Recently updated on: 2026-09-04
近日，南京农业大学智慧农业学院（人工智能学院）舒磊教授团队在农业食品电子领域国际期刊 IEEE Transactions on AgriFood Electronics 发表研究论文，论文题为”False Data Injection Attack Detection in the Solar Insecticidal Lamp Internet of Things”。研究针对太阳能杀虫灯物联网（Solar Insecticidal Lamp Internet of Things ，SIL-IoT）系统面临的虚假数据注入攻击（FDIA）威胁，提出基于数值传感器数据与放电声音数据的检测机制，为不同设备配置的杀虫灯系统建立了全面的安全防护体系。硕士生韦刚为论文第一作者，舒磊教授为通信作者，南京农业大学为第一署名单位。
太阳能杀虫灯作为新兴的绿色植保技术，通过诱虫灯吸引害虫并利用高压金属网将其杀灭，已广泛应用于农业害虫监测与防控。当杀虫灯与物联网技术融合形成SIL-IoT系统后，可实现害虫计数、优化部署、故障诊断和能源管理等功能，为精准施药提供重要数据支撑。然而，这一典型的信息物理系统正面临虚假数据注入攻击的严重威胁——攻击者可通过螺丝刀等导电物体接触金属网模拟杀虫过程，导致系统产生错误的害虫计数数据，进而误导农户在不当时间和地点过量使用农药，造成环境污染和经济损失。
现有检测方法主要依赖麦克风采集的放电声音数据，但部分杀虫灯设备并未配备声学传感器，且已有研究数据集规模较小、场景单一，难以应对真实农业环境的复杂性。此外，户外环境中落叶或攀缘植物触碰金属网也会引发计数误差，这种非攻击性的异常现象进一步增加了准确区分攻击行为的难度。
图1 非杀虫放电场景示意图
为此，研究团队设计了面向不同设备配置的差异化检测方案。对于未配备麦克风的杀虫灯，团队提出基于重叠采样和精细化特征工程的数值数据处理方法：以10分钟为时间窗口、1分钟为步长进行滑动采样，从灯电流、物联网模块电压等多维传感器数据中提取NaN/Inf异常均值方差、电流差异特征、电压波动方差、杀虫声音脉冲比率及温度方差等关键指标，有效捕捉攻击状态下系统行为的细微变化。对于配备麦克风的设备，团队采用基于对数最小均方误差（LogMMSE）的语音增强算法抑制环境噪声，并设计基于双阈值的语音端点检测方法，从放电声音中精确提取有效事件段，进而通过梅尔频谱图获取128维声学特征。
图2 SIL-IoT组件示意图与实际应用场景
研究团队在江苏省南京市栖霞区江龙农业发展有限公司农田基地开展大规模数据采集，实验持续近两个月。团队使用剪刀、螺丝刀、铜线、弹簧、铝箔、钥匙及植物等多种工具模拟攻击场景，共收集9,229,666条数值传感器样本和近8000条放电声音样本，构建了覆盖真实农业环境与多样化设备配置的FDIA检测数据集。
实验结果表明，随机森林（RF）模型在两类数据上均表现最优：基于数值数据的检测准确率达98.3%，基于声音数据的检测准确率同样达到98.3%。为验证方法的实用泛化能力，团队采用留一节点交叉验证策略，并在独立节点开展为期七个月的实际运行验证，数值检测方法对攻击的召回率达98.0%，声音检测方法对三类放电事件（正常杀虫、攻击放电、植物接触）的F1分数均超过0.97。与孤立森林、LSTM自编码器等无监督方法相比，所提特征工程策略显著提升了检测精度；与现有基于MFCC和欧氏距离的检测方法相比，新方法的准确率提升超过12个百分点。
研究成果为SIL-IoT系统提供了实用的安全检测框架，填补了农业物联网虚假数据攻击防御的研究空白。该框架可根据设备配置灵活选择检测模态，兼具低计算开销与高检测精度，适用于资源受限的户外农业节点。论文同时指出，当前研究主要基于特定攻击场景，未来将针对自适应攻击者设计更具鲁棒性的检测机制，并探索模型在边缘计算平台上的轻量化部署。该研究有望推动农业物联网安全防护从被动响应向主动感知转变，为智慧植保系统的可靠运行提供技术保障。