作为新一代信息通信技术与工业经济深度融合的新型基础设施、应用模式和产业生态,工业互联网
[1-2]正在深刻改变着传统制造业的生产模式和管理方式,它利用物联网、云计算(边缘计算)、大数据、区块链、人工智能(artificial intelligence, AI)等先进技术对生产环境中人、机、物、系统全面连接,构建起覆盖全产业链、全价值链的全新制造和服务体系,为工业乃至产业数字化、网络化、智能化、绿色化发展提供全新途径,是实现第四次工业革命的重要基石。工业互联网在高速发展的同时也面临着数据泄露、网络攻击、恶意入侵等诸多巨大的安全挑战,轻则导致生产中断和设备损坏,重则威胁到人民生命财产、社会稳定和国家安全。为保障工业环境正常运转,现阶段亟需全新技术策略手段来实现安全防护水平能力的全面提升。
在工业互联网安全防护最重要的数据传输领域,作为超越传统比特传输范式的新一代通信理论,语义通信
[3]旨在实现信息“意义”的高效、准确传递,而非仅仅保证比特流的完整性。它被视为解决未来海量数据传输瓶颈、实现设备真正智能互联的关键。文献[
4]探讨了语义通信的基本原理、实现方法及其相较于经典通信的技术优势,为其未来在工业互联网中的应用奠定了理论基础。文献[
5]通过引入新的数学工具,证明了语义编码的基本定理,论证了语义通信系统的性能极限,揭示了未来语义通信的巨大性能潜力,也为语义通信应用于工业互联网领域的通信安全和效率提升提供了直接理论支持。文献[
6]通过详细介绍以可扩展语义编码技术为代表的几种面向工业网络的语义通信关键技术,探讨了语义通信技术助力工业网络性能提升的巨大发展潜力。语义通信的实现高度依赖于强大的语义编解码能力,以AI大语言模型(简称“大模型”)为代表的生成式AI技术,展现出前所未有的理解、推理和生成能力,不仅为语义通信提供了理想的技术底座,而且正在重塑各行各业的生产力范式。文献[
7]特别强调了大模型在语义理解生成、系统效率和安全性等方面的巨大潜力,但同时也面临着计算资源消耗、模型训练复杂性、数据隐私和安全性等艰巨挑战。文献[
8]通过对中国移动、中国联通、中国电信通信大模型具体案例的深入剖析,指出了大模型技术在精细化网络管理、高效数据传输策略制定及用户体验全面升级等方面具有的核心优势与巨大潜力。文献[
9]指出工业物联网与大模型的结合能够提升工业智能的各个方面,从而为工业智能的发展提供了理论框架和实践指导。文献[
10]通过结合大模型和细粒度异常检测技术提出了一种崭新的框架,为IoT(internet of things)的管理与安全提供了高效、准确的解决方案。文献[
11]主要探讨了大模型在漏洞检测中的应用、有效性和潜力,为大模型在漏洞检测中的应用提供了重要的理论和实践基础。文献[
12]主要探讨了如何利用大型语言模型(large language model,LLM)来增强网络入侵检测系统(network intrusion detection system,NIDS)的可解释性,有助于提升网络安全系统的透明度和可操作性。文献[
13]提出的融合多种机器学习模型和解释性分析的新方法为网络中恶意软件检测性能提升提供了新的思路,但仍需优化模型结构,减少计算开销,以提高模型的运行速度和实用性。文献[
14]提出了一种基于边缘分布式深度学习的工控协议识别方法,利用优化的卷积神经网络和边缘计算集群技术,为工业控制协议识别难题提供了全新的解决思路,也是将AI智能应用于工业互联网安全保护和智能化发展领域的一次大胆尝试。
