技术摘要：用于风险自适应访问控制的贝叶斯信任与行动融合 (BTAF)

1. 问题陈述

静态访问控制策略通常不适用于物联网（IoT）系统，因为这些系统的状况在不同会话之间会发生显著波动。在受管 IoT 环境中，单个访问请求可能涉及异构证据，包括生物识别置信度、会话令牌完整性、设备安全态势、信道健康状况、资源压力以及所请求操作的敏感性。将所有会话视为同等对待会导致过度限制（造成过高的用户摩擦）与保护不足（导致安全性过弱）之间的权衡。

虽然基于风险的身份验证和零信任原则倡导上下文自适应，但现有方法往往缺乏一种轻量级机制来融合这些多样化的信号，而无需构建庞大的端到端安全架构。此外，在资源受限的 IoT 设备中，激进的安全干预（如硬性限制）可能会破坏关键的传感或控制工作流。其核心要解决的问题是：如何结合异构访问证据，在区分恶意会话与良性会话的同时，最大限度地减少不必要的运营成本，特别是避免在仅需低成本“阶梯式验证”（step-up verification）时使用硬性限制。

2. 方法论：BTAF

本文提出了贝叶斯信任与行动融合（BTAF），这是一种专为资源受限环境设计的轻量级双输出方法。该系统运行在一个六维特征向量 $x_i = [b_i, t_i, d_i, c_i, e_i, s_i]^\top$ 上，分别代表：

• 生物识别置信度 ($b$)
• 令牌/会话完整性 ($t$)
• 设备态势 ($d$)
• 信道健康状况 ($c$)
• 资源压力 ($e$)
• 操作敏感性 ($s$)

该方法由三个主要组件组成：

2.1 贝叶斯风险分类器

第一个组件利用**高斯朴素贝叶斯（Gaussian Naive Bayes）**分类器来估计会话为恶意的概率 ($p_i$)。该模型假设类条件特征遵循高斯分布。该组件刻意保持简单，以确保计算效率和透明度，避免使用高容量的黑盒架构。
$$P(y | x) \propto P(y) \prod_{j=1}^{6} P(x_j | y)$$
其中 $y=1$ 表示恶意会话。

2.2 贝叶斯干预成本模型

第二个组件采用*贝叶斯岭回归（Bayesian ridge regression）*来估计强力干预的预期运营成本 ($\hat{o}_i$)。该模型考虑了当前的资源和操作上下文，以预测硬性限制的破坏程度。
$$o_i = w^\top x_i + \epsilon_i$$
该回归头并不决定是否*需要干预，而是决定干预应该有多严重*。

2.3 校准行动选择策略

系统将风险概率 ($p_i$) 和估计成本 ($\hat{o}_i$) 映射为三种行动之一：允许（allow）、阶梯式验证（step-up verification）或限制（restrict）。

1. 阈值设定： 使用良性验证会话风险评分的第 90 百分位数建立安全阈值 $\tau_f$。如果 $p_i < \tau_f$，则允许会话。
2. 成本感知升级： 如果 $p_i \ge \tau_f$，系统会评估估计成本 $\hat{o}_i$。随后计算一个动态限制阈值 $\tau_r(\hat{o}_i)$：
   $$\tau_r(\hat{o}_i) = \text{clip}(0.76 + 0.16\hat{o}_i, 0.76, 0.92)$$
3. 决策：
   • 如果 $p_i \ge \tau_r(\hat{o}_i)$，则执行限制（硬性拒绝）。
   • 否则，执行阶梯式验证（中间挑战）。

这种结构确保了回归头仅对已被标记为有风险的会话进行响应强度的调节，从而防止成本模型降低初始安全门槛。

3. 实验设置与评估

本研究采用可重复的合成评估而非真实世界的部署数据。

• 数据生成： 模拟器生成了六类场景：良性操作、凭据窃取、令牌重放、设备入侵、信道异常以及混合型低速操纵。
• 机制（Regimes）：
  • 开发机制（Development Regime）： 每个种子包含 15,000 个会话（每个场景 2,500 个），代表稳定运行状态。
  • 压力机制（Stress Regime）： 每个种子包含 6,000 个会话，代表偏移后的条件（降低了生物识别/设备/信道评分，增加了资源压力），用以模拟传感器噪声、设备老化或环境变化。
• 协议： 实验在五个独立的种子下重复进行。数据按 60% 训练、20% 验证和 20% 测试进行划分。
• 基准： 将 BTAF 与透明的静态加权风险评分、逻辑回归以及不带成本感知行动选择的高斯朴素贝叶斯进行了对比。

4. 关键结果

4.1 开发机制性能

在稳定条件下，BTAF 风险模型实现了：

• AUROC： $0.971 \pm 0.002$
• 平衡准确率： $0.908 \pm 0.005$
• 攻击响应率： $0.924 \pm 0.011$
• 良性摩擦： $0.107 \pm 0.019$

这些结果表明，异构证据提供了有效的区分度，并且轻量级的贝叶斯模型足以在合成设置中利用这些证据。

4.2 成本感知融合的影响

成本感知层的主要益处体现在减少了不必要的硬性限制上：

• 良性硬性限制率： 从 0.107（二元策略）降低至 0.052。
• 攻击响应： 保持在 0.924 不变。
  这证明了系统能够成功区分需要额外证据的会话（阶梯式验证）与需要立即拒绝的会话，从而在不损害攻击检测能力的前提下，有效地将良性用户的摩擦减半。

4.3 分布偏移（压力机制）

当操作条件发生变化且未进行重新校准时：

• 攻击响应： 保持在高位 ($0.952 \pm 0.004$)。
• 良性摩擦： 显著增加至 0.473 $\pm$ 0.029。
• 平衡准确率： 下降至 $0.740 \pm 0.013$。

这凸显了一个关键局限性：该方法对于操作机制的变化并非是不变的。显著的分布偏移会导致误报（良性摩擦）大幅上升，因此需要定期的重新校准。

5. 主张与意义

本文提出了一个刻意保持克制且适度的主张。它并非旨在提出一种替代生物识别系统、零信任架构、设备证明或量子安全通信的方法。相反，BTAF 的意义在于：

1. 透明融合： 它提供了一个可重复的演示，展示了如何使用透明的概率框架来结合异构证据（身份、设备、信道、资源、操作）。
2. 关注点分离： 它成功地将风险估计（此会话是否恶意？）与响应强度（应对措施应有多大的破坏性？）解耦。
3. 运营效率： 它表明引入运营成本估计可以显著减少对良性会话的不必要硬性限制，同时保持高水平的攻击响应率。
4. 现实局限性： 研究明确承认，当操作条件发生实质性变化时，该方法需要重新校准。它将分布偏移导致的良性摩擦上升视为一个核心部署风险，而非微小的漏洞，并指出这需要通过受控的安全运营（例如，定期的阈值验证）而非自动优化来处理。

总之，BTAF 为受管 IoT 访问提供了一种轻量级且具解释性的机制，证明了概率风险与运营成本估计可以有效地分离并结合，从而在资源受限的环境中创建一种平衡安全性与可用性的三级访问策略。