TAP（Trigger-Action Programming）規則是IoT智能空間領域自動化應用的主要形式。在同一空間內，多個自動化應用間存在潛在關聯交互，易導致沖突和干擾，如互斥操作、無限循環等，會產生非預期結果和安全隱患。當前已有工作主要采用模型檢測 （model checking）技術，通過對系統和設備建模，結合預定義的策略來檢測和判斷系統是否存在性質違背。此類方法隨著設備數量和系統規模的增加面臨狀態空間爆炸和檢測效率低的問題。此外，當前工作對設備的建模還停留在單個設備，未考慮設備內部具備的多樣能力，忽略了設備自身能力之間存在的關系，如隱式依賴和互斥等，從而導致檢測的干擾類型有限。 

　　針對上述問題，論文提出一種基于領域知識的高效、輕量化的自動化應用干擾檢測方法。該方法構建了面向設備服務的細粒度領域知識圖譜，刻畫了“設備能力-操作-服務-環境”的實體和關系語義。針對待測自動化應用集合，方法首先基于控制流分析和領域知識圖譜自動構造完整的自動化應用網絡，然后通過子圖模式匹配方法實現面向預定義的4類共10種干擾模式的自動化檢測。

總體方法

　　基于上述方法，論文設計了原型工具KnowDetector（項目鏈接：https://github.com/tcse-iscas/KnowDetector），并在3個數據集上進行了實驗評估。KnowDetector準確率和召回率顯著優于Soteria、IoTSan、IoTCom、IoTCheck等已有工具，且具有良好的性能和擴展性，能夠應用于大規模的實際場景。

實驗評估結果