《IEEE Network》：Cybersecurity Issues and Challenges in Internet of Energy (IoE)—Part 1
编辑推荐：
本特刊聚焦能源物联网(IoE)面临的严峻网络安全挑战。研究人员针对资源受限设备安全部署、实时威胁检测等关键问题，开展了基于大语言模型(LLM)、联邦学习、零信任架构和区块链等前沿技术的安全框架研究。研究成果显著提升了IoE系统的威胁检测精度、隐私保护能力和系统韧性，为构建下一代安全、高效、可持续的智慧能源基础设施提供了创新解决方案和理论支撑。
随着物联网(IoT)技术的飞速发展，能源领域正经历一场深刻的数字化变革，能源物联网(IoE)应运而生。它将分布式能源资源、智能电网和智能设备集成到一个统一的数字网络中，旨在通过实时数据采集、监控和决策来优化能源的生产、传输、分配和消费，从而构建更高效、更具韧性、更可持续的全球能源基础设施。然而，能源系统的数字化也带来了前所未有的网络安全挑战。IoE网络规模庞大、设备异构，由数百万个互连且通常资源受限的设备组成，这极大地扩展了攻击面。这些设备部署在关键基础设施和偏远环境中，往往计算能力有限，使得实施强大的安全机制在技术和经济上都面临巨大挑战。此外，IoE通信的实时性，即传感器数据和控制命令在分布式节点和集中控制器之间持续交换，增加了被拦截、篡改和中断的风险。在此背景下，保障IoE的网络安全已成为全球性的迫切任务。
为了应对这些新兴挑战，并促进保护IoE生态系统的创新解决方案，研究人员在《IEEE Network》杂志上组织了本特刊。共收到74篇投稿，经过严格的同行评审，最终有8篇高质量论文被收录。这些文章从多个关键主题共同探讨了IoE网络安全的前沿进展。
研究人员开展的关键技术方法
本研究涉及的关键技术方法主要包括：1) 结合大语言模型(LLM)与联邦学习(FL)进行隐私保护的分布式威胁检测与自然语言告警解释（如FeRAG框架）；2) 采用轻量化LLM、差分隐私、模型剪枝和量化技术，实现在资源受限的边缘设备上进行实时威胁预测；3) 构建基于零信任(Zero-Trust)原则和区块链的框架，实现持续身份认证、去中心化身份管理和不可篡改的事件日志记录；4) 利用图神经网络(GNN)及其变体（如图结构学习、异构图神经网络）来增强入侵检测系统的鲁棒性和抗对抗攻击能力；5) 探索6G网络中智能反射表面(AIRS)辅助的无线能量传输系统的安全威胁与防御策略，如量子加密和AI驱动的波束成形。
研究成果
LLM驱动的网络安全框架
在[A1]中，Fu等人提出了FeRAG框架，该框架将LLM与联邦学习相结合，用于IoE网络中隐私保护、可扩展的网络威胁检测。通过分布式日志分析并避免原始数据共享，FeRAG增强了实时检测和隐私保护能力。使用GPT-3.5-turbo和GPT-4o的实验达到了0.849的F1分数，展示了强大的协同智能。
在[A2]中，Khan提出了一种概念架构，使用轻量级和隐私保护的LLM在受限IoE环境中进行实时威胁预测。它引入了针对异构IoE数据的语义标记化，并集成了差分隐私、联邦学习、剪枝和量化技术，以实现安全的边缘模型部署。
在[A3]中，Pei等人设计了一个基于联邦学习和LLM的防御模型，能够在智能电网中实现隐私保护的异常检测和自然语言威胁解释。该模型通过结合分布式学习和LLM驱动的告警解释，提高了检测精度和操作员响应能力。
在[A4]中，Halgamuge介绍了一个两层自适应安全系统，其中紧凑的MiniLM模型在边缘运行以进行快速入侵检测，而GPT-4则执行基于云的数字取证分析和自动规则生成。该系统在UNSW-NB15数据集上表现出色，F1分数达到0.889，将误报率从68%降低到26%，并将遏制时间缩短了41%。
基于零信任的区块链
在[A5]中，Hammoudeh等人提出了Trustless-IoE框架，这是一个支持零信任和区块链的网络安全框架，为IoE系统提供持续身份验证、去中心化身份管理和不可篡改的事件日志记录。基于数字孪生的评估表明，该框架增强了攻击检测能力，减少了横向移动，提高了完整性。
6G驱动的安全IoE
在[A6]中，Quy等人研究了6G IoE网络中由空中智能反射表面(AIRS)支持的无线能量传输系统的安全性。他们分析了包括窃听、欺骗、干扰和隐私泄露在内的威胁，并提出了如量子加密、AI驱动的波束成形、区块链访问控制和联邦学习等防御措施。
基于先进机器学习/图神经网络(GNN)的网络防御
在[A7]中，Yang等人引入了一种基于图结构学习的入侵防御模型，该模型联合优化IoE图拓扑和节点嵌入以抵抗对抗性攻击。在ToN-IoT数据集上的测试表明，在50%的扰动下，系统仍能保持超过97%的准确率，优于传统的机器学习和GNN方法。
在[A8]中，Li等人将异构图神经网络与近端策略优化(PPO)相结合，以增强雾计算IoE生态系统中的分布式任务调度和抗分布式拒绝服务(DDoS)攻击能力。实验显示，与ProLiS、DB-ACO和D3RQN等方法相比，任务完成率和节点利用率显著提高。
研究结论与意义
本特刊所收录的文章共同展示了能源物联网(IoE)网络安全技术的快速发展。这些贡献涵盖了广泛的新兴防御范式，从LLM驱动的自适应安全框架和联邦隐私保护架构，到零信任区块链机制、6G使能的安全能源通信系统、基于先进GNN的入侵检测以及资源感知的防御解决方案。这些工作突显了网络安全能力正在向智能化、分布式和弹性化方向转变，以保护日益异构和任务关键的IoE网络。尽管取得了显著进展，但仍面临许多挑战，包括可扩展的对抗防御机制、安全的跨域数据集成、轻量级AI在边缘的部署以及关键能源网络的严格安全保证框架。本特刊的研究为应对这些挑战提供了重要的理论依据和技术路径，对构建未来安全可靠的智慧能源系统具有重要的指导意义。
