智慧农业学院|舒磊教授团队在农业信息安全方面连续取得新进展

近日，南京农业大学智慧农业学院舒磊教授团队在农业信息安全方面连续取得新进展。团队关于太阳能杀虫灯物联网虚假数据注入攻击检测的研究论文“False Data Injection Attack Detection in the Solar Insecticidal Lamp Internet of Things”发表于《IEEE Transactions on AgriFood Electronics》（2026），论文DOI为10.1109/TAFE.2026.3730950；关于智能网络摄像头网络—物理复合攻击实时检测的研究论文“Real-Time Detection of Cyber-Physical Attacks on Smart-IP-Camera Using Network and Telemetry Data”发表于《IEEE Transactions on Industrial Cyber-Physical Systems》（2025），论文DOI为10.1109/TICPS.2025.3544128。

南京农业大学智慧农业学院舒磊教授团队长期聚焦农业物联网与农业信息物理系统的安全与隐私问题，围绕威胁建模与安全需求分析、入侵检测与攻击识别、户外电子设备物理防护与部署规划等科学难题持续攻关，多篇研究成果相继发表于IEEE Transactions on AgriFood Electronics、IEEE/CAA Journal of Automatica Sinica、IEEE Transactions on Industrial Cyber-Physical Systems、IEEE Internet of Things Magazine、Journal of Parallel and Distributed Computing、IEEE Access等国际期刊。团队针对田间设备算力与能量受限、通信链路不稳定、运维半径大、环境干扰强等实际工程痛点，构建了从威胁认知、攻击检测到物理防护层层递进的研究体系，为农业物联网的数据可信、设备可用与作业安全提供理论模型、算法方案与实验验证。

任何有效的防护都始于对威胁的准确刻画。针对农业物联网安全边界模糊、威胁分类缺失的问题，团队较早从绿色物联网视角切入，系统梳理了农业场景下的安全与隐私问题，论文“Security and Privacy for Green IoT-Based Agriculture: Review, Blockchain Solutions, and Challenges”发表于IEEE Access（2020）。如图1所示。该研究首次面向绿色物联网农业场景提出四层体系架构，并将针对该架构的威胁模型划分为隐私性、认证性、机密性、可用性与完整性五大类。论文不仅对面向物联网的安全与隐私保护技术进行了分类梳理与横向对比，还系统分析了以区块链为代表的去中心化方案及其共识算法在农业场景中的适配性，指出农业节点在算力、带宽与能量上的强约束，使得大量在通用物联网中行之有效的密码方案难以直接落地。

图1　绿色物联网农业的四层体系架构：农业感知层、雾层、核心层与云层

在此基础上，团队将研究视野从技术层扩展至产业形态层。2021年，论文“A Survey on Smart Agriculture: Development Modes, Technologies, and Security and Privacy Challenges”发表于IEEE/CAA Journal of Automatica Sinica。该文提出精准农业、设施农业与订单农业三种典型发展模式——三者分别对应大田规模化生产、设施内可控环境生产与订单驱动型经营，所涉研究领域如图2所示——由此归纳出7项关键技术与11类典型应用，并凝练出认证与访问控制、隐私保护、基于区块链的数据完整性保障、密码与密钥管理、物理防护、入侵检测系统六类安全对策。尤为重要的是，论文明确指出了一个被当时学界普遍忽视的问题：绝大多数研究项目并未把农业装备本身视为潜在的安全威胁。为验证这一判断，团队基于太阳能杀虫灯物联网开展了补充实验，结果表明农业装备确实会对农业信息安全产生实质性影响。这一结论，成为团队此后数年研究的出发点。

图2　智慧农业的三种典型发展模式及其研究领域

面向数字农业技术生态的快速演进，团队进一步完成了整体性的安全刻画。2022年，论文“Digital Agriculture Security: Aspects, Threats, Mitigation Strategies, and Future Trends”发表于IEEE Internet of Things Magazine，从技术视角完整梳理了数字农业生态系统的构成，涵盖从物理感知、边缘计算、网络传输到云端服务与应用支撑的各个层级，并系统分析了数字农业安全的关键方面、当前与潜在威胁、可行的缓解策略以及未来研究方向，为跨学科读者提供了一份可直接参照的安全“体检表”。

