💻 computer science

Secure and Intelligent IoT: A Dynamical-Systems View of Threat Modelling and Machine-Learning Defence

本文提出了一种统一的状态空间框架，通过整合微分方程与机器学习来对威胁传播动态进行建模、检测异常并优化防御控制策略，从而实现物联网网络的安全防护，并通过一个模拟的 SEIRS 恶意软件案例研究进行了验证。

原作者： Mussa Justin Muhindo

发布于 2026-06-27

📖 1 分钟阅读☕ 轻松阅读

原作者： Mussa Justin Muhindo

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

请将物联网（IoT）想象成不仅仅是智能冰箱和摄像头的集合，而是一个拥有数十亿微小公民的、繁忙且庞大的城市。这些公民就是你的设备。它们都非常相似，不断地相互交流，而且能量或脑力都非常有限。

本文认为，为了保护这座城市免受“数字病毒”（如蠕虫和僵尸网络）的侵害，我们不应仅仅使用两种不同的工具箱：一个用于数学，另一个用于人工智能（AI）。相反，作者指出这两个工具实际上只是观察同一件事的不同方式：即城市如何随时间变化。

以下是利用简单的类比对本文思想进行的拆解：

1. 描述病毒的两种方式

想象一场病毒在城市中传播的过程。

数学方式（微分方程）： 这就像是由城市规划师绘制的地图。它使用简单的规则来描述：“如果有 10 个人生病了，并且他们遇到了 50 个健康的人，那么明天会有 5 个新的人染病。”这是一个基于速率和反馈循环来预测疾病流向的公式。它擅长理解宏观图景，并准确知道病毒何时会消亡。
AI 方式（机器学习）： 这就像是一位观察过百万个城市的侦探。AI 并不了解具体的规则；它只是观察数据并学习模式。它会说：“我以前见过这种模式；当交通状况看起来像这样时，病毒就要来了。”它擅长发现那些地图未能预测到的异常行为。

本文的核心观点： 作者认为两者并非对手。它们是用不同的语言讲述同一个故事。一种“神经常微分方程”（Neural ODE，一种高级 AI 类型）本质上就是一个 AI 填补了缺失细节的数学方程。你可以利用数学来理解事情发生的原因，并利用 AI 来弄清楚现在正在发生什么。

2. “SEIRS”模型：一场抢凳子游戏

为了测试这个想法，作者使用了一个名为 SEIRS 的特定游戏来模拟恶意软件如何在 IoT 设备中传播。想象一下，设备就是正在房间里玩抢凳子游戏的人：

S (易感者/Susceptible)： 健康但可能染病的人。
E (暴露者/Exposed)： 已经感染了病毒但尚未开始传播病毒的人（处于“潜伏期”）。
I (感染者/Infectious)： 正在积极向他人传播病毒的人。
R (康复者/Recovered)： 已经被修复（打补丁）并暂时安全的人。
转折点： 在这个游戏中，“治愈方法”（补丁）最终会失效（就像免疫力减退一样），人们可能会再次染病。此外，也会有人离开房间（设备损坏或被更换），也有新人进入。

数学模型计算一个被称为 $R_0$ （基本再生数）的具体数值。你可以把它理解为“传染得分”。

如果得分低于 1，病毒最终会消亡，因为每个感染者传染给其他人的人数少于一个。
如果得分高于 1，病毒就会扩散并成为这座城市的永久组成部分。

3. 模拟实验：测试结果如何？

作者运行了一个带有中等攻击性病毒的计算机模拟实验。

结果： 病毒传播迅速。在最严重的情况下，整个设备群中约有 29% 的设备同时处于感染状态。
教训： 数学表明，要阻止这种特定的病毒，所需的“修复速度”（即修复设备的速度）需要比模拟中的速度快四倍以上。如果你修复的速度快于这个阈值，病毒就会消亡。如果你修复得慢，它就会永远存在。

4. 如何利用此进行防御（“闭环”系统）

论文建议通过结合数学与 AI，使用一个三步循环来保持 IoT 城市的安全：

学习规则（识别）： 利用 AI 观察来自设备的真实数据，并确定病毒当前的“传播速度”（传播有多快、设备修复有多快）。它填补了数学模型的空白。
发现问题（检测）： 一旦模型知道了“正常情况”是什么样子，它就会监视任何不符合常理的情况。如果数学模型显示“应该有 10 个人染病”，但数据显示“有 100 人染病”，AI 就会拉响警报。这就像是一个知道正常火灾长什么样的烟雾探测器，一旦火势过大就会尖叫。
采取行动（控制）： 这是最重要的部分。该系统不仅是观察，它还会行动。它会计算出保持传染得分（ $R_0$ ）低于 1 所需的精确“修复力度”。它会告诉网络：“我们需要现在立即修复 500 台设备，以阻止疫情爆发”，而不是仅仅靠猜测。

总结

本文声称，通过将 IoT 安全视为一个动态系统（一个随时间变化的系统），并利用 AI 来辅助数学，我们可以从“猜测安全性”转向“计算安全性”。

与其仅仅说“我们需要更快地修复”，这种结合的方法会说：“基于当前的传播率，我们需要以恰好 X 的速度进行修复，才能将感染率控制在 Y 以下。”它将一个模糊的安全目标变成了一个精确的数学目标。

