该论文聚焦于智慧城市安全中的推理挑战。智慧城市作为异构设备互联的网络物理生态系统，面临协同攻击威胁，这类攻击通常表现为弱且分布式的指标（如低速率扫描、异常凭据使用、协议误用或延迟横向移动），每个信号单独低于局部告警阈值，因此安全检测不仅是异常检测任务，更是不确定性、局部可观测性和对抗操纵下的推理任务。论文提出TPSC-Sec，一种基于LLM的多智能体方法，用于智慧城市中的稳定安全推理。TPSC-Sec将分析分解到多个专业智能体，分别检查流量行为、协议交互、身份使用和攻击时间演变。各智能体的独立威胁假设通过所提出的"威胁-信息素群体共识机制"进行聚合，该机制强化支持的假设、抑制矛盾并保持时间一致性，从而推动竞争性解释趋近于稳定的集体决策。论文进一步引入自适应验证型TPSC，增加了验证感知校准、上下文敏感加权和分歧自适应控制，以减少无依据的LLM输出和推理不一致性。在500次运行上的实验表明，TPSC-Sec实现了0.97±0.02的高共识接受率、>0.99的假设支持集中度、2.08±0.21的共识裕度、0.23±0.04的低聚合风险、0.82±0.06的高智能体间一致性以及0.93的支持-质量相关性。自适应智能体选择将活动智能体数量减少50%，同时将系统适应性提升11.6%。这些结果证明了针对抗对抗智慧城市环境的鲁棒、可解释且高效的安全推理能力。适合安全研究人员、智慧城市架构师及分布式检测系统开发者阅读。

智能城市依赖融合传感器、物联网设备、云平台和AI驱动服务的网络物理系统，这些系统在提升城市服务的同时，由于其巨大的攻击面、异构数据流和不断演变的威胁向量，引入了复杂的网络安全挑战。开发并验证智能城市网络安全工具需要高质量的数据集来准确反映真实运行条件。然而，真实数据集往往不完整、包含隐私敏感数据、难以获取或缺乏足够的恶意活动来支持工具开发。本研究通过提出一个专门为智能城市网络安全研究设计的基于AI的合成数据生成（SDG）框架来弥补这一关键缺口。该框架利用生成式人工智能模型生成高保真度的合成网络安全数据集，这些数据集能够复制真实的设备行为、网络交互和网络攻击场景。合成数据集经过评估，以确认其对协议标准的符合性、与原始数据集的统计相似性以及在常见安全工具中的实用性。所提出的合成数据生成框架和评估指标有望通过使研究人员能够更有效地对威胁进行建模并更全面地评估防御技术，从而推进智能城市网络安全，更好地保护关键智能城市基础设施。