边缘计算通过分散的云和地理上分布边缘节点提供延迟敏感和通信密集型应用程序的敏捷数据处理平台。由于安全问题和威胁，对边缘节点的集中控制可能是挑战。在若干安全问题中，数据完整性攻击可能导致数据和侵入边缘数据分析不一致。进一步加剧攻击使得减轻和识别根本原因挑战。因此，本文提出了数据检疫模型的新概念，以通过隔离入侵者缓解数据完整性攻击。使用隔离区的云，ad-hoc网络和计算机系统中的有效安全解决方案具有在边缘计算中采用它的动力。数据采集​​边缘节点通过维度降低识别入侵者并检定所有可疑设备。在隔离期间，拟议的概念构建了信誉分数，以确定错误识别的合法设备，并消毒其受影响的数据以重新获得数据完整性。作为初步调查，这项工作识别适当的机器学习方法，线性判别分析（LDA），用于减少维度。 LDA导致72.83％的检疫精度和0.9秒的培训时间，比其他最先进的方法有效。将来，这将由地面真理数据实施和验证。

通过无线网络互联设备数量和数据通信数量的显着增加引起了各种威胁，风险和安全问题。物联网（IoT）应用程序几乎部署在日常生活中的几乎所有领域，包括敏感环境。边缘计算范例通过在数据源附近移动计算处理来补充了IOT应用程序。在各种安全模型中，基于机器学习（ML）的入侵检测是最可想到的防御机制，用于打击已启用边缘的物联网中的异常行为。 ML算法用于将网络流量分类为正常和恶意攻击。入侵检测是网络安全领域的具有挑战性问题之一。研究界提出了许多入侵检测系统。然而，选择合适的算法涉及在启用边缘的物联网网络中提供安全性的挑战存在。在本文中，已经执行了传统机器学习分类算法的比较分析，以在Puparm工具上使用Jupyter对NSL-KDD数据集上的网络流量进行分类。可以观察到，多层感知（MLP）在输入和输出之间具有依赖性，并且更多地依赖于用于入侵检测的网络配置。因此，MLP可以更适合于基于边缘的物联网网络，其具有更好的培训时间为1.2秒，测试精度为79％。

植物疾病是全球作物损失的主要原因，对世界经济产生了影响。为了解决这些问题，智能农业解决方案正在发展，将物联网和机器学习结合起来，以进行早期疾病检测和控制。许多这样的系统使用基于视觉的机器学习方法进行实时疾病检测和诊断。随着深度学习技术的发展，已经出现了新方法，这些方法采用卷积神经网络进行植物性疾病检测和鉴定。基于视觉的深度学习的另一个趋势是使用视觉变压器，事实证明，这些变压器是分类和其他问题的强大模型。但是，很少研究视力变压器以进行植物病理应用。在这项研究中，为植物性疾病鉴定提出了一个启用视觉变压器的卷积神经网络模型。提出的模型将传统卷积神经网络的能力与视觉变压器有效地识别出多种农作物的大量植物疾病。拟议的模型具有轻巧的结构，只有80万个可训练的参数，这使其适合基于物联网的智能农业服务。 PlantXvit的性能在五个公开可用的数据集上进行了评估。拟议的PlantXvit网络在所有五个数据集上的性能要比五种最先进的方法更好。即使在挑战性的背景条件下，识别植物性疾病的平均准确性分别超过了苹果，玉米和稻米数据集的93.55％，92.59％和98.33％。使用梯度加权的类激活图和局部可解释的模型不可思议的解释来评估所提出模型的解释性效率。