面向 IoT 化控制环境农业系统的威胁建模与攻击面分析
计算机视觉与模式识别
2026-04-16 v1 机器学习
摘要
美国将食品与农业列为十六个关键基础设施部门之一，但农业运营不存在强制性网络安全要求，也无针对受控环境农业 (CEA) 系统的正式威胁模型。本文提出首个针对 IoT 化 CEA 的综合威胁模型，应用 STRIDE 分析、MITRE ATT&CK for ICS 映射，以及 IEC 62443 分区与导管分解，对一个在 8 个美国气候区部署于 30+ 商业设施的生产平台进行分析。我们枚举出跨 15 个通信协议、25 个数据流图元素中的 123 项独特威胁，其中 10 项通信协议在设计时即无身份验证或加密。我们识别出五类独特于 AI 驱动 CEA 的新型攻击：神经网络调谐 PID 控制器的隐蔽扰动、异常检测器的基线漂移中毒、通过联邦迁移学习的跨设施传播、利用作物生物学而非计算模型的对抗性农业计划、以及强化学习能源优化器的奖励中毒。物理影响分析量化了从分钟级（空气雾化）到天级的作物损失时间，包括 CO2 投入操作操纵导致的工人安全隐患。对 10 家商业 CEA 供应商的调查显示，仅有一项 CVE 被发布，零赏金项目，零 IEC 62443 认证。我们提出防御深度反应措施框架，建议将安全等级 2 作为最低基准。
引用
@article{arxiv.2604.13307,
title = {Deep Spatially-Regularized and Superpixel-Based Diffusion Learning for Unsupervised Hyperspectral Image Clustering},
author = {Vutichart Buranasiri and James M. Murphy},
journal= {arXiv preprint arXiv:2604.13307},
year = {2026}
}
备注
To appear in IEEE IGARSS 2026