技术摘要：安全且智能的物联网：威胁建模与机器学习防御的动力系统视角

1. 问题陈述

物联网（IoT）呈现出一种独特的安全挑战，其特征在于两个截然不同的属性：一是大规模、同质化的攻击面，单个漏洞即可在数十亿台资源受限的设备中产生级联效应；二是与安全相关量（如受感染节点比例、恶意流量率、电池耗尽情况）持续的、随时间演变的特性。传统的安全方法通常将这些现象视为静态分类问题，或者仅仅依赖于机械模型或数据驱动的机器学习（ML）中的单一手段。

本文认为，这两种主流工具箱——微分方程（DEs）和机器学习——并非相互竞争的方法论，而是对同一底层对象——系统状态 $x(t)$ 的时间演化——的两种不同表示。核心问题在于，目前缺乏一个统一的框架，能够同时利用动力系统的分析可解性、可解释性，以及现代机器学习在参数估计和异常检测方面的能力，来管理物联网威胁。

2. 方法论

本文提出了一个统一的状态空间框架，将安全任务映射为对受控、含噪动力系统的操作：
$\dot{x}(t) = f(x(t), u(t), \theta) + w(t)$
$y(t) = h(x(t)) + v(t)$
这里， $x(t)$ 代表系统状态（例如易感、暴露、感染和恢复设备的比例）， $u(t)$ 是防御控制输入， $\theta$ 代表机械参数， $y(t)$ 是观测到的遥测数据。

该方法通过三个关键构建模块连接了微分方程与机器学习：

神经常微分方程（Neural ODEs）： 将常微分方程的右侧视为神经网络，允许从数据中学习向量场 $f$ ，同时保持连续时间结构。
物理信息神经网络（PINNs）： 将微分算子嵌入损失函数中，以根据已知的物理定律（在此为机械威胁模型）对学习到的模型进行正则化。
稀疏识别非线性动力学（SINDy）： 从数据库中恢复稀疏且具有人类可读性的常微分方程。

本文通过一个特定的 SEIRS（易感-暴露-感染-恢复-易感） 分室模型来实现该框架的操作化，该模型涵盖了设备更迭、补丁修复和免疫减退。该模型作为以下任务的“动力学骨干”：

系统辨识： 利用灰盒辨识或 SINDy，从含噪遥测数据中估计未知参数 ( $\theta$ ) 和向量场 $f$ 。
异常检测： 将检测定义为针对学习到的动力学的残差测试（而非静态分类），即 $r(t) = \dot{\hat{x}}(t) - f(\hat{x}(t), \hat{\theta})$ 。
最优控制： 将缓解措施（补丁修复/隔离）建模为有限时域最优控制问题，以最小化感染负担和控制成本。

3. 主要贡献

本文做出了四个主要贡献：

统一框架： 它形式化了一个状态空间框架，明确映射了微分方程模型与描述系统动力学的机器学习模型之间的对应关系，并将其视为由机械约束程度与数据驱动学习程度所构成的连续谱上的点。
解析 SEIRS 模型： 开发了一个用于物联网恶意软件传播的归一化 SEIRS 微分模型，其中包含了设备更迭、设备损坏（bricking）和临时免疫。论文基于基本再生数 $R_0$ 证明了一个阈值稳定性结果（定理 1）。
集成机器学习操作： 展示了机器学习如何针对该动力学骨干执行辨识、基于残差的检测和预测，以及如何通过最优控制闭环实现补丁修复和隔离策略的调度。
可复现案例研究： 提供了一个 SEIRS 模型的数值模拟，具有具体的参数，量化了爆发动力学以及根除病毒所需的特定控制力度。

4. 结果

数值案例研究模拟了一个具有中度攻击性的物联网蠕虫在 200 天时间跨度内的表现，其发现如下：

再生数： 使用推导出的参数，计算得出基本再生数 $R_0 \approx 3.37$ 。
爆发动力学： 模拟显示，感染比例 ( $I$ ) 从初始种子开始上升，在第 50 天左右达到约 29% 的机群峰值 ( $I_{max} \approx 0.29$ )。
地方性平衡态： 在没有干预的情况下，系统收敛至一个地方性平衡态，其中感染比例稳定在 $I^* \approx 0.137$ (13.7%)。
控制目标： 该分析得出了一个定量的防御设计目标。为了根除恶意软件（使 $R_0 < 1$ ），补丁速率 $\gamma$ 必须从基准的 0.10 day $^{-1}$ （10 天修复一次）提高到约 0.41 day $^{-1}$ （不到 3 天修复一次）。这是通过条件 $\gamma > \frac{\beta\sigma}{\sigma+\mu} - (\mu + \delta)$ 推导得出的。

5. 意义与主张

本文声称，这项工作的意义在于超越了机械方法与数据驱动方法并列共存的状态。通过将两者视为向量场 $\dot{x} = f$ 的互换描述，该框架提供了：

可解释性与保证： 微分方程组件提供了纯黑盒机器学习模型所缺乏的解析结果（如 $R_0$ ）和稳定性准则。
适应性与检测： 机器学习组件允许进行参数辨识以及作为残差的异常检测，这比静态分类器对分布偏移更具鲁棒性。
定量防御： 统一的视角将定性的安全目标（如“加快补丁速度”）转化为由系统动力学推导出的精确、定量的控制目标。

论文最后指出，在现实世界、异构且部分观测的物联网网络上实现这一计划仍是一个开放议题，特别强调了在识别性、对抗鲁棒性以及连续时间模型边缘部署方面的挑战。