上述研究分别在语义通信、AI大模型行业应用、工业互联网安全等诸多子领域取得了显著进展。但是面对未来工业场景中海量、异构、高实时性的严峻安全挑战,将三者有效深度融合构建智能化的通信-计算一体化架构,并应用于工业互联网安全保障这一关键场景的研究仍处于起步阶段,存在巨大的理论与实践创新空间。因此,首先参照工业互联网与信息通信技术发展的特点及内在规律,对将工业互联网安全保障体系全生命周期演进过程定义并划分为3个阶段,在此基础上,将语义通信的高效率、高可靠性以及强大的语义理解处理能力等特性与AI大模型技术的超强学习能力特性相结合,定义并构建基于语义通信的工业互联网安全大模型(a large-scale model for industrial internet security based on semantic communication,LM_IIS_SC),建立对工业互联网安全威胁的可靠、高效、智能、快速应对机制,为工业互联网安全防护带来崭新的技术革新思路和路径。
1 工业互联网安全态势与新技术突破契机
1.1 工业互联网安全态势研判与相关工作
1.1.1 工业互联网及其面临安全态势研判
1)工业互联网基本概念及核心要素
工业互联网不仅仅是互联网技术在工业领域的简单应用,且具有极为丰富独特的内涵和外延。工业互联网的概念由美国通用电气公司于2012年首次提出,是指将传统工业生产环节中的各种设备、仪器、传感器等物理设备通过物联网、云计算(边缘计算)、大数据、区块链、人工智能等先进技术连接起来,实现数据实时采集共享、挖掘分析以优化资源配置和生产流程、提升生产效率和产品质量、降低企业生产和研发成本、提供精准决策支持的技术服务生态体系。其可以与交通、物流、能源、医疗、农业、矿业、国防等多个行业领域深度融合,进而催生了平台化设计、智能化制造、网络化协同、个性化定制、服务化延伸、数字化管理等新模式,赋能传统产业数字化转型和智能化升级。
工业互联网的核心要素包括网络、平台、应用、数据和安全五大体系:网络是工业互联网的基础,可以实现要素之间的数据传输,其涵盖企业外网和企业内网,典型技术包括传统工业总线、工业以太网、时间敏感网络(time sensitive networking, TSN)、确定性网络、5G/5G-A/6G等;平台作为工业互联网的中枢,通过提供数据分析、应用开发和资源配置等服务,促进工业数据的全面集成和深度应用,为企业的生产运营提供智能决策支持;应用则是工业互联网价值的直接体现,依托平台和数据分析,开发出各类智能化、定制化的工业解决方案,优化生产流程,提升产品和服务质量;数据是工业互联网的核心要素,通过采集、共享和分析各类工业数据,工业互联网能够实现生产过程的可视化、可预测、可优化、可追溯,从而提高生产效率和产品质量;通过构建全面的安全防护体系,保障工业互联网网络、平台、数据和应用的安全可控,防范各类网络攻击和数据泄露等各类安全风险和威胁。
2)工业互联网安全态势研判
随着物联网、云计算(边缘计算)、大数据、区块链、AI、移动通信等新技术的快速发展与应用,工业互联网安全环境变得更加复杂,安全风险呈现多元化特征。首先,网络攻击威胁巨大,涉及网络嗅探、暴力破解、DDoS攻击DDoS(distributed denial of service)、APT(advanced persistent threat)攻击、数据窃取、篡改指令、木马、挖矿、僵尸等多种网络攻击手段和形式;其次,攻击频次与强度同比显著增加,仅2024年7月份网络嗅探攻击就达41.05万次,上半年全网监测到的网络层的攻击次数高达4 128亿次,新增安全漏洞1 1075个,包括高危漏洞4 787个
[15] 。
1.1.2 相关工作难以满足迫切需求
学术界与产业界在工业互联网安全防护领域取得显著研究成果和众多实效应用产品的同时,也面临如下多重挑战。①AI等新技术在引入的同时也带来了双刃剑效应,这就对持续技术创新和快速迭代周期提出了更高要求;②针对超级复杂多变的工业垂直领域和特定生产场景的深入研究力度不够,从而导致了新技术的普适性以及实用性严重受限;③由于计算机科学、自动化、通信等多学科融合程度远远不够,综合性实效解决方案难以成功落地实施;④尽管卡奥斯等少数龙头企业表现突出,不可掩盖产业应用动力不足、数据实时保存受限、企业安全意识以及重点工业APP库缺乏等严重问题。
1.2 语义通信与AI大模型技术带来突破契机
