یادگیری ماشینی و امنیت اینترنت اشیاء

اینترنت اشیاء دنیا را باهمه خوبی ها و بدی هایی که دارد، به نوک انگشتان شما می‌آورد. یادگیری ماشینی می‌تواند از دستگاه های مجهز به اینترنت اشیاء در برابر تهدیدات امنیت سایبری محافظت کند. با وقوع انقلاب دیجیتال، بسیاری از دستگاه‌های شخصی و تجاری از طریق دسترسی به اینترنت، هوشمند می‌شوند.

ساخت شبکه اینترنت اشیاء مزایای بی‌شماری را هم برای مصرف کنندگان و هم برای کسب و کارها فراهم می‌سازد، اما آسیب پذیری های جدیدی را نیز به وجود می‌آورد. بسیاری از تولیدکنندگان دستگاه‌های اینترنت اشیاء فاقد تجربه و دانش در زمینه امنیت سایبری هستند، حتی در شرایطی که دستگاه‌های اینترنت اشیاء در حال جمع‌آوری داده‌های شخصی حساس با حجم، جزئیات و فراوانی بیشتر از همیشه هستند.

چه چیزی امنیت اینترنت اشیاء را چالش برانگیز می کند؟

روش‌های سنتی امنیت و حفظ حریم خصوصی معمولا در شبکه‌های اینترنت اشیاء عملکرد خوبی ندارند اما به چه علت؟

ناهمگونی: دستگاه‌های اینترنت اشیاء در اشکال مختلفی وجود دارند و طیف وسیعی از طرح‌های سخت‌افزاری و نرم‌افزاری را ایجاد می‌کنند.

مقیاس: میلیاردها دستگاه اینترنت اشیاء در حال حاضر در حال استفاده هستند.

اتصال متقابل: شبکه ها در هر زمان و هر مکان قابل دسترسی هستند.

نزدیکی: شبکه‌های موقت ممکن است در ارتباطات کوتاه برد به دستگاه‌های محلی متکی باشند.

تأخیر: برنامه‌های حساس مانند دستگاه‌های جراحی، تولید خط مونتاژ و نظارت بر ترافیک نیاز به ارتباطات بسیار مطمئن و با تأخیر کم دارند.

هزینه: بیشتر دستگاه ها باید کم‌هزینه و کم‌مصرف باشند.

ساختار : آسیب پذیری در برابر حملات انکار سرویس توزیع شده DDoS در یک شبکه اینترنت اشیاء بزرگ و خودسازمان یافته افزایش می‌یابد.

پیکربندی پویا : از آنجایی که دستگاه ها به طور مداوم حذف و اضافه می شوند، پیکربندی مجدد شبکه باید قابل تطبیق باشد.

حریم خصوصی: مصرف‌کننده و داده‌های اختصاصی باید محافظت شوند، به ویژه در برنامه های مراقبت های بهداشتی.

هوشمندی: برای بسیاری از کاربردهای اینترنت اشیا، تصمیمات پیچیده باید در زمان واقعی گرفته شود.

اگرچه بسیاری از نقاط دسترسی به اینترنت چندین مورد از این نقاط دردناک را به اشتراک می‌گذارند، محدودیت‌های دستگاه‌های اینترنت اشیاء و پیچیدگی محیطی که در آن کار می‌کنند، بسیاری از این نگرانی‌ها را فراتر از محدوده قابلیت‌های امنیتی مرسوم تشدید می‌کند.

یادگیری ماشینی چیست؟

یادگیری ماشینی (ML) بسیاری از تکنیک های مدل سازی مرتبط با هوش مصنوعی را در بر می‌گیرد. با استفاده از آمار، مدل‌های ML می‌توانند نتایج را از هر مجموعه داده دیجیتالی با شناسایی ویژگی‌های مهم پیش‌بینی کنند. این مدل ها را می‌توان بر روی مجموعه داده های عظیم و پیچیده آموزش داد. آنها همچنین می توانند به طور خودکار به بهبود خود ادامه دهند، بدون به روز رسانی نرم افزار یا نظارت. نمونه‌های کلاسیک برنامه‌های ML شامل پردازش دستورات صوتی، مانند سیری یا الکسا، یا جستجو در تصاویر برای ویژگی‌هایی مانند چهره‌های خاص یا حیوانات خاص است. در جایی که بسیاری از الگوریتم‌های جستجوی مبتنی بر متن با شکست مواجه می‌شوند. ML می‌تواند الگوهای نامتعارف را در پیکسل‌ها و واج‌ها برای یافتن معنا جدا کند.

چگونه یادگیری ماشینی می تواند امنیت سایبری را بهبود بخشد؟

ML می‌تواند به سرعت مدل‌ها را با پارامترهای متغیر تطبیق دهد و سیستم‌های امنیتی اینترنت اشیاء را قادر می‌سازد تا تنظیمات بلادرنگ را در محیط‌های در حال تغییر انجام دهند. رهبران فناوری، ML را در شیوه‌های عمومی امنیت سایبری اعمال کرده‌اند. Google از ML برای محافظت از سیستم‌های Android استفاده می‌کند و اپل از ML برای ایمن کردن تلفن شما با تشخیص چهره استفاده می‌کند. ML همچنین ثابت کرده است که می تواند کدهای مخرب را در برنامه ها و نرم افزارها شناسایی کند.

ML هم در مواردی که نوع حمله مشخص است و هم در مواردی که نوعی حمله ناشناخته است می‌تواند کمک کند. برای حملات شناخته شده، ML می‌تواند با یادگیری الگوهایی از نمونه های حمله، پیش بینی کند که آیا رویدادهای خاص بخشی از یک حمله هستند یا خیر. برای رویارویی با حملات روزانه و گسترده مانند Distributed Denial of Service (DDoS)، مدل‌های ML ایجاد شده‌اند که می‌توانند حملات DDoS را با دقت 99.9% پیش‌بینی کنند.

با این حال، برخی از خطرات تا لحظه وقوع ناشناخته هستند. در یک حمله اولیه، یک سیستم دیجیتال از طریق یک آسیب پذیری ناشناخته قبلی مورد سوء استفاده قرار می‌گیرد.

بعد چه می شود؟

ML ارزش خود را برای برنامه های عمومی امنیت سایبری ثابت کرده است و برای رسیدگی به بسیاری از نگرانی های خاص اینترنت اشیاء مناسب است. با توجه به زمان پاسخ‌دهی سریع و انعطاف‌پذیری این سیستم‌های مبتنی بر ML، آنها برای متعادل کردن بسیاری از آسیب‌پذیری‌های شبکه‌های اینترنت اشیاء مجهز شده‌اند. در پشت تحقیقات ML برای انواع کاربردها، شتاب زیادی وجود دارد و نکات امیدوارکننده‌ای وجود دارد که ارزش ML را به عنوان یک فناوری در حال ظهور نشان می‌دهد.