如果说威胁建模回答的是“可能出什么事”，那么入侵检测要回答的就是“现在是不是已经出事了”。农业物联网设备种类杂、协议不统一、标注数据稀缺，且大量设备处于无人值守状态，一旦被攻陷往往长时间无人察觉。针对农业物联网中“数据不敢共享、模型又需要大数据”的两难，团队提出联邦学习驱动的入侵检测系统，论文“FELIDS: Federated Learning-Based Intrusion Detection System for Agricultural Internet of Things”发表于Journal of Parallel and Distributed Computing（2022）。该系统让各设备在本地完成模型训练，仅向聚合服务器上传模型更新而非原始数据，既保护了数据隐私，又能借助同伴知识提升检测能力。系统内置深度神经网络、卷积神经网络与循环神经网络三类分类器，在CSE-CIC-IDS2018、MQTTset与InSDN三个公开数据集上的表现均优于非联邦的集中式基线模型，验证了“数据不出田、模型共成长”这一路径在农业场景中的可行性。

针对农业4.0时代破坏性最强的攻击类型之一，团队进一步厘清了攻击链条。论文“Deep Learning-Based Intrusion Detection for Distributed Denial of Service Attack in Agriculture 4.0”发表于Electronics（2021），指出了一条值得警惕的复合攻击路径：攻击者先以分布式拒绝服务攻击使服务瘫痪，再注入虚假数据谎报“设备安全”，而实际上设备早已被盗。研究基于CIC-DDoS2019与TON_IoT两个真实流量数据集，在二分类与多分类两种任务下系统评估了卷积神经网络、深度神经网络与循环神经网络的检测性能，其中卷积神经网络在二分类任务上的准确率达到99.95%。研究给出的检测框架从流量采集、特征提取到模型训练与攻击判别形成完整链路，如图3所示。

图3　面向农业4.0分布式拒绝服务攻击的深度学习入侵检测框架

上述工作主要面向网络流量层面的异常，而农业装备的运行数据本身是否可信，同样是需要回答的问题。针对太阳能杀虫灯物联网中利用导电物体触碰高压电网、伪造杀虫计数的虚假数据注入攻击，团队将检测对象从“网络流量”推进到“装备运行数据”，论文“False Data Injection Attack Detection in the Solar Insecticidal Lamp Internet of Things”发表于IEEE Transactions on AgriFood Electronics（2026）。太阳能杀虫灯依靠高压电网击杀害虫并自动计数，攻击者只需用一根螺丝刀等导电物体触碰金属网，就能模拟出一次“杀虫”过程，让系统虚增虫口数量，进而误导用药决策。更棘手的是，野外环境中坠落的枝叶、攀爬的藤蔓触碰金属网也会产生类似放电信号，这种“非攻击型异常”大大增加了判别难度。

为此，研究提出基于数值传感器数据与放电声音数据两种模态的检测机制：对数值数据采用重叠采样进行精细特征提取，对声音数据设计基于阈值的语音活动检测算法，并在六种经典机器学习模型上完成验证。结果表明，随机森林模型表现最优，在数值与声音两类数据上的检测准确率均达到98.3%。团队还同步构建并公开发布了面向该问题的专用数据集，为后续农业物联网虚假数据检测研究提供了基准。

除数据可信之外，设备是否被远程控制，是农业信息安全的另一重风险。针对智能网络摄像头的网络—物理复合攻击，团队提出机器学习驱动的自适应安全框架，论文“Real-Time Detection of Cyber-Physical Attacks on Smart-IP-Camera Using Network and Telemetry Data”发表于IEEE Transactions on Industrial Cyber-Physical Systems（2025）。智能网络摄像头是农业监控与数据采集的核心设备，其攻击往往同时作用于网络与物理两个层面，传统依赖预定义规则的检测方法难以应对。研究设计推理感知长短期记忆网络IALSTM，通过结构化剪枝、量化与知识蒸馏压缩模型规模、降低推理时延，使其能够在资源受限的边缘设备上运行。团队搭建了由IP摄像头与NVIDIA Jetson Orin Nano组成的实测平台，在真实拒绝服务攻击下实现了88.39%的实时识别准确率，并同步评估了CPU占用、内存开销、网络带宽与磁盘使用等硬件指标，为农业场景下“检测能力下沉到边缘”提供了可复现的工程参考。

图4　智能网络摄像头的硬件架构

网络层的检测再灵敏，也无法阻止有人直接把设备偷走、遮挡或干扰。团队认为，农业信息安全必须“软硬结合”，把物理层面的攻击与防护纳入统一框架。针对农业专用设备“安全需求不清、防护无据可依”的问题，团队以太阳能杀虫灯物联网这一典型农业信息物理系统为对象开展研究，论文“Security and Privacy in Solar Insecticidal Lamps Internet of Things: Requirements and Challenges”发表于IEEE/CAA Journal of Automatica Sinica（2024）。该文梳理了杀虫灯物联网的背景与逻辑架构，分析了其面临的安全场景与潜在攻击，并将安全需求划分为隐私性、认证性、机密性、访问控制、可用性与完整性六大类，逐一评述对应的安全与隐私保护方案及区块链方案，最后讨论了现存挑战与未来研究方向。这项工作为农业专用设备的安全设计提供了一套可直接对照的需求清单，也标志着团队的研究对象从“通用农业物联网”收敛到“具体农业装备”。