1.2.1 语义通信与AI大模型
1) 语义通信基本原理
克劳德·香农(Claude Shannon)于1948年对信息论的基础理论、信道容量、信息量的度量、噪声信道编码定理以及香农公式等多个重要概念进行了定义和阐述,奠定了现代通信技术和信息论的基础。随后,香农和韦弗首次明确提出了语义通信的概念
[16-18],韦弗将通信技术发展划分为3个递进式阶段:如何准确传输符号(语法问题)、如何精确传达含义(语义问题)、如何有效影响行为(语用问题)。现代通信技术属于第一阶段,关注的是如何准确传输比特流的问题;第二阶段,通信不仅是符号的准确传输,更重要的是这些符号所承载的语义信息能够被接收者准确理解;第三阶段关注的是交际行为的定义及其所产生的效用,以及通信双方如何理解和使用这种效用,属于未来通信范畴。在3个阶段中,后续阶段分别是前序阶段在多个方面的扩展和深化,前序阶段则是后续阶段在满足特定条件下的简化和特例展现。近年来,通信技术的发展已经逼近香农定律极限并陷入困境,随着AI技术尤其是大模型技术的出现及快速发展有望更准确地提取语义信息,有望减少因语境变化而收集大量数据并重新训练的需求,同时有望基于有限信号构建复杂场景,降低通信资源开销,提高通信效率。AI领域技术进步为语义通信突破香农极限禁锢提供了可能。语义通信基本原理如
图1所示。
语义通信主要关注信息含义的准确传递,通过深入挖掘信息的语义层次内涵,探索语义信息表征、度量、知识库
[19]构建、弹性编码及协同传输等核心方法,从基本原理上改变了传统信息通信体系。语义通信基本流程包括信号获取与预处理、特征提取与压缩、语义编码与传输、语义解码与重建以及语义理解与反馈等步骤。这些步骤共同构成了语义通信的完整过程,实现了从信息发送到接收并理解的全面通信服务。相对于当前的语法通信,语义通信以整体熵减为优化目标,重塑通信与网络
[20],在信息表征方式、传输效率与带宽需求、通信性能与可靠性、服务质量评价准则、应用领域以及系统设计与优化等诸多方面均具有显著优势和扩展能力,具有巨大的应用潜力和价值。语义通信已经被3GPP(3rd generation partnership project)国际标准化组织列为下一代移动通信技术(6G)的主要候选技术之一,以北京邮电大学、清华大学、西安电子科技大学、中国移动通信有限公司研究院等为代表的多家研究机构和厂商在语义知识库协同、信源信道联合编码、模分多址(model division multiple access, MDMA)
[21]、工程试验验证以及标准规范制定等领域均已取得显著进展和成功应用,达到国际领先水平。
2) AI大模型基本原理
以2022年底美国OpenAI公司推出生成式AI大语言模型产品ChatGPT为标志,近来AI大模型技术快速发展被全球科技界和产业界高度关注。AI大模型技术是指以强大的计算能力为依托,使用超大规模深度神经网络构成的机器学习模型来解决自然语言处理、计算机视觉、多模态交互、推荐系统、强化学习、生成对抗网络等各种复杂的AI问题。
AI大模型通常具有如下基本特征:拥有动辄上亿甚至数千亿的海量参数,使模型能够捕捉更加复杂的数据特征,自监督学习并理解更多特征、模式和关系,在处理复杂任务时展现出更高的准确度和更强的表达能力;先在通用数据上进行预训练,再根据下游任务进行微调和参数优化,以增强泛化能力以及对垂直领域的适用性;以Transformer架构为代表的自注意力机制神经网络能够捕捉到数据中的非线性关系和复杂模式,实现高效的特征提取和推理;能够处理多模态数据(如文本、图像、音视频等),从而能够学习到更广泛的知识和模式,提升了智能水平和泛化能力,为AI在更多领域的应用提供了可能;以卷积神经网络(convolutional neural networks, CNN)为代表的涌现生成能够产生预期之外的崭新特性和能力,极大拓展和丰富了AI解决问题的难度和高度;随着新数据和内容的不断投喂,也能保证AI大模型能力的持续迭代和进化以适应复杂多变的需求。随着AI技术的不断进步和政策支持的加强,当前各个垂直领域的大模型技术正呈现出蓬勃发展的态势。
