背景与问题：边缘计算把数据处理下沉到终端用户与 IoT 设备附近，降低了时延并缓解回传带宽拥塞，但由于边缘节点异构、资源受限、且往往部署在非受管的管理域中，攻击面被指数级放大，这些节点成为高价值且脆弱的目标。同时，全球范围内的数据隐私法规又限制了把原始网络遥测集中到大中心进行训练的传统方案，使集中式入侵检测难以落地。核心方法：论文提出 TA-FHIDF（Trust-Aware Federated Hybrid Intrusion Detection Framework，信任感知联邦混合入侵检测框架）。其在每个本地网关上构建统一的深度学习检测引擎，由三部分组合而成——Autoencoder 负责无监督表征与重构式异常感知，1D-CNN 负责提取局部空间/序列模式，BiLSTM 负责捕获双向时序依赖，三者协同实现自动的空间与时序特征抽取，减少人工特征工程。模型训练通过联邦学习协作完成，原始网络遥测数据始终留在本地网关，仅交换模型更新，从而满足数据本地化与隐私合规要求。为抵御对抗性模型投毒（拜占庭客户端）攻击，框架在服务器端引入信任感知聚合机制：在把各客户端更新整合进全局模型之前，先用余弦相似度度量其与参考方向的一致性，据此评估客户端可靠性并抑制不可信更新的影响。实验与贡献：作者在 UNSW-NB15、CICIDS2017 与 Edge-IIoTset 三个覆盖多类攻击向量的基准数据集上进行评测，结果表明该框架在检测准确率上优于对比方案，收敛速度更快，并且在存在恶意客户端注入污染更新的对抗场景下仍保持较高的拜占庭容错能力。整体贡献可概括为：混合式（重构+空间+时序）本地检测引擎、联邦式隐私保护训练、以及抗投毒的信任聚合三者结合，形成面向边缘与 IoT 的端到端入侵检测方案。适合读者：边缘/IoT 安全、联邦学习鲁棒性、分布式入侵检测方向的研究者与安全架构师。

随着物联网与云计算持续融合，边缘计算范式快速发展。行业预测到2030年全球联网IoT设备将达约500亿台，2025年约380亿台，数据生成量空前增长，因此网络边缘侧需要高效、可扩展且安全的数据处理机制。KubeEdge将云原生能力延伸至边缘环境，支持分布式编排，但也引入新的安全挑战。本文聚焦IoT驱动和分布式边缘架构中的容器镜像安全，分析拒绝服务（DoS）攻击与恶意容器部署等主要威胁对KubeEdge系统可用性与运行稳定性的影响。作者将系统稳定性定义为在对抗条件下维持一致运行行为并能够自主恢复的能力。为应对上述问题，论文提出一种面向资源受限边缘环境的轻量级推荐入侵检测规则集（RIDRS），通过及时检测与缓解安全威胁来提升系统韧性。实验结果表明，RIDRS可显著减少系统停机时间并提升服务可用性，尤其是在代码注入和恶意Pod部署攻击场景中效果明显。该工作适合边缘计算、Kubernetes/KubeEdge运维、IoT安全及SOC团队参考，用于理解在资源受限边缘节点上如何以轻量检测规则保障服务连续性。由于仅基于摘要，未涉及具体规则内容、数据集、评估指标细节及是否已被在野利用等信息。

