在工业物联网（IIoT）环境中，信任管理对于保障系统安全至关重要，尤其是面对资源受限的设备。传统信任模型往往忽略网络质量波动的影响，导致信任收敛缓慢且评估不准确。本文提出一种动态信任管理方案——信任收敛加速（TCA）方法，该方法集成机器学习（ML）以加速在恶劣网络条件下的信任收敛。TCA模型基于关键网络指标预测信任收敛所需的时间单位数，并动态调整信任模型中的转移概率以提升收敛速度。通过基于IEEE 802.11标准的真实Wi-Fi信道条件仿真框架，实验证明TCA方法在挑战性条件下可将信任收敛时间最多减少28.6%。此外，该方案在存在恶意节点的场景中表现出弹性，提高了信任评估的准确性。本工作为动态工业环境中的IIoT系统提供了可扩展、自适应的信任框架，确保在不同网络条件下具有稳健的性能。

该论文提出了一种名为Q-FE的量子原生6G远边缘架构，旨在解决超密集工业物联网（IIoT）数字孪生场景下的安全与延迟挑战。当前架构依赖集中式云或移动边缘计算（MEC）服务器进行数字孪生计算，导致往返延迟过高，且使用易受量子攻击的经典公钥密码。Q-FE通过三个协同设计组件应对这些问题： 1. 微数字孪生（μDTs）与6G基站和高能力端点共存，减少通信跳数； 2. 跨层后量子密钥交换模块将CSIDH-512同源密钥材料直接嵌入MAC层控制帧，利用其紧凑密钥（≤64字节）避免数据包分片，相比ML-KEM/Kyber-1024降低62%的MAC层开销； 3. 异步联邦学习（AFL）协议由MEC节点上的轻量级DAG智能合约管理，消除落后者瓶颈，防止模型投毒和女巫攻击，且不暴露原始数据。 基于NS-3和PySyft的端到端仿真表明：Q-FE将P99.9超可靠低延迟通信（URLLC）维持在0.78 ms，全局模型收敛速度比同步联邦学习提升31%；协议复杂度为每轮O(N log R)；μDT切换迁移在模拟的10^4个事件中平均完成时间为1.9±0.3 ms。形式化威胁模型证实其对量子窃听、模型投毒和女巫攻击具有韧性。该工作适合网络架构、后量子密码和联邦学习领域的研究者阅读。