1.2.2 语义通信与大模型融合赋能工业互联网安全策略
当前,尽管已有研究分别探索语义通信与AI大模型在工业场景的应用
[22],但尚未有将两者深度耦合以构建工业互联网安全体系的系统性创新方案。现结合对工业互联网安全态势分析研判,参照语义通信和AI大模型基本原理和特点,两种技术优势互补、相得益彰,现提出将两者进行有机融合与双向赋能,用于构建基于任务驱动、云边端协同、高效智能协同与决策模式的工业互联网垂直领域安全大模型极具可操作性,具有巨大潜力与实际应用价值。这种融合的关键在于将语义通信的精准信息传输与理解能力,与大模型的强大数据处理与决策能力相结合,从而在多个层面展现出显著优势可具备众多工业生产垂直领域原生适配安全属性。两者融合后将具备数据预处理安全保障、高效传输与频谱优化、语义解析与实时保真、多模态
[23]信号集成与数据压缩、智能协同与决策
[24]等诸多原生适配工业安全领域优势特质。本文提出的基于语义通信的工业互联网安全大模型(LM_IIS_SC)深度融合语义通信的可靠安全性
[25]与大模型的高效智慧性,将从精准威胁检测与实时应急响应、自动化漏洞扫描与智能化修复、安全策略优化与自适应动态防御、全局性高效安全态势感知与预警、增强数据安全与促进数据可信流通、基于工业互联网安全知识图谱(knowledge graph,KG)
[26]的智能化应用推广与安全防护思路创新等多个方面赋能工业互联网本体安全,显著提升工业互联网的全面安全防护和智能运维能力,为工业生产的稳定运行提供有力保障。
2 工业互联网安全保障体系架构演进规律
为实现语义通信与AI大模型技术高效服务于工业互联网安全领域的目标,需要对工业互联网安全保障体系架构整体演进规律及特性进行全面科学地辨识和归纳定义。参照工业互联网与信息通信技术发展进化从低到高,从简单到复杂的特点及内在规律,同时关注工业互联网内部通信可靠性、信息的含义以及信息在特定语境下的使用效果和行为影响,将工业互联网安全保障体系全生命演进过程定义并划分为3个阶段。当前阶段属于第一阶段,主要特征是“通为核心”,将具备一定AI处理能力的APP或者大小模型以补丁式、外挂式、附加式、烟囱式等非交互式模式独立部署于以准确传输符号为根本目标的、基于语法通信的网络中,虽然一定程度能够满足系统对于智能处理的需求,但存在冗余度高、实现复杂、协同性差以及难以扩展等缺陷。第二阶段的主要特征是“智为底色”,AI将更加深入地融入网络的各个层面,成为网络架构和运行机制的核心组成部分,真正实现了系统内嵌原生AI服务能力从外挂式向内生式转变,从刚性堆叠向差异化按需服务转变,同时AI服务能力距离终端用户更近,响应速度更快,进入到AI for Network和Network for AI同时满足的阶段,提供基于精确传达含义的语义通信全生命周期LM_IIS_SC服务管理是本阶段重要标志。以“融智共生”为主要特征的第三阶段基于语用通信平台,形成AI与网络的相互依赖与促进、高度融合与共生、无缝对接和高效协同,在数据传输维度更加关注如何理解和使用通信双方的交际行为效用,是语义通信在AI技术发展更高阶段和更强算力加持下的后续演进升级,属于智享未来通信范畴。
参照香农和韦弗对通信技术发展的定义,在3个阶段中后续阶段都向前兼容,分别是前序阶段在多个方面的扩展和深化,在特定情况下可以退化到前序阶段工作,前序阶段则是后续阶段在满足特定条件下的简化和特例呈现。如
图2所示为典型云边端三层级网络架构,最上层节点为云侧节点,底层3个节点代表端侧节点,中间层节点则代表边侧节点。双环节点代表强算力节点,标有实心三角形节点则代表具备自主感知决策、自主数据接收处理、自主学习演化的AI节点,通常以agent[在复杂环境中能够自主感知、接收处理数据并据此做出决策和执行行动、同时具备持续学习和迭代适应能力(可自演化)的软件实体或系统]形式嵌入式分布部署。三环节点则代表语用平台的未来超强智享节点。定义提出的基于任务驱动的、云边端协同的、支持多agent协作LM_IIS_SC模式,是具备自主免疫和结构级安全保护能力的原生安全系统,位于整个演进周期的第二阶段。