该论文是一篇系统性综述，聚焦边缘计算赋能物联网（Edge-Enabled IoT）环境下的信任管理（Trust Management）问题。研究背景在于：物联网为人类生活与工业生产提供了自主智能、泛在连接与易用性，而为了支撑时延敏感、资源受限的应用（如工业控制、车联网、实时视频分析等），现代 IoT 系统日益依赖边缘计算，将计算与决策能力下沉到靠近终端设备的位置。这种架构降低了时延与通信开销，但代价是引入了数量更大、异构程度更高的交互主体——包括各类终端设备、边缘节点、服务与数据源，从而显著扩大了攻击面与信任决策的复杂度。作者指出，在这一环境中，安全与隐私机制构成保护的基础，而信任管理则用于评估交互实体的可靠性，并据此自适应地调整安全决策（例如是否授权访问、是否采纳某节点上报的数据）。论文的核心方法是对边缘赋能 IoT 中的信任管理现状进行系统化综述：首先提出一个综合性分类法（taxonomy），将 IoT 的物理层、网络层、应用层等架构层次与消费者、商业、工业、基础设施四类 IoT 应用域进行交叉映射，从而为梳理零散研究提供统一坐标；随后在此框架下考察最新研究，分析其信任设计方式、信任如何被集成进安全的 IoT 操作流程，以及哪些攻击会破坏或操纵信任管理过程（如信任值污染、恶意节点伪装、女巫攻击、数据投毒等对信任评估的干扰）。主要贡献包括：一是建立层次—域交叉的可复用分类体系；二是对信任设计、信任与安全机制集成方式、面向信任的攻击面进行了归纳对比；三是识别出当前研究的关键空白，例如缺乏上下文感知与自适应能力、跨域信任的可迁移性不足、以及面向动态边缘拓扑的信任评估与隐私保护的平衡问题；四是提出面向未来研究的若干方向。该工作适合关注 IoT/边缘安全架构、零信任与信任评估、以及工业物联网安全治理的研究人员与安全架构师阅读，属于概念性、综述性成果，不包含可直接落地的检测规则或漏洞细节。

该论文关注智能眼镜持续录像带来的「旁观者隐私」问题，指出人脸脱敏远不足以保护路人隐私：连续视频会暴露步态、体态、体型轮廓等全身生物特征，攻击者据此仍可完成人员再识别（ReID）。作者提出 MIRAGE，一个面向智能眼镜的三层架构，目标是实现全身隐私保护、支持合成人体替换（把真实人体区域替换为生成的人体），并保留加密的恢复素材，以便在被拍摄者事后同意的情况下还原原始画面，从而在隐私与可用性之间取得平衡。系统实现运行在树莓派 5（作为智能眼镜算力的纯 CPU 代理环境）、配套手机端以及云端生成式后端之上，说明其设计考虑了端侧算力受限的现实约束。实验方面，MIRAGE 在完整可见人体的检测上达到 0.948 AP 与 0.976 AR；经其边界框掩蔽处理后，基于剪影的学习式 ReID 精度降至接近随机猜测水平，Rank-1 为 10.86%，而实测随机基线为 11.12%。论文还考虑了自适应攻击者——即使用 MIRAGE 脱敏后的姿态信号重新训练模型的对手——在此设定下步态识别的 Rank-1 从 90.25% 降至 26.20%，即消除了攻击者 72.5% 的识别优势。整体上，该工作把「旁观者隐私」的防护对象从面部扩展到整个人体生物特征，并给出可部署的三层工程方案与量化评估，属于隐私增强技术（PET）与端侧视觉系统交叉方向的研究。适合隐私工程、智能穿戴/边缘计算、以及负责视频监控合规与去标识化的安全从业者阅读。

该论文聚焦于将脉冲神经网络（SNN）用于网络入侵检测时面临的一个关键工程与建模矛盾：SNN 依赖稀疏、事件驱动的有状态计算，天然契合低功耗边缘神经形态硬件，也契合异步到达、恶意行为多体现为时序模式的网络监控数据；但真实赛博数据流并非由连续数值信号构成，其信息量还大量承载于类别型标识符（如 IP、端口、CAN 报文 ID）、不规则到达时间以及局部行为上下文中。传统基于速率（rate-based）或群体编码（population-based）的脉冲编码方式难以表达这类异构语义；而主流 IDS 流水线为了适配常规分类器，通常把原始事件转换为流（flow）、固定聚合窗口或稠密张量，虽然提升了传统模型可用性，却引入了缓冲延迟、抹平了原生时序结构，并削弱了事件驱动神经形态计算在能效与延迟上的优势。 针对该问题，作者提出了一套“事件原生”（event-native）的符号—时序脉冲编码框架，直接将异构赛博事件映射为稀疏且与脉冲兼容的输入表示。框架的核心思想是为不同信息来源分配明确的编码角色：语义身份（identity）负责保留类别型语义，局部频率上下文（local frequency context）负责刻画局部行为密度与行为画像，事件间时序（inter-event timing）负责保留原生时间动态。通过这种角色划分，框架在不做流化、不做固定窗口聚合的前提下同时保留了类别语义与时序动力学。 实验验证方面，作者先在数据包级 Network IDS 数据集上验证该方法，随后将其扩展到消息级的 CAN 总线 IDS 场景，用以检验该编码是否在两个异构域中都能为直接作用于原生事件流的循环 SNN 暴露可用结构。在面向边缘部署、与 μCaspian 对齐的硬件约束下，紧凑型循环 SNN 取得了较强的异常检测性能：混合运行指标 J_hybrid 在 Network IDS 上达到 0.987，在 CAN IDS 上达到 0.980。该工作表明，面向异构事件语义的编码设计可以成为释放神经形态 IDS 低功耗、低延迟潜力的关键环节。

