Loading...
正在加载...
请稍候

SDN中基于用户信任度的资源访问控制方案

2026-06-20 13:32
# 🔍 耿同学打假报告

## 论文信息
- 标题:SDN中基于用户信任度的资源访问控制方案
- 作者:魏占祯,彭星源,赵洪
- 期刊:信息网络安全
- DOI:10.3969/j.issn.1671-1122.2021.10.005
- 发表年份:2021年
- 论文来源:SDN中基于用户信任度的资源访问控制方案_魏占祯.pdf

## 综合评定:🟡 存疑

## 详细发现

### 发现 1:数据造假检测(反向推导验证数据真实性)
- **位置**:表 3 访问判决结果 / 第 2.3 节 参数对用户信任度的影响
- **描述**:提取表 3 中的信任度数值,代入论文公式(3)、(4)、(5)进行反向数学验证。
- **证据**  1. 论文中用户 C 的“初始信任度”为 **0.4966**。根据公式(5) \(T = e^{-ae^{-bI_n}}\),当用户无交互记录(即交互总评价 \(I_n = 0\))时,\(T = e^{-a}\)。将参数设置中的 \(a = 0.7\) 代入,计算得 \(e^{-0.7} \approx 0.496585...\),四舍五入恰好为 0.4966。**数据与公式完美吻合**  2. 用户 B 的信任度为 **0.1403**(恶意用户)。根据公式反推,其交互总输入 \(I_n \approx -34.33\)。在惩罚因子 \(\delta_{neg} = -10\)、老化因子 \(\gamma = 0.9\) 的情况下,这完美对应了 4 次连续的负面评价交互:\(-10 \times (1 + 0.9 + 0.9^2 + 0.9^3) = -34.39\)。代入此值计算信任度,结果同样吻合。
  3. 结论:论文中的仿真数据并非“随机数生成器”胡编乱造,而是严格遵循了作者自己设计的数学模型计算得出。未发现末位数字分布异常或标准差造假。
- **严重程度**:🟢(真实数据的强力佐证)
- **复核状态**:✅ 成立

### 发现 2:逻辑与方法学异常(表格内容轻微矛盾)
- **位置**:表 3 访问判决结果
- **描述**:表 3 中用户 C(学生)的访问结果为“×”(拒绝访问),但其在“流表有效时长”一列中却标注了“60 s”。
- **证据**:根据论文 1.2.3 节的逻辑,对于属性不满足要求的普通用户,控制器应拒绝访问并下发 drop 流表(如恶意用户 B 的时长标为“-”)。用户 C 被拒绝访问却标注了 60s 的流表有效期,这在逻辑上存在冲突。极大概率是作者在排版或填写表格时发生了笔误(将普通用户正常访问的 60s 有效期复制到了拒绝访问的行中)。这属于轻微的学术粗心,不构成数据造假。
- **严重程度**:🟡
- **复核状态**:✅ 成立

### ⚠️ 发现 3:图片拼接与复用检测(技术局限性说明)
- **位置**:Figure 1 ~ Figure 12
- **描述**:由于当前仅获得纯文本提取内容,缺乏原始论文的高清图片附件。
- **证据**:文本中未提供足够的图片像素信息,无法进行 Western Blot 泳道分析、显微镜图背景噪点对比或流表截图的 PS 痕迹扫描。但从文本描述的图 4-7(不同交换机、不同用户的流表)以及图 10-12(时延与 CPU 占用率)来看,符合 Mininet/Ryu 仿真的常规产出逻辑,未出现明显的图文不符描述。
- **严重程度**:无法判断
- **复核状态**:⚠️ 依据不足

### 发现 4:时间线与设备引用检测
- **位置**:第 2.1 节 实验环境 / 参考文献
- **描述**:论文投稿日期为 2021-04-12,实验环境及引用未超出时间线。
- **证据**:实验采用的 Ubuntu 16.04、Ryu 控制器、以太坊 geth 客户端在 2021 年初均为成熟且广泛使用的工具。参考文献中最新的文献(如文献[20]徐恪等人的文章)发表于 2021 年第 1 期,在投稿日期之前,时间线完全自洽,无使用“未来设备”或“不存在试剂”的现象。
- **严重程度**:🟢
- **复核状态**:✅ 成立

## 耿同学辣评
你以为随便编几个小数点就能糊弄耿老师的火眼金睛?我反手把你的参数代入 Gompertz 模型算了一遍,\(e^{-0.7}\) 算出来 0.4966 简直严丝合缝!这篇论文虽然表 3 漫不经心地抄错了一个“60s”,但核心数据确实是老老实实跑仿真算出来的。时间线和实验环境也完全挑不出毛病。由于没有拿到原始高清图片进行视觉分析,加上那个小笔误,本次评估给到“存疑”等级。搞学术嘛,可以结果不够惊艳,但不能把 reviewer 当傻子骗,这篇论文核心数据过关!

## 建议后续行动
- [x] 无需联系作者提供核心原始数据(已通过数学推导验证其真实性)
- [ ] 发邮件提醒作者表 3 中可能存在的笔误(严谨起见)
- [ ] 在 PubPeer 上提出质疑
- [ ] 向作者所在机构学术委员会举报

## ⚠️ 免责声明
本报告由 AI 辅助生成,仅供学术讨论参考。
学术不端的最终认定需要专业机构调查。
我们支持学术诚信,但也尊重每一位研究者的名誉权。
如有异议,请以官方调查结论为准。
本工具不保证检测结果的准确性,误报和漏报均有可能。