语法通信阶段,主要关注如加密、完整性校验等数据传输的基本安全,确保信息不被未经授权的第三方窃取或篡改;语义通信阶段,在保障基本安全的基础上,增加了对信息内容的理解和验证能力,能够识别并阻止恶意代码注入等基于内容的安全威胁;语用通信阶段,进一步强化了安全策略的动态调整和智能响应,能够根据上下文和情境自动调整安全策略,有效应对复杂多变的攻击手段。从
表1可以看出,3个阶段的安全防护能力、性能与效率、智能化与自适应能力、可扩展性与兼容性、协作性与一致性等方面都是逐个阶段递增变强的,这同AI技术发展以及硬件技术对算力需求的不断满足趋势是基本契合的,体现了技术进步对工业安全领域的深远影响。
3 基于语义通信的工业互联网安全大模型构建
3.1 LM_IIS_SC体系结构及模块构成
实现一个基于语义通信的工业互联网安全领域的垂直大模型,系统架构设计要确保数据传输、存储及处理过程中的数据安全和隐私保护(安全性);优化语义通信效率,减少数据传输延迟,提升系统响应速度(高效性);设计灵活的架构,便于未来技术升级和新功能扩展(可扩展性);提供清晰的接口和文档,便于系统维护和故障排查(可维护性)。定义一个高效、安全、可扩展的工业互联网安全大模型(LM_IIS_SC)参考架构如
图3所示。
从端侧和边侧上传的海量实时数据和模型训练所需的各类数据被存储在云侧,以确保数据的完整性和可靠性。基于大数据存储管理功能,云侧负责大模型的训练优化工作,从而保证模型准确性和泛化性的提升。为保证边侧具备最新的检测能力,训练成型的模型以定期或者按需的方式从云侧被分发到边侧。安全态势感知模块一旦检测到安全威胁,云侧就会发出安全预警,并协同边侧和其他安全系统采取相应的响应措施。用户注册、权限分配、角色管理等用户管理功能也是云侧负责实现,同时,负责日常维护和管理的功能也确保了对系统运行状态和性能进行监控。
同时边侧输入输出通信模块将来自于端侧的原始工业互联网安全数据输送给数据预处理模块。随后,在数据预处理模块内部刚刚接收到的多模态输入数据在经过清洗、标准化、归一化等处理步骤后被传送给语义通信模块进行语义编解码。语义编解码的输出结果即为语义基
[20]。此时边侧基于相应语义基对语义知识库进行查询,将查询得到的语义信息结果传递给工业互联网特征提取模块,提取出关键安全特征向量并进行安全风险评估和异常检测。随即数据进入意图理解模块,该模块专注于解析数据背后的意图或行为模式,辅助进行更深入的安全分析。意图理解模块可以参考使用BERT(bidirectional encoder representations from transformers)、GPT(generative pre-trained transformer)、T5等先进的自然语言处理架构用以提升意图理解的准确性和效率。核心决策模块将基于意图理解的结果,综合考量各种因素并做出最终的安全决策。在上述过程中,卷积神经网络(CNN)、循环神经网络(recurrent neural network, RNN)、变分自编码器(variational autoencoder,VAE)、Transformer等模型可以被灵活选用,以实现提升系统的整体性能和准确性的目标。便于接受者理解和使用模型最终输出结果,还需要由输入输出模块对输出前内容进行解码、格式化、优化等后处理操作,并根据具体任务需求对输出进行必要的调整和优化。模型的深度学习和训练过程,包括特征的非线性变换、预测结果的输出、训练误差的度量、模型参数的更新以及防止模型过拟合等操作由“隐藏层、输出层、损失函数、优化器、正则化组件”模块完成。另外,安全与隐私保护模块专注于保护整个数据处理和传输过程中的敏感信息,监控和防范潜在的安全威胁和攻击,不仅涵盖了数据在边侧内部处理时的加密、脱敏等措施,还确保了数据在与云侧、端侧等其他模块交互时的安全性。