该论文研究了云边缘计算平台中多租户隔离面临的安全挑战，以 Cloudflare Workers 为例。Cloudflare Workers 为降低冷启动延迟，去除了传统的进程级隔离边界，采用语言级隔离（如 V8 引擎）来承载不同租户的代码。这种架构虽然在性能上具有优势，但被广泛认为会引入 Spectre 等微架构侧信道攻击风险。为此，Cloudflare 此前曾实施一系列防御措施，包括限制高精度计时器、禁止共享内存、禁止多线程，并引入动态进程隔离（DyPrIs）机制来检测可疑行为并对脚本进行进程级隔离。然而，论文作者通过实证分析发现，生产环境中的 DyPrIs 防护并不充分。他们采用微架构放大技术，在 Cloudflare Workers 的生产环境中找到了多种远程计时方法，成功绕过了计时器冻结或粗化策略。基于这些远程计时器，作者端到端地演示了一次远程 Spectre 攻击，能够从同一主机上共存的其他 Worker 中泄漏 JWT 令牌。攻击速率从原先的约 2 比特/分钟大幅提升至最高 12 比特/秒，且准确率达到 99.16%，对客户数据构成直接、实质性的安全威胁。在披露该问题后，Cloudflare 协同实施了多项修复措施：集成 V8 Sandbox 以限制瞬态访问仅能使用 64 位指针；增强 DyPrIs 的检测能力；并部署基于硬件内存保护密钥（MPK）的进程内隔离，为每个租户堆分配独立的内存保护密钥，从而进一步隔离租户数据。该研究揭示了仅依赖语言级隔离与软件计时器限制不足以防御微架构侧信道攻击，凸显了硬件支持的内存隔离机制在边缘计算安全中的必要性。适合云安全研究人员、边缘计算平台开发者和安全防御者阅读。

该论文针对6G使能的医疗物联网（Healthcare IoT）场景中边缘网关的流量控制问题展开研究。医疗物联网服务依赖边缘网关转发常规遥测数据，并传输偶发但时间紧急的报警消息。即使短暂的流量突发也可能显著恶化最坏情况下的时延，干扰紧急消息的及时传递。作者提出NANOEDGEGUARD系统，一种位于内核平面的闭环控制器，在边缘节点上观测每个数据源的流量强度，并通过内核流量控制钩子实施可审计、多层次的速率策略。与静态防火墙规则或用户态控制循环不同，该设计强调快速动作和通过滞回机制实现的显式恢复，同时记录策略变迁以供审计。实验基于树莓派网关（运行MQTT代理）和两个ESP32终端（产生生命体征数据、报警消息和定时突发流量）构建的测试平台。结果表明，与用户态防火墙基线相比，自适应内核平面速率控制将报警消息的第99百分位往返时延（RTT）降低了13.3%，同时保持与无强制控制接近的RTT水平；与无强制控制相比，额外准入的突发流量减少了46%。这些初步结果证明，在网关处实施自适应且可审计的速率控制能够提升医疗物联网的韧性，并有望扩展到未来边缘智能中的按需策略部署。本文适合从事边缘计算、物联网安全、医疗系统可靠性和网络流量工程研究的学者与工程师阅读。

