机器学习如何优化物联网应用的安全性？

传统的安全和隐私方法在IoT网络上往往表现不佳。物联网连接的动态性质带来了一组与安全性相关的独特复杂性：

• 异构性：物联网设备具有多种形状和形式，创建了各种各样的硬件和软件方案。
• 规模：已经有数十亿个物联网设备在使用中。
• 互连性：随时随地访问网络。
• 邻近性：网络在短距离通信中可能依赖于本地设备。
• 延迟：诸如外科手术设备，装配线生产和交通监控之类的敏感应用需要超可靠的低延迟通信(URLLC)。
• 成本：大多数设备都需要低成本和低功耗。
• 结构：在大型的，自组织的IoT网络上，分布式拒绝服务(DDoS)攻击的漏洞增加。
• 动态配置：随着设备的不断移除和添加，网络重新配置必须具有适应性。
• 隐私：消费者和专有数据必须得到保护，尤其是在医疗保健应用中。
• 智能：对于许多物联网应用，必须实时做出复杂的决策。

尽管许多Internet接入点都有着这些痛点中的几个痛点，但IoT设备的局限性以及它们运行所处的环境的复杂性，使这些担忧进一步超出了常规安全功能的范围。

什么是机器学习?

机器学习(ML)涵盖了许多与人工智能相关的建模技术。使用统计数据，机器学习模型可以通过识别重要特征来预测任何数字数据集的结果。可以在庞大、复杂的数据集上训练模型;他们也可以继续自动改进，而无需软件更新或监督。 ML应用的经典示例包括处理语音命令(例如Siri或Alexa)，或在图像中搜索特征(例如特定的面孔或某些动物)。在许多基于文本的搜索算法失败的地方，ML能够隔离像素和音素中的非常规模式以找到含义。

机器学习如何改善网络安全?

ML可以通过变化的参数快速调整模型，使IoT安全系统能够在变化的环境中进行实时调整。技术领导者已将ML应用于一般的网络安全实践; Google使用ML保护Android系统，而Apple使用ML通过面部识别保护您的手机。 ML还证明它可以识别应用程序和软件中的恶意代码。

ML在已知攻击类型和未知攻击类型的情况下都可以提供帮助。对于已知的攻击，ML可以通过从攻击示例中学习模式来预测某些事件是否是攻击的一部分。为了应对诸如分布式拒绝服务(DDoS)之类的日常广泛攻击，已经创建了ML模型，该模型可以预测> 99.9%的DDoS攻击。

（编辑：沧州站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!