機器學習如何提升物聯(lián)網(wǎng)應(yīng)用的安全性？

2021-04-26 13:29:37來源：千家網(wǎng) 關(guān)鍵詞：機器學習物聯(lián)網(wǎng)閱讀量：29031

導讀：機器學習技術(shù)，在2021年如何提升物聯(lián)網(wǎng)應(yīng)用的安全性？

　　物聯(lián)網(wǎng)世界已經(jīng)觸手可及，但是隨之而來的有好的一面，也有壞的一面。機器學習可以保護支持IoT的設(shè)備免受網(wǎng)絡(luò)安全威脅。

　　隨著數(shù)字革命的發(fā)展，許多個人和商用設(shè)備通過Internet訪問變得智能。建立物聯(lián)網(wǎng)(IoT)網(wǎng)絡(luò)為消費者和企業(yè)都提供了無數(shù)的優(yōu)勢，但同時也帶來了新的網(wǎng)絡(luò)安全漏洞。許多IoT設(shè)備生產(chǎn)商缺乏網(wǎng)絡(luò)安全方面的經(jīng)驗和知識，即使IoT設(shè)備以比以往任何時候都更多、更詳細、更頻繁地收集敏感的個人數(shù)據(jù)。

　　是什么使物聯(lián)網(wǎng)安全性面臨挑戰(zhàn)?

　　傳統(tǒng)的安全和隱私方法在IoT網(wǎng)絡(luò)上往往表現(xiàn)不佳。物聯(lián)網(wǎng)連接的動態(tài)性質(zhì)帶來了一組與安全性相關(guān)的獨特復雜性：

　　異構(gòu)性：物聯(lián)網(wǎng)設(shè)備具有多種形狀和形式，創(chuàng)建了各種各樣的硬件和軟件方案。

　　規(guī)模：已經(jīng)有數(shù)十億個物聯(lián)網(wǎng)設(shè)備在使用中。

　　互連性：隨時隨地訪問網(wǎng)絡(luò)。

　　鄰近性：網(wǎng)絡(luò)在短距離通信中可能依賴于本地設(shè)備。

　　延遲：諸如外科手術(shù)設(shè)備，裝配線生產(chǎn)和交通監(jiān)控之類的敏感應(yīng)用需要超可靠的低延遲通信(URLLC)。

　　成本：大多數(shù)設(shè)備都需要低成本和低功耗。

　　結(jié)構(gòu)：在大型的，自組織的IoT網(wǎng)絡(luò)上，分布式拒絕服務(wù)(DDoS)攻擊的漏洞增加。

　　動態(tài)配置：隨著設(shè)備的不斷移除和添加，網(wǎng)絡(luò)重新配置必須具有適應(yīng)性。

　　隱私：消費者和專有數(shù)據(jù)必須得到保護，尤其是在醫(yī)療保健應(yīng)用中。

　　智能：對于許多物聯(lián)網(wǎng)應(yīng)用，必須實時做出復雜的決策。

　　盡管許多Internet接入點都有著這些痛點中的幾個痛點，但IoT設(shè)備的局限性以及它們運行所處的環(huán)境的復雜性，使這些擔憂進一步超出了常規(guī)安全功能的范圍。

　　什么是機器學習?

　　機器學習(ML)涵蓋了許多與人工智能相關(guān)的建模技術(shù)。使用統(tǒng)計數(shù)據(jù)，機器學習模型可以通過識別重要特征來預(yù)測任何數(shù)字數(shù)據(jù)集的結(jié)果?？梢栽邶嫶?、復雜的數(shù)據(jù)集上訓練模型;他們也可以繼續(xù)自動改進，而無需軟件更新或監(jiān)督。ML應(yīng)用的經(jīng)典示例包括處理語音命令(例如Siri或Alexa)，或在圖像中搜索特征(例如特定的面孔或某些動物)。在許多基于文本的搜索算法失敗的地方，ML能夠隔離像素和音素中的非常規(guī)模式以找到含義。

　　機器學習如何改善網(wǎng)絡(luò)安全?

　　ML可以通過變化的參數(shù)快速調(diào)整模型，使IoT安全系統(tǒng)能夠在變化的環(huán)境中進行實時調(diào)整。技術(shù)探索者已將ML應(yīng)用于一般的網(wǎng)絡(luò)安全實踐；Google使用ML保護Android系統(tǒng)，而Apple使用ML通過面部識別保護您的手機。ML還證明它可以識別應(yīng)用程序和軟件中的惡意代碼。

　　ML在已知攻擊類型和未知攻擊類型的情況下都可以提供幫助。對于已知的攻擊，ML可以通過從攻擊示例中學習模式來預(yù)測某些事件是否是攻擊的一部分。為了應(yīng)對諸如分布式拒絕服務(wù)(DDoS)之類的日常廣泛攻擊，已經(jīng)創(chuàng)建了ML模型，該模型可以預(yù)測>99.9%的DDoS攻擊。

　　但是，某些風險直到發(fā)生之前都是未知的。在所謂的“零時差”攻擊中，數(shù)字系統(tǒng)通過一個以前未知的漏洞被利用。試圖保護系統(tǒng)的人員在零時差的時間來準備或修復漏洞。零時差是罕見，危險且不可預(yù)測的。諸如Zerodium之類的網(wǎng)站甚至將提供高達$2,500,000的賞金，以杜絕黑客惡意使用零時差攻擊?；谠频臒o監(jiān)督ML技術(shù)可以通過檢測異常行為來防范零時差攻擊的威脅。ML非常適合散布在許多工具和設(shè)備中的云應(yīng)用–ML系統(tǒng)可以迅速采取行動，自動清除易受攻擊的用戶的零時差威脅。

　　下一步是什么?

　　ML已經(jīng)證明了其在一般網(wǎng)絡(luò)安全應(yīng)用中的價值，并且非常適合處理許多特定于IoT的問題。鑒于這些基于ML的系統(tǒng)的快速響應(yīng)時間和靈活性，它們可以平衡IoT網(wǎng)絡(luò)的許多漏洞。機器學習在各種應(yīng)用中的發(fā)展勢頭強勁，并且有希望的證明機器學習作為新興技術(shù)的價值。