OT边缘AI：减少攻击面同时保持质量运行
2025年12月
摘要
制造业现已成为OT攻击的首要目标，大部分活动集中在IT/OT边界（根据Manufacturing Dive引用的Trellix分析）。大多数视觉AI系统通过云服务或未管理的IT桥接路由图像或推理调用——将安全关键的质量站点直接放在攻击者探测的边界上。Overview.ai采取相反的方法：所有AI推理都在相机上、在边缘进行。
- 决策循环中无云端
- 通过/失败无需WAN/互联网依赖
- 每个周期向PLC发送确定性位
为什么这对制造工程师现在很重要
OT团队正在观察到：
- 更多向OT的横向移动尝试
- 边界设备正在成为跳板点
- 云依赖在遏制事件期间导致中断
- 供应商推动需要出站流量进行推理的"连接AI"
如果您的检测单元依赖云推理，质量站就成为攻击路径的一部分。对于任何与废品、安全或下游故障模式相关的事物，这是不可接受的。
为什么边缘AI同时降低风险和延迟
1. 决策循环中无云端或IT桥接
所有Overview.ai相机使用嵌入式NVIDIA GPU在设备上运行深度学习模型。在检测期间，图像和特征永远不会离开单元。
这消除了：
- 云推理端点
- 影子IT桥接
- WAN延迟
- 外部连接要求
攻击者瞄准的确切边界与检测可靠性变得无关。
2. 向PLC/机器人/分流器的确定性传递
相机通过硬连线I/O或现场总线发送单个通过/失败位（加上可选的数值测量）。
如果企业IT在事件期间隔离系统：
- 单元继续运行
- 时序不会漂移
- 质量逻辑不会降级
对于任何周期时间和废品逻辑必须保持确定性的生产线，这是至关重要的。
3. 简化的OT网络分段和监控
边缘优先视觉将跨边界流量减少到仅：
- PLC通信
- 可选的定期遥测导出
- 限时管理员访问
这使OT团队能够：
- 白名单最少数量的端口
- 记录简单、可审计的流量集
- 缩小单元周围的攻击面
更少流量 → 更少歧义 → 更少盲点。
在Overview.ai，"边缘优先"在实践中意味着什么
每台Overview相机（OV10i、OV20i、OV80i）都在设备上本地运行模型：
- OV10i： 仅分类器存在/缺失，全局快门
- OV20i： 分类 + 分割用于低对比度表面缺陷
- OV80i： 远心光学、2.5D照明和微米级分割用于反光金属、焊接、药片等
输出为操作员和控制系统设计：
- 用于可解释性的像素掩码
- 用于SPC的数值向量（偏移、几何）
- 用于确定性控制的通过/失败位到PLC
除非您选择导出，否则没有其他东西需要离开单元。
"我们选择Overview是因为相机在本地运行AI，决策循环中没有云端。安全审查很简单，即使在企业IT在事件期间隔离系统时，质量也保持运行。"
视觉单元OT加固实用清单
- 将相机牢固地放置在OT内，而不是共享网络上
- 仅白名单所需的I/O和管理路径
- 记录来自生产线的所有边界穿越
- 跟踪相机→PLC的端到端时序
- 按您的条件导出分析，而不是内联
边缘AI是正确架构的场景
结论
如果攻击者瞄准边界，不要把你的质量决策放在那里。 边缘优先AI视觉堆栈保持循环短、OT表面小、生产线运行——即使IT不运行时也是如此。