随着边缘设备（如手机）计算能力提升和隐私要求日益严格，越来越多的深度学习应用选择在边缘端预处理敏感原始数据，再将提取的特征传输到云端进行后续处理。面部识别服务是典型例子，它需要从不同个人的面部图像中提取特征。为了防止身份信息在传输或云端被窃取，传统方法通常采用对抗博弈的方式从特征中剥离身份信息。然而，这类方法无法有效抵御自适应攻击——即攻击者针对已知防御策略采取反制措施。本文提出 Crafter，一种部署在边缘端的特征加工机制。其核心防御思路是误导攻击者使其陷入非私有的先验信息，从而几乎无法从攻击中获取关于用户私人身份的信息。换而言之，加工后的特征对于自适应更新模型攻击者而言扮演了中毒训练样本的角色。实验中，Crafter 成功抵御了基本攻击和多种自适应攻击变体，而当前最先进的基于对抗博弈的方法均无法达到同等效果。该方法不依赖预设攻击模型，具有较强的泛化能力。

本文提出了一种名为 Prezta（可验证的零信任授权远程执行）的新型架构，旨在解决关键基础设施中运营技术（OT）系统安全现代化面临的挑战。传统的应用网关虽然能执行复杂授权并支持零信任架构，但存在部署和管理负担重、需与远程边缘设备共置、频繁更新补丁等问题。Prezta 通过将授权策略评估移到客户端内的零知识虚拟机（zkVM）中执行，生成简洁的零知识证明，边缘设备只需高效验证该证明即可确认授权结果，从而消除了应用网关，将零信任安全边界扩展至边缘。该系统支持策略和身份管理方案的动态演进，无需更新边缘设备。原型基于 RISC Zero zkVM 实现，兼容 XACML 3.0 策略和 JWT 身份声明。为减轻 zkVM 带来的证明开销，作者将策略编译为 Rust 代码，并预编译正则表达式，同时优化签名验证和 JWT 解析，将证明者时间降低了一个数量级以上。编译器正确实现了 XACML 3.0 一致性测试套件的 83%，在台式机上证明生成耗时数十秒，而验证仅需数十毫秒，足以适应资源受限的边缘设备。该研究展示了零知识证明在零信任远程授权中的可行性，为边缘计算环境下的安全架构提供了新思路。

该论文提出并评估了一个端到端的联邦学习系统，用于在边缘设备上进行无监督的12导联心电图异常检测。系统结合了三种自编码器架构（VanillaAE、ConvAE、VAE），基于Flower框架实现跨十个模拟医院的联邦平均聚合，并集成客户端差分隐私（DP-SGD，使用Rényi-DP会计）和8位整数量化后训练压缩（在树莓派4上测试）。实验使用PTB-XL数据集，表明联邦学习在所有架构上达到或超过集中式基准（ConvAE的ROC-AUC为0.782），隐私预算ε=4被推荐为临床操作点。INT8量化使模型大小减半，树莓派延迟降低44%，且AUC损失小于0.12%。关键发现是差分隐私和量化惩罚可经验独立叠加，因此实践者无需在强隐私保证和小型边缘部署之间权衡。该工作是首个结合联邦学习、形式化(ε,δ)-差分隐私、无监督重建检测和量化AArch64部署的系统，为医疗物联网中的隐私合规实时监测提供了工程基准。

该论文针对大规模 OTT 数字媒体消费场景中，资源受限设备（如 ARM Cortex-A 系列）上的权限验证效率瓶颈问题，提出了一种混合边缘-云端权限验证框架。传统架构依赖同步的云端验证流程，导致用户感知延迟高（平均 422.8ms）。本文通过在设备中间件中实现安全的本地缓存层，并设计自适应权限缓存与主动刷新（AEC-PR）算法，将用户交互与后端网络延迟解耦。该方法利用确定性 Ed25519 算法和可信执行环境（TEE）隔离进行本地加密验证，在保证安全性的同时显著降低延迟：实验表明，授权延迟从平均 422.8ms 降低至 18.4ms（降低 95.6%）。此外，论文还讨论了通过硬件隔离和常数时间实现来缓解侧信道风险的方法。该研究对于提升 OTT 平台的用户体验和低延迟架构设计具有重要参考价值。