端侧由工业交换机、路由器、工控机、嵌入式系统、可编程逻辑控制器,以及数据采集器、传感器、物联网设备等智能设备构成,直接面对工业现场的各种设备和环境,同时也是工业互联网安全体系中的重要组成部分,主要负责实时采集工业互联网中的原始安全数据,并通过有线或无线方式上传至边侧进行深入处理分析。端侧模块的稳定性和准确性对于整个工业互联网安全体系至关重要。
3.2 LM_IIS_SC全生命周期
为支撑LM_IIS_SC(假设为某工业互联网安全智能系统)模型的训练与优化,将设备日志、操作手册、历史故障记录、网络流量数据、入侵检测记录、多模态安全事件信息、外部知识库等诸多语料库作为主要数据来源。接下来,数据清洗、意图及上下文关系识别、语义标注、数据集划分、特征提取、归一化/标准化等关键步骤保证了后续训练与应用的准确性与效率。预训练阶段,以工业互联网安全知识图谱为基础,用上述经过预处理的数据构建一个涵盖工业互联网安全相关概念、术语和场景的高质量语料库,对模型进行大规模预训练(离线训练/集中式训练),以增强其对工业环境的全面感知能力。后续,微调阶段则针对特定安全场景(如设备安全、数据安全、网络安全、入侵检测、异常行为识别、数据泄露防护等),使用事先标注好的语义安全数据集对预训练模型进行微调,目的是为了提高模型在安全信息传输和处理中的准确性和时效性。在最后的验证阶段,从准确性、鲁棒性、召回率、误报率、
F1分数等多个方面以及安全策略与管理、安全技术措施、安全培训与意识、安全事件响应与处置、通信协议安全性、语义解析准确性等多个维度对模型安全性能进行全方位的检测和评估
[27-31],同时,尽可能重点关注评估模型在语义通信方面的表现以及针对大模型自身安全的测试,如越狱攻击、提示词注入、数据投毒攻击等。在模型成功落地部署后,采用在线训练或分布式训练方法不断地优化结构和算法,即时更新工业互联网安全知识图谱以应对不断变化的安全挑战。如
图4所示为LM_IIS_SC模型构建方法的流程图。
3.3 方案可行性验证分析
LM_IIS_SC方案的核心瓶颈之一是边侧围绕语义通信为核心的多个子模块的联合处理反应能力与整体响应速度,根据运筹学排队论
M/M/1模型理论
[32],把相关子模块联合处理能力抽象成单服务台,用
λ与
μ分别直接映射真实工业现场的事件请求到达压力与服务台的算法-硬件综合处理能力。为验证整体方案在实时性维度上可行,设计请求服务排队实验并且只要实验结果给出的“平均排队与处理时延之和小于业务实时阈值,且服务超时概率小于业务SLA(service level agreement)”这两个条件同时被满足,就等价于证明了LM_IIS_SC 在边-云交互链路中不会成为系统实时瓶颈,继而证明了方案的可行性并得到相应可行区间各主要系统参数取值范围。
设计实验并设置如下参数:①端侧设备向边侧实时上传并触发检测的到达率
λ(单位:请求数/秒),
λ越大,表示工业现场产生的待检日志/事件越频繁,这里
λ取值范围为(1,1.5,…,19.5);②边侧语义通信多模块的联合服务能力
μ(单位:请求数/s),
μ越大,表示单台检测节点处理速度越快,这里
μ取值范围为(10,12,…,20);③单次蒙特卡罗仿真的样本量(请求数),用来估计平均排队时延和超时概率。样本越大,估计越精确,这里取值为30 000(可根据需要实时调整);④业务定义的“实时性门限”设置为1 s。如果一条检测请求从到达边侧到完成处理的总时间(排队+服务)超过1 s,即视为“超时”,对应工业互联网现场可能错过关键控制窗口;⑤随机种子数设置为2 024(可根据需要实时调整)。通过改变端侧到达率
λ与边侧服务率
μ,观察系统利用率
ρ、平均排队时延与超时概率的变化。使用Python(v3.12.5)进行编程模拟,利用相关库(如numpy、scipy、matplotlib等)进行数据处理和可视化。得到实验结果如
