本论文研究了在蜂窝网络中应用人工智能（AI）和机器学习（ML）技术时所引入的安全漏洞及其缓解策略带来的能量开销问题。随着AI/ML算法被广泛部署于蜂窝网络的各个层面，例如O-RAN架构中的无线智能控制器（RIC），网络得以实现无线资源分配优化、负载均衡和能量效率提升等功能。然而，这种对数据的依赖也带来了新的安全风险，攻击者可以通过篡改数据属性来引导ML模型性能下降或失效。虽然已有的防御缓解策略在一定程度上有效，但它们会引入额外的计算负载，从而产生经常被忽略的能量成本，即使在当前高度关注能量效率的背景下也是如此。本文对一种防御技术的能量消耗进行了特征化描述，并提出了ML准确性、鲁棒性和能量效率三者之间需要权衡的挑战。该研究属于学术研究范畴，主要面向对AI安全与网络能效交叉领域感兴趣的网络安全工程师、蜂窝网络架构师和学术研究人员。由于仅基于摘要，本分析仅限于论文的抽象内容，未涉及具体实验数据和详细方法。

本文提出并实现了一种基于物联网的智能家居自动化系统，旨在通过环境传感器和树莓派5实现能源节约与用户控制。系统实时监测运动、温度、湿度、光照和烟雾等环境参数，并据此自动调节设备行为以节省能源。开发了一个两室原型，利用GPIO/I2C接口集成传感器和执行器，通过PWM动态控制风扇速度和LED亮度。采用Flask和图形化界面构建了Web仪表板，支持手动控制和实时监控，并每30秒记录CSV格式的能耗日志。项目采用迭代式开发模型，测试结果显示，相较于始终开启模式，系统节能超过46%。研究证明了低成本、模块化设备在提升家庭可持续性和可用性方面的潜力，是物联网在智能家居领域的典型应用。