本文提出了一种面向部署的可解释人工智能辅助 eBPF/XDP 缓解框架，专门针对物联网边缘网关设计。物联网环境由异构、资源受限的设备组成，这些设备安全配置薄弱、服务暴露、日志记录有限、补丁更新困难且生命周期长。传统的基于签名和阈值的控制方法在动态物联网网络中作为独立机制是不够的，而离线人工智能基准性能无法直接转化为实际部署能力。为此，本文设计了一个概念框架和研究路线图，该框架在基于 Linux 的物联网边缘网关上实现资源感知的流级人工智能辅助风险评分、事件级可解释性以及通过 eBPF/XDP 进行的有限缓解。控制器应用可逆、有时间限制的动作，并包含关键设备保护机制，更新数据包级执行状态并记录结构化日志。架构将用户空间的复杂推理和策略控制与内核中简洁的数据包处理决策分离。此外，还定义了未来硬件感知评估路径，涵盖检测质量、资源成本、响应时间、回滚行为以及合法流量保留等方面。本文未报告新的实验结果，但为后续研究和实际部署提供了理论框架。

本文是一篇关于6G赋能信息物理系统（CPS）安全的综述论文。6G网络将连接数十亿CPS设备（如自动驾驶汽车、智能电网、工业机器人和远程手术设备），这些设备运行在超可靠低延迟切片上，使得远程入侵与物理伤害之间的时间差缩短至毫秒级，传统边界防火墙和集中式安全运营中心无法满足需求。论文将6G CPS安全重新定义为一种闭环、AI原生流水线，在MEC层进行感知，利用分钟级的呼叫详细记录（CDR）进行基线学习，以及亚毫秒级的RAN/O-RAN遥测数据用于延迟关键路径；通过压缩深度模型在本地决策，通过SDN、NFV和O-RAN控制器实现网络范围的缓解，并通过联邦学习（FL）和数字孪生（DT）回放进行重训练。论文形式化定义了每个切片在感知、检测和缓解阶段的有界延迟契约，并在切片相关的尾部百分位数（对安全关键的URLLC切片为p99）上强制执行。系统性地整理了128篇同行评审研究（2017-2026），遵循PRISMA 2020协议，主要贡献包括：(i) 将6G/CPS威胁面映射到MITRE ATT&CK和CDR可观测特征空间；(ii) 统一了跨12个数据集以及统计、图和Transformer模型的边缘异常检测和DDoS分类；(iii) 将SDN/NFV/O-RAN原语综合成一个闭环参考架构；(iv) 将FL、大语言模型（LLM）、DT、后量子密码（PQC）、零信任架构（ZTA）和可解释AI视为跨领域使能因素而非独立支柱；(v) 将开放问题归纳为数据、延迟、信任、标准化和评估五个方向。适合安全架构师、网络运营商及6G安全研究人员阅读。

本论文针对边缘计算环境中资源受限客户端需要委托大规模矩阵行列式计算（MDC）的安全性与效率问题，提出了一种安全并行行列式计算框架（SPDC）。在物联网等场景下，传统行列式算法的立方复杂度无法满足实时处理需求，且数据隐私和结果完整性至关重要。SPDC框架通过复合元素扭曲（CED）加密方法，结合元素级混淆（EWO）和Panth旋转定理（PRT），在隐藏矩阵结构和数值内容的同时保持行列式性质，实现了隐私保护。框架采用并行LU分解将加密矩阵块分布到任意数量的不可信边缘服务器上，实现高效可扩展的计算；单向通信模型消除了服务器间交互，降低了协调开销。为减轻客户端负担并确保结果完整性，论文提出了两种验证算法：Q_2（概率性标量方法）和Q_3（确定性低复杂度方法）。数学分析表明，SPDC框架提供强隐私与安全保证、低计算开销和部署灵活性，适用于分布式边缘辅助系统中的安全、可扩展、实时MDC。研究贡献包括：提出CED轻量级加密方案、支持任意数量服务器的并行分解、非交互通信模型以及双重验证机制。适合对安全外包计算、边缘计算、隐私保护矩阵运算感兴趣的研究者和工程师阅读。