图5和
图6所示。
图5中,在预期最繁忙的
λ下,当系统利用率
ρ<0.75时,平均排队等待时延小于0.5 s,请求在边侧的超时概率小于5%,即说明了现场数据流不会把边侧打爆,后续的云侧协同、语义通信、异常响应都能在此基础上按时完成。
图6中,当
ρ<0.75且
λ≤
μ-2时,为平均排队等待时延小于0.5 s对应的区间,联合
图5和
图6可知,两条红线下方区域对应的SLA能够同时得到满足,因此可将该阈值作为LM_IIS_SC语义检测服务在边缘部署的“可行性边界”。上述结果利用系统实时性最关键的环节,证明满足特定请求与服务能力的SLA区间是存在的, 为LM_IIS_SC方案“可行性”提供了有力的量化佐证。
3.4 工作效能对比示范
系统端侧上报的各类服务请求和主动查询结果在到达模型后如果不能即刻处理将以队列形式在边侧等待轮巡,单个agent接收信息服务请求,多个agent之间则通过语义通信方式协作,映射为排队论
M/M/N模型
[32]。在任意时间间隔内到达系统的请求数是随机分布的,但服务节点平均到达率
λ是恒定的,服从泊松分布(Poisson distribution)。每个请求接受agent服务时间的长度是随机的,但平均服务率
μ是恒定的,服从负指数分布(exponential distribution),使用Python编程模拟多个agent异步协同处理服务请求,对系统请求平均队长
L(系统中平均等待服务的请求数)、平均逗留时间
W(顾客在系统中逗留的平均时间)、平均服务时间
S(一个顾客接受服务的平均时间)、系统利用率
ρ(服务台被占用的时间比例)分别进行模拟仿真并分析结果。通过建模仿真,验证基于任务驱动、云边端协同、多agent协作的LM_IIS_SC模型在工业互联网安全领域的性能优势,特别是其在处理海量服务请求时的稳定性、可靠性和可用性。实验采用模拟数据集,包含各类服务请求和主动查询结果,这些请求和结果的到达时间和处理时间均服从特定的概率分布。设计实验参数如下,首先将服务请求到达率
λ取值设置为1,平均服务率
μ假设为恒定值(0.75),总客户数为恒定值100,随机数种子固定为42,以确保实验的可控性和一致性。agent数量
N分别设置为1、3、5,以对比不同数量的agent对系统性能的影响。当
N=1时,系统退化为语法通信模型,用于对比语义通信模型的优越性。然后将服务台数量分别设置为3、5、7,平均服务率
μ假设为恒定值(1.00),每个到达率下的模拟次数为30次。服务请求到达率
λ取值为0.1~5(步长为0.544),以模拟不同强度的服务请求到达情况,系统平均服务强度定义为系统平均负载与系统最大处理能力之比,用于衡量系统的忙碌程度。操作步骤如下:① 使用Python编写模拟程序,生成符合泊松分布的服务请求到达序列和符合负指数分布的服务时间序列;② 根据
M/M/N排队论模型,模拟多agent异步协同处理服务请求的过程;③ 记录并计算系统的各项性能指标,包括请求的平均等待时延、服务的平均处理时延、请求在系统中逗留的总时延以及系统平均服务强度;④ 对实验结果进行可视化处理,生成图表以直观展示系统性能随agent数量和服务请求到达率的变化情况,如
图7所示。
在
图7中,随着agent数量
N的增加(从1增加到5),请求的平均等待时延显著下降。表明系统中agent数量的增加能够有效提升系统处理能力,减少请求等待时间。随着agent数量
N的增加,服务平均处理时延呈现下降趋势。证明了agent数量的增加对提升系统处理能力的积极作用。随着agent数量
N的增加,请求在系统中逗留的总时延显著下降。表明系统中agent数量越多,系统对请求处理能力越强,用户感受越优,对安全服务请求处理也会越及时,系统的安全处理应急响应能力得到增强。当
N=1时(系统退化为语法通信模型),各项时延指标均显著高于
