Lightweight Ledger Frameworks)：
   • 代表框架：COSIER, GTxChain。
   • 特点：利用不可篡改的账本进行身份管理和信任记录。针对 IoT 资源限制，采用轻量级共识机制（如 ASCON 加密）、分层链结构或 DAG（有向无环图）来降低延迟和能耗。
4. 面向 IoT 的零信任架构模型 (Zero Trust Oriented IoT Models)：
   • 代表框架：DFGL-LZTA。
   • 特点：消除隐式信任，实施持续验证、最小权限访问和基于上下文的授权。结合强化学习（DRL）动态调整策略。
5. 去中心化访问控制与身份管理 (Decentralised Access Control & Identity)：
   • 代表框架：BETAC-IoT。
   • 特点：将授权逻辑分布在边缘节点，利用智能合约和 Merkle 树验证，实现细粒度、实时的访问决策，减少对中央认证服务器的依赖。
6. 混合图基、DRL 增强及多层架构 (Hybrid Graph-Based, DRL-Enhanced & Multi-Layer Architectures)：
   • 代表框架：DFGL-LZTA (兼具 FL 与 ZTA), 多层 IDS 架构。
   • 特点：结合图神经网络（GNN）建模设备关系，利用深度强化学习（DRL）优化资源分配和信任决策，构建多层（边缘 - 雾 - 云）协同防御体系。

主要贡献：

• 系统性地梳理了去中心化信任机制的现状，填补了整合 FL、ZTA、区块链和行为分析的综述空白。
• 提出了详细的分类法，并提供了定量的比较分析（见表 1-3），评估了不同框架在性能、可扩展性、鲁棒性、隐私保护和资源效率方面的优劣。
• 识别了当前研究中的关键差距，并提出了未来的研究方向。

4. 研究结果 (Results)

通过对 30 项研究的综合分析，得出以下主要结论：

• 性能与准确性：基于深度学习和联邦学习的入侵检测系统（IDS）在基准数据集（如 Bot-IoT, CIC-IDS2017）上通常能达到 98% 以上的检测准确率。去中心化方法在保持高准确率的同时，有效保护了数据隐私。
• 可扩展性与通信开销：联邦学习通过传输模型更新而非原始数据显著提升了可扩展性。轻量级区块链（如 COSIER）通过分层链和简化共识机制，解决了传统区块链在 IoT 中的延迟和能耗瓶颈。
• 隐私保护：联邦学习结合差分隐私（Local Differential Privacy）和同态加密（Homomorphic Encryption）提供了最强的隐私保障，确保原始数据不出本地。
• 鲁棒性挑战：
  • 优势：去中心化设计消除了单点故障，增强了系统韧性。
  • 劣势：许多系统对投毒攻击（Poisoning Attacks）、对抗样本（Adversarial Examples）和回门攻击（Backdoor Attacks）的防御不足。只有少数框架（如 DFGL-LZTA）集成了显式的防御机制（如信誉过滤聚合、DRL 防御）。
• 资源效率：复杂的 DNN 和图模型在资源受限的边缘设备上部署困难。轻量级设计和模型压缩（剪枝、量化）是必要的，但目前系统性方法尚显不足。
• 互操作性：跨域、跨链的信任交换和标准化评估基准仍然缺失，导致不同系统间的互操作性较差。

5. 意义与未来展望 (Significance & Future Directions)

研究意义：
本文为构建安全、弹性且具备信任感知能力的边缘 IoT 生态系统提供了重要的理论指导和实践参考。它强调了从集中式控制向分布式、协作式和上下文感知设计的范式转变，并指出了混合架构（结合 FL、区块链、ZTA 和 AI）是实现这一目标的最佳路径。

未来研究方向：

1. 增强对抗鲁棒性：开发针对投毒、逃避和身份攻击的主动防御机制，如对抗训练、鲁棒聚合和形式化验证。
2. 超轻量级设计：针对资源受限设备，研究模型压缩、动态模型分割和能量感知的调度策略。
3. 互操作性与标准化：建立跨域信任本体、跨链信任令牌格式以及通用的跨数据集基准测试。
4. 隐私与效用的平衡：研究自适应隐私机制，在威胁变化时动态调整保护级别，量化隐私与模型效用之间的权衡。
5. 信任的动态建模：从静态评分转向基于行为历史、环境上下文和拓扑结构的持久化、多维度信任状态管理。
6. 真实世界部署：从仿真和离线数据集转向在真实、异构且存在间歇性连接的 IoT 环境中进行长期部署和评估。

总结：
该论文指出，虽然去中心化信任机制在隐私保护和系统韧性方面展现出巨大潜力，但要实现大规模实际应用，仍需解决计算开销、攻击防御、互操作性及标准化评估等关键挑战。未来的 IoT 安全架构将趋向于融合多种技术的多层混合去中心化体系。