在物理攻击手段中，电磁脉冲的隐蔽性尤为突出。论文“The Effect of Electromagnetic Pulse Attacks on USB Camera Performance”发表于Journal of Sensor and Actuator Networks（2026），把攻击手段推向了更隐蔽的物理层面。论文首先系统回顾了针对相机系统的各类攻击方法，随后聚焦电磁脉冲攻击：利用太阳能杀虫灯释放高压脉冲产生电磁脉冲，同时使用商用电磁脉冲发生器作为对照，通过调节USB线缆上滤波磁环的数量以及相机与干扰源之间的距离，评估相机在不同条件下的工作表现。实验结果证实，部分USB相机确实易受电磁脉冲攻击影响；更值得注意的是，这类攻击往往不会造成图像畸变或硬件永久损坏，而是表现为设备突然断连——其隐蔽性极易被运维人员误判为普通的接触不良或线缆故障，从而掩盖真实的安全事件。论文据此提出了针对性的防护建议，为农业监控设备的电磁加固提供了实验依据。

图5　相机覆盖优化策略的演进（2012—2024年）

设备不被攻破只是第一步，把监控设备布设到正确的位置，同样属于物理安全的范畴。从2012年到2024年，相机覆盖优化研究在场景假设、覆盖模型与求解算法上呈现出清晰的演进脉络，如图5所示。

针对已有综述多聚焦模型与算法、对“究竟要监控什么场景”关注不足的问题，团队完成了相机部署规划的系统性梳理，论文“Camera Planning for Physical Safety of Outdoor Electronic Devices: Perspective and Analysis”发表于IEEE/CAA Journal of Automatica Sinica（2025）。论文指出，相机部署规划是构建监控网络的第一步，监测目标与场景直接决定了相机网络建模与优化算法的选择。为此，论文完成了三方面工作：一是对监控场景进行分类，区分城市环境与乡村户外环境，并比较二者在监控需求与覆盖要求上的差异；二是从部署场景的视角，系统总结文献中相机覆盖优化的代表性工作；三是提出将太阳能杀虫灯物联网作为一种全新的农业户外监控场景，并以之为案例剖析农业环境下的监控需求与挑战。论文最后给出了户外电子设备物理安全领域的技术展望，呼吁学界对该方向投入更多关注。

从时间脉络看，团队围绕农业信息安全的研究并非零散的单点突破，而是一条目标明确、层层递进的演进主线。2020年，团队以IEEE Access综述起步，建立绿色农业物联网的威胁分类体系[1]；2021年，在IEEE/CAA Journal of Automatica Sinica完成智慧农业整体架构的安全梳理，并首次通过实验指出“农业装备本身即是威胁源”[2]，同年以Electronics论文切入DDoS攻击的深度学习检测[3]；2022年，一方面以FELIDS将联邦学习引入农业入侵检测，解决数据隐私与模型性能的矛盾[4]，另一方面在IEEE Internet of Things Magazine完成数字农业安全的系统性综述[5]。

2024年，研究视角从通用架构收敛至太阳能杀虫灯物联网，提出六维安全需求体系[6]；2025年，一头向“设备被控”延伸，在边缘平台上实现网络—物理复合攻击的实时检测[7]，一头向“设备布设”延伸，建立面向户外电子设备物理安全的相机部署规划框架[8]；2026年，则在虚假数据注入检测与电磁脉冲攻击两个具体而微的切口上同时取得突破[9,10]，把“数据可信”与“设备可用”这两个农业信息安全的底层问题落到了可测量、可复现的实验层面。

上述系列工作彼此衔接，从威胁分类走向需求定义，从网络流量检测走向装备运行数据与设备状态检测，从软件防护走向软硬协同与部署规划，形成了一套包含威胁模型、安全需求体系、检测算法、实测平台与数据集建设的完整研究链条。这一演进过程呈现出三个鲜明特点。其一，问题始终来自田间。无论是螺丝刀触碰金属网造成的虚假计数，还是枝叶触碰电网引发的误判，抑或USB相机在电磁脉冲下突然断连，都是从真实农业场景中捕捉到的具体异常，而非从通用安全模型演绎出的假设性风险。其二，方法坚持“软硬结合”。团队既构建分类模型与优化算法，也搭建实测平台、制作攻击装置、开展物理实验，使结论建立在可重复的实证基础之上。其三，成果强调“可落地”。从面向资源受限设备的模型剪枝与量化，到公开数据集的构建，再到硬件资源开销的完整评估，研究工作始终把农业现场算力、能量与运维条件的约束作为前提，而非事后补充的讨论。