N>1时的情况(语义通信模型)。表明语义通信模型在提升系统性能方面具有显著优势。在
图8中,随着服务请求到达率
λ的增加,系统平均服务强度逐渐上升。表明系统负载在增加,系统变得越来越忙碌。在相同的服务请求到达率下,随着agent数量
N的增加(从3增加到7),系统平均服务强度的变化幅度逐渐减小。说明agent数量的增加可以有效提高系统稳定性和处理能力,使得系统在面对突发海量服务请求时能够保持较为平稳的性能。另外,在高强度的服务请求到达情况下(如
λ>3),系统平均服务强度的增长趋势在agent数量较多的情况下趋于平缓(如绿色图标所示)。这进一步验证了agent数量的增加对提升系统稳定性和处理能力的正向作用。实验结果不仅能够说明LM_IIS_SC模型的可行性及优越性,同时验证了工业互联网安全保障体系架构演进规律的基本特征。
4 挑战及建议
LM_IIS_SC在实现过程中必将面临着诸多艰巨挑战如下。
(1) 技术融合挑战。为实现语义通信、AI大模型以及工业互联网技术的深度融合,众多技术难题需要解决,如面向工业互联网安全领域的语义编码与译码的准确性及效率、语义知识库的自学习与自更新架构设计、跨域语义标准和通信协议兼容性及网络安全性设计、工业互联网安全特征的有效提取等。这就需要持续加大在相关领域的研发投入,不断推动技术创新和突破。
(2) 数据获取与处理挑战。如何高效、准确地获取和处理工业互联网环境中的庞大数据,尤其是建立和维护完善的基于语义通信的工业互联网安全知识图谱知识库是一个巨大挑战。建立完善的数据采集、清洗、标注和存储等数据质量控制机制将是有效应对策略。
(3) 安全威胁与挑战。工业互联网系统往往涉及大量敏感数据和关键控制设备,十分容易成为网络攻击的目标。基于语义通信的安全大模型可能面临语义篡改、伪造等新型的安全威胁。这就需要在模型设计和实现过程中采用加密、认证、访问控制、差分隐私、联邦学习等安全措施,同时考虑引入入侵检测、安全审计和应急响应等机制来发现和应对安全威胁。
(4) 模型训练与优化挑战。模型训练需要大量地标注语义数据和计算资源,且训练过程复杂、耗时长。应对策略可以包括利用分布式计算、边缘计算等技术提供强大的计算资源支持模型训练。引入对抗性训练、数据增强、迁移学习、联邦学习、剪枝、蒸馏、量化、低秩分解等压缩策略,尽最大可能来降低资源消耗,提高模型的鲁棒性、泛化能力、训练和部署效率。
(5) 人才与资源短缺。跨领域(如语义通信、工业安全、AI等)的复合型、实战型人才短缺,以及相关技术研究和应用推广的资金、设备等资源有限,难以满足项目需求。加强跨领域人才的培养和引进工作为项目提供有力的人才支撑。通过建立资源共享平台、开展国际合作等方式来弥补资源不足。采用共享数据、算法和计算资源,能够降低研发成本,提高研发效率。
(6) 标准化与评估认证。语义通信及AI领域法律法规相对滞后,缺乏统一完善的安全监管标准规范和评估认证体系。应对策略可以包括从监管层面要重视国际、国内工业互联网安全相关标准、法规及评估认证体系的制定工作,推动技术标准的统一兼容和互操作性,确保项目的实施符合相关法规和政策要求。
5 结论
工业互联网的快速发展为制造业数智化转型升级带来了前所未有的发展机遇,同时也面临着艰巨的安全挑战。通过语义通信与AI大模型技术的深度融合,提出了基于语义通信的工业互联网安全大模型(LM_IIS_SC),为应对上述挑战提供了崭新思路。该模型能够通过云边端协同和多智能体协作,实现高效、稳定的安全防护。通过对工业互联网安全保障体系架构的深入分析,明确了从语法通信阶段到语义、语用通信阶段的演进规律,并验证了LM_IIS_SC模型的可行性以及在处理海量服务请求时的优越性能。然而,技术融合、数据处理、安全威胁、模型优化、人才短缺以及标准化等问题仍是当前面临的主要挑战。总之,语义通信与AI大模型技术的结合为工业互联网安全防护开辟了新的技术路线,有望为中国数字经济与实体经济的深度融合提供强有力支撑。
PDF
(6113KB)
