Although the blockchain-based Internet of Things (BC-IoT) has been applied in many fields, it still faces many security attacks due to lacking policy-based security management (PbSM). Previous PbSM is usually time-consuming, which is difficult to integrate into BC-IoT directly. The high-latency policy conflict resolving in traditional PbSM cannot meet the BC-IoT’s low-latency requirement. Moreover, the conflict resolution rate is low as the PbSM usually neglects the runtime information. Therefore, it is challenging that achieving an efficient PbSM for BC-IoT and overcomes both time and resource consumption. To address the problem, we propose a novel PbSM for BC-IoT named FPICR to realize fast policy interpretation and dynamic conflict resolution efficiently. We first present policy templates based on system log to interpret policy in high speed in BC-IoT. Benefiting from matching the characteristics of the system processing, FPICR supports interpreting a policy into the smart contract directly without complex content parsing. We then propose a weighted directed policy graph (WDPG) to evaluate the importance of the deployed policies more accurately. To improve the policy conflict resolution rate, we implement the resolution algorithm through reconstructing the WDPG. Taking the traits of these properties, FPICR thus can also remove the redundant data to compress storage space by the WDPG. Experiment results highlight that FPICR outperforms the baseline in all measure metrics. Especially, compared with the state-of-the-art method, the speedup of interpretation in FPICR is about up to . The conflict resolution rate in FPICR can be improved by 6.2% on average and achieve up to 96.1%.

中文翻译：

---

基于区块链的物联网系统的快速策略解释和动态冲突解决

尽管基于区块链的物联网（BC-IoT）已经在很多领域得到应用，但由于缺乏基于策略的安全管理（PbSM），它仍然面临着许多安全攻击。以前的PbSM通常比较耗时，很难直接集成到BC-IoT中。传统PbSM中解决高延迟策略冲突无法满足BC-IoT的低延迟要求。此外，冲突解决率低，因为 PbSM 通常会忽略运行时信息。因此，为 BC-IoT 实现高效的 PbSM 并克服时间和资源消耗具有挑战性。为了解决这个问题，我们为 BC-IoT 提出了一种名为 FPICR 的新型 PbSM，以有效地实现快速策略解释和动态冲突解决。我们首先提出基于系统日志的策略模板，以在 BC-IoT 中高速解释策略。得益于匹配系统处理的特性，FPICR 支持将策略直接解释到智能合约中，无需复杂的内容解析。然后我们提出了一个加权有向策略图（WDPG）来更准确地评估部署策略的重要性。为了提高策略冲突解决率，我们通过重构 WDPG 来实现解决算法。因此，利用这些特性，FPICR 也可以通过 WDPG 去除冗余数据以压缩存储空间。实验结果突出显示，FPICR 在所有度量指标中都优于基线。特别是，与最先进的方法相比，FPICR 中的解释加速大约可达 得益于匹配系统处理的特性，FPICR 支持将策略直接解释到智能合约中，无需复杂的内容解析。然后我们提出了一个加权有向策略图（WDPG）来更准确地评估部署策略的重要性。为了提高策略冲突解决率，我们通过重构 WDPG 来实现解决算法。因此，利用这些特性，FPICR 也可以通过 WDPG 去除冗余数据以压缩存储空间。实验结果突出显示，FPICR 在所有度量指标中都优于基线。特别是，与最先进的方法相比，FPICR 中的解释加速大约可达 得益于匹配系统处理的特性，FPICR 支持将策略直接解释到智能合约中，无需复杂的内容解析。然后我们提出了一个加权有向策略图（WDPG）来更准确地评估部署策略的重要性。为了提高策略冲突解决率，我们通过重构 WDPG 来实现解决算法。因此，利用这些特性，FPICR 也可以通过 WDPG 去除冗余数据以压缩存储空间。实验结果突出显示，FPICR 在所有度量指标中都优于基线。特别是，与最先进的方法相比，FPICR 中的解释加速大约可达 FPICR 支持将策略直接解释到智能合约中，无需复杂的内容解析。然后我们提出了一个加权有向策略图（WDPG）来更准确地评估部署策略的重要性。为了提高策略冲突解决率，我们通过重构 WDPG 来实现解决算法。因此，利用这些特性，FPICR 也可以通过 WDPG 去除冗余数据以压缩存储空间。实验结果突出显示，FPICR 在所有度量指标中都优于基线。特别是，与最先进的方法相比，FPICR 中的解释加速大约可达 FPICR 支持将策略直接解释到智能合约中，无需复杂的内容解析。然后我们提出了一个加权有向策略图（WDPG）来更准确地评估部署策略的重要性。为了提高策略冲突解决率，我们通过重构 WDPG 来实现解决算法。因此，利用这些特性，FPICR 也可以通过 WDPG 去除冗余数据以压缩存储空间。实验结果突出显示，FPICR 在所有度量指标中都优于基线。特别是，与最先进的方法相比，FPICR 中的解释加速大约可达 为了提高策略冲突解决率，我们通过重构 WDPG 来实现解决算法。因此，利用这些特性，FPICR 也可以通过 WDPG 去除冗余数据以压缩存储空间。实验结果突出显示，FPICR 在所有度量指标中都优于基线。特别是，与最先进的方法相比，FPICR 中的解释加速大约可达 为了提高策略冲突解决率，我们通过重构 WDPG 来实现解决算法。因此，利用这些特性，FPICR 也可以通过 WDPG 去除冗余数据以压缩存储空间。实验结果突出显示，FPICR 在所有度量指标中都优于基线。特别是，与最先进的方法相比，FPICR 中的解释加速大约可达. FPICR 中的冲突解决率平均可提高 6.2%，最高可达 96.1%。