增强 IoE 的韧性：网络级防护视角
密码学与安全
2025-10-09 v1 机器学习
网络与互联网体系结构
摘要
能源互联网（IoE）将物联网（IoT）驱动的数字通信与电网相结合，以实现高效且可持续的能源系统。然而，其互联性将关键基础设施暴露于复杂的网络威胁之下，包括旨在绕过传统防护的对抗性攻击。与一般的物联网风险不同，IoE 威胁对公共安全的影响更为严重，需要具备韧性的解决方案。从网络级防护的视角出发，我们提出了一种基于图结构学习（Graph Structure Learning, GSL）的防护框架，该框架联合优化图拓扑与节点表示，以从根本上抵御对抗性网络模型操纵。通过概念概述、架构讨论以及基于安全数据集的案例研究，我们证明了 GSL 相较于代表性方法具有卓越的鲁棒性，为从业者提供了一条保护 IoE 网络免受演进中攻击的可行路径。这项工作突显了 GSL 在为管理关键基础设施的从业者增强未来 IoE 网络韧性与可靠性方面的潜力。最后，我们识别了关键开放挑战，并提出了这一新兴研究领域的未来研究方向。
引用
@article{arxiv.2508.20504,
title = {Enhancing Resilience for IoE: A Perspective of Networking-Level Safeguard},
author = {Guan-Yan Yang and Jui-Ning Chen and Farn Wang and Kuo-Hui Yeh},
journal= {arXiv preprint arXiv:2508.20504},
year = {2025}
}
备注
To be published in IEEE Network Magazine, 2026