نقشه سایت

مروری بر روش های یادگیری ماشین و یادگیری عمیق برای امنیت اینترنت اشیا (IoT)

اینترنت اشیا (IoT) میلیون ها دستگاه هوشمند را ادغام می کند که می توانند با حداقل مداخله انسانی با یکدیگر ارتباط برقرار کنند. اینترنت اشیا یکی از زمینه های در حال توسعه با سرعت روزافزون در تاریخ محاسبات با براورد 50 میلیارد دستگاه تا پایان سال 2020 است. از طرفی، تکنولوژی های IoT نقش مهمی در تقویت کاربردهای هوشمند واقعی متعددی ایفا می کنند که می توانند کیفیت زندگی را بهبود دهند. از طرف دیگر، ماهیت متقاطع سیستم های IoT و مولفه های چندرشته ای موجود در گسترش چنین سیستم ها منجر به چالش های امنیتی جدیدی شده اند. پیاده سازی ارزیابی های امنیتی از جمله رمزگذاری، احراز هویت، کنترل دسترسی، امنیت شبکه و امنیت برنامه کاربردی برای دستگاه های IoT و آسیب پذیری های ذاتی آنها بی اثر می باشد. از این رو، روش های امنیتی موجود باید به منظور امن سازی موثر اکوسیستم IoT تقویت شوند. یادگیری ماشین و یادگیری عمیق (ML/DL) در طول چند سال گذشته بطور قابل توجهی پیشرفت کرده اند و هوشمندی ماشین از کنجکاوی آزمایشگاهی به ماشین آلات عملی در کاربردهای مهم متعدد تغییر یافته است. قابلیت نظارت هوشمند دستگاه های IoT، راه حل مهمی برای حملات جدید فراهم می سازد. ML/DL، روش قدرتمند کاوش داده ها برای یادگیری در مورد رفتار عادی و غیرعادی با توجه به نحوه ی عملکرد مولفه ها و دستگاه های IoT در محیط IoT به شمار می رود. در نتیجه، روش های ML/DL در تغییر امنیت سیستم های IoT از تنها مجهزسازی ارتباطات امن بین دستگاه ها تا سیستم های هوشمند مبتنی بر امنیت حائز اهