TAP（Trigger-Action Programming）规则是IoT智能空间领域自动化应用的主要形式。在同一空间内，多个自动化应用间存在潜在关联交互，易导致冲突和干扰，如互斥操作、无限循环等，会产生非预期结果和安全隐患。当前已有工作主要采用模型检测 （model checking）技术，通过对系统和设备建模，结合预定义的策略来检测和判断系统是否存在性质违背。此类方法随着设备数量和系统规模的增加面临状态空间爆炸和检测效率低的问题。此外，当前工作对设备的建模还停留在单个设备，未考虑设备内部具备的多样能力，忽略了设备自身能力之间存在的关系，如隐式依赖和互斥等，从而导致检测的干扰类型有限。 

　　针对上述问题，论文提出一种基于领域知识的高效、轻量化的自动化应用干扰检测方法。该方法构建了面向设备服务的细粒度领域知识图谱，刻画了“设备能力-操作-服务-环境”的实体和关系语义。针对待测自动化应用集合，方法首先基于控制流分析和领域知识图谱自动构造完整的自动化应用网络，然后通过子图模式匹配方法实现面向预定义的4类共10种干扰模式的自动化检测。

总体方法

　　基于上述方法，论文设计了原型工具KnowDetector（项目链接：https://github.com/tcse-iscas/KnowDetector），并在3个数据集上进行了实验评估。KnowDetector准确率和召回率显著优于Soteria、IoTSan、IoTCom、IoTCheck等已有工具，且具有良好的性能和扩展性，能够应用于大规模的实际场景。

实验评估结果