团队认为，农业信息安全的下一阶段研究将朝着四个方向深化：一是多模态融合检测，将网络流量、设备遥测、声音、图像等异构信号统一建模，提升对隐蔽攻击与“非攻击型异常”的区分能力；二是轻量化与边缘智能，在保证检测精度的前提下进一步压缩模型，使安全能力真正下沉到田间节点；三是网络—物理协同防御，把入侵检测、设备身份认证与物理加固、部署优化纳入同一框架，形成“发现—阻断—容错”的闭环；四是面向大规模真实农田的长期验证，构建贴近生产实际的评测基准与数据集，推动农业信息安全从实验室走向工程现场。相关成果对保障农业物联网数据可信、设备可用与作业安全具有重要理论支撑价值，也为智慧农业装备的安全设计、科学布设与运维管理提供了可借鉴的技术路径。

[1] M. A. Ferrag, L. Shu, X. Yang, A. Derhab, and L. Maglaras, “Security and privacy for green IoT-based agriculture: Review, blockchain solutions, and challenges,” IEEE Access, vol. 8, pp. 32031–32053, 2020, doi: 10.1109/ACCESS.2020.2973178.

[2] X. Yang, L. Shu, J. Chen, M. A. Ferrag, J. Wu, E. Nurellari, and K. Huang, “A survey on smart agriculture: Development modes, technologies, and security and privacy challenges,” IEEE/CAA Journal of Automatica Sinica, vol. 8, no. 2, pp. 273–302, Feb. 2021, doi: 10.1109/JAS.2020.1003536.

[3] M. A. Ferrag, L. Shu, H. Djallel, and K.-K. R. Choo, “Deep learning-based intrusion detection for distributed denial of service attack in Agriculture 4.0,” Electronics, vol. 10, no. 11, Art. no. 1257, May 2021, doi: 10.3390/electronics10111257.

[4] O. Friha, M. A. Ferrag, L. Shu, L. Maglaras, K.-K. R. Choo, and M. Nafaa, “FELIDS: Federated learning-based intrusion detection system for agricultural Internet of Things,” Journal of Parallel and Distributed Computing, vol. 165, pp. 17–31, Jul. 2022, doi: 10.1016/j.jpdc.2022.03.003.

[5] O. Friha, M. A. Ferrag, L. Maglaras, and L. Shu, “Digital agriculture security: Aspects, threats, mitigation strategies, and future trends,” IEEE Internet of Things Magazine, vol. 5, no. 3, pp. 82–90, Sep. 2022, doi: 10.1109/IOTM.001.2100164.

[6] Q. Zhao, L. Shu, K. Li, M. A. Ferrag, X. Liu, and Y. Li, “Security and privacy in solar insecticidal lamps Internet of Things: Requirements and challenges,” IEEE/CAA Journal of Automatica Sinica, vol. 11, no. 1, pp. 58–73, Jan. 2024, doi: 10.1109/JAS.2023.123870.

[7] A. Hazarika, N. Choudhury, L. Shu, and Q. Su, “Real-time detection of cyber-physical attacks on smart-IP-camera using network and telemetry data,” IEEE Transactions on Industrial Cyber-Physical Systems, vol. 3, pp. 251–261, 2025, doi: 10.1109/TICPS.2025.3544128.

[8] Q. Su, L. Shu, G. P. Hancke, K. Huang, E. Nurellari, Q. Zhao, N. Choudhury, and A. Hazarika, “Camera planning for physical safety of outdoor electronic devices: Perspective and analysis,” IEEE/CAA Journal of Automatica Sinica, vol. 12, no. 8, pp. 1530–1543, Aug. 2025, doi: 10.1109/JAS.2025.125129.

[9] G. Wei, L. Shu, W. Lin, X. Yang, R. Han, K. Li, and K. Huang, “The effect of electromagnetic pulse attacks on USB camera performance,” Journal of Sensor and Actuator Networks, vol. 15, no. 1, Art. no. 4, 2026, doi: 10.3390/jsan15010004.

[10] G. Wei, L. Shu, X. Yang, F. Dai, R. Han, Z. Jiang, K. Li,and Q. Su, "False Data Injection Attack Detection in the Solar Insecticidal Lamp Internet of Things," in IEEE Transactions on AgriFood Electronics, doi: 10.1109/TAFE.2026.3730950.