Cybersecurity and Privacy in AI-Enabled Agricultural IoT Ecosystems: A Systematic Review of Threats, Safeguards, and Resilience Gaps
Emmanuel Kojo Gyamfi · Jess Kropczynski · Jacques Bou Abdo 等 7 人
系统综述2015-2025年农业物联网的网络安全、隐私威胁与防护措施及证据缺口。
Kitchenham系统综述法，筛选103项研究，用STRIDE与LINDDUN
拒绝服务、篡改、欺骗威胁最多，边缘层研究不足，仅7.8%研究具高生态效度。
农业AI模型的对抗鲁棒性、边缘层安全、隐私治理与真实田间条件下的韧性评估是明显空白。
系统综述103项研究，揭示农业物联网安全证据多脱离田间实际，对智慧农业安全研究有较高参考价值。
农业物联网（IoT）生态系统日益将传感器、无人机、边缘设备和云平台连接起来，以支持精准农业，然而网络安全、隐私以及所提出保障措施的现实适用性在文献中仍呈现碎片化状态。本研究系统综述了2015年至2025年间发表的农业物联网研究中的网络安全威胁、隐私问题、人工智能驱动及传统保障措施以及证据缺口。遵循Kitchenham和Charters方法论，从五个数据库检索到的2535条记录中筛选出103项研究。STRIDE和LINDDUN被回溯性应用为威胁与隐私分类的互补框架。由于编码方案为多标签，可靠性在类别层面通过20项研究样本的存在/缺失判定进行评估，STRIDE的观察一致率为75%至95%，LINDDUN为95%至100%，可解释的Cohen's κ值分别为0.348至0.794和0.875至1.000。所有纳入研究还接受了质量评价和补充性生态效度评估。拒绝服务、篡改和欺骗是报告最频繁的威胁，集中在设备层、网络层和云层，而边缘层仍未被充分考察。基于人工智能和机器学习的入侵检测以及联邦学习等隐私保护方法成为突出的保障措施，但农业人工智能模型的对抗性操纵受到的关注有限。隐私研究仍以保密性为导向，90.3%的研究未引用任何适用的监管框架。最重要的是，103项研究中仅有8项（7.8%）获得高生态效度评级，表明证据基础鲜有扎根于真实农业田间条件。本综述将田间实证评估、对抗鲁棒人工智能、隐私治理和网络韧性确定为未来农业物联网安全研究的优先事项。