industrial internet of things
PulseAugur coverage of industrial internet of things — every cluster mentioning industrial internet of things across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
智能制造的AI集成已超越治理，GRC领导者发出警告
在智能制造领域，AI和IIoT、数字孪生等互联技术的快速集成，已经超越了有效治理框架的发展速度。Manulife的GRC高管Ramachander Rao Thallada指出，传统的风险和合规模型难以应对AI系统带来的分布式决策。组织必须明确AI影响运营决策时的人工监督角色和责任，而不是假设人类控制是固有的。
-
人工智能集成辩论：以人为本的IIoT与模型间通信
讨论了两种不同的人工智能集成方法：一种侧重于工业物联网中的以人为本的人工智能，以确保技术协助而非取代人类工人；另一种则提出了一种新颖的人工智能模型通信协议。工业物联网的观点强调透明度和可解释性，允许人类专家验证人工智能的输出，并通过主动学习为模型改进做出贡献。相比之下，人工智能通信协议“The Commons”旨在通过建立一个共享的、仅可追加的池来交换声明和批评，以防止人工智能模型发出命令，确保人工智能交互保持协作性，不会导致意外行为。
-
AIRO框架通过流式机器学习增强IIoT安全性
一个名为AIRO的新机器学习框架已被开发出来，用于工业物联网（IIoT）环境中的威胁检测和安全性。该框架集成了Apache Kafka用于流式数据处理、专门的特征提取以及Gradient Boosting和LightGBM等机器学习模型。AIRO旨在通过实施IP阻止和账户暂停等措施来缓解SQL注入和网络钓鱼等网络威胁，在自定义数据集上实现了高达0.9229的F1分数。
-
新的幻象状态攻击利用 IIoT 入侵检测中的时间同步
研究人员引入了一种名为幻象状态攻击（PSA）的新型攻击，该攻击针对工业物联网（IIoT）环境中的入侵检测系统（IDS）。与以往修改数据或查询模型的对抗性方法不同，PSA 利用 IDS 中数据聚合窗口的时间同步性。通过引入细微的时间漂移，该攻击会导致 IDS 重构一个错误的运行状态，从而降低检测能力。该方法在 ToN-IoT 和 CIC IIoT 2025 数据集上针对随机森林、MLP 和 XGBoost 等常见机器学习模型进行了评估，…
-
新论文梳理了区块链支持的去中心化安全架构
一篇新近发表在arXiv上的知识体系化（SoK）论文分析了去中心化检测与响应架构的图景，重点关注区块链集成。该论文指出了现有综述的局限性，特别是它们未能纳入现代端点检测与响应（EDR）和扩展检测与响应（XDR）系统。它提出了一个分类法，根据检测系统类别、区块链功能角色和响应自动化成熟度对提案进行分类，并强调由于延迟和部署问题，在每个端点上进行区块链锚定的响应循环方面存在显著差距。
-
基于LLM的框架优化机器人集群感知
研究人员开发了CoAdapt，一个使用大型语言模型（LLM）来管理工业物联网（IIoT）机器人集群中协同感知的新框架。这种LLM驱动的方法能够动态调整参与数据融合的机器人以及使用的融合算法，以适应不断变化的机器人位置和网络条件。CoAdapt旨在提高通信效率而不牺牲检测精度，在OPV2V基准测试中通信成本降低了38%，同时保持了与静态方法相当的检测精度。
-
去中心化AI群增强工业物联网安全
一篇新研究论文提出了一种去中心化多智能体群（DMAS）架构，用于增强工业物联网（IIoT）环境的安全性。该方法利用每个边缘网关上的自主智能体形成分布式防御层，通过点对点协议进行协调，实现本地威胁检测，无需依赖云。实验表明，与传统的集中式或边缘计算方法相比，DMAS实现了亚毫秒级的响应时间、对已知和零日攻击的高检测准确率，并显著降低了带宽消耗。
-
时间序列数据库提升机器人和自动化实时传感器数据处理能力
时间序列数据库正在增强机器人和工业自动化应用的传感器数据实时处理能力。解决工业物联网（IIoT）部署中运营技术（OT）与信息技术（IT）之间的集成挑战，对于有效的基础设施至关重要。
-
AI入侵检测模型无法跨工控物联网网络泛化
arXiv上发表的一项新研究强调了专为工控物联网（IIoT）网络设计的轻量级机器学习模型的入侵检测方面存在严重的泛化失败问题。研究人员发现，在一个IIoT数据集上训练的模型在评估不同、结构不同的数据集时表现不佳，即使在使用受限的特征集的情况下也是如此。分析显示，这些模型严重依赖粗粒度的端口类别特征，这些特征在不同网络环境中充当了捷径，而不是可靠的指标。该研究强调，需要根据真实的类别分布进行跨网络评估，以准确评估部署就绪情况，因为仅凭域…
-
新方法赋能隐私敏感型物联网应用的边缘人工智能
一篇新论文介绍了一种直接在物联网网关上设计神经网络的方法，从而为隐私敏感型应用实现基于边缘的机器学习。这种方法无需将数据发送到云端即可创建定制的、对硬件友好的神经网络，这对于医疗物联网和工业物联网等领域尤其有利。在 Visual Wake Words 数据集上的实验表明，该方法可以在树莓派 Zero 2 上于 10 小时内实现最先进的结果。
-
中国计划到2028年将人工智能整合到电信基础设施中
中国工业和信息化部（MIIT）发布了新的三年规划（2026-2028年），重点关注将人工智能与信息通信技术相结合。该计划旨在推进人工智能驱动的创新，涉及5G-A/6G、下一代光网络和工业互联网等领域。主要目标包括开发智能移动通信空口、自感知网络和天基计算网络，目标是到2028年在智能网络运营和服务方面达到国际先进水平。
-
新框架利用大语言模型和联邦学习增强工业物联网网络
研究人员开发了一个名为 FEIBN 的新框架，以改进工业物联网环境中的意图驱动网络。该框架利用大语言模型将用户意图转化为网络策略，并采用联邦学习进行分布式策略评估。一个关键组成部分是策略相似性感知联邦学习机制 (SSAFL)，它通过选择相关节点和实现异步模型更新来优化训练，从而提高准确性、加快收敛速度并降低通信成本。
-
强化学习优化TSCH网络，降低功耗和延迟
研究人员开发了RL-ASL，一个旨在优化时分信道跳频（TSCH）网络中监听时隙的强化学习框架。这种自适应方法根据实时网络条件动态决定激活或跳过监听时段，旨在降低工业物联网（IIoT）环境中的功耗。实验表明，RL-ASL在保持高可靠性和显著降低延迟的同时，可将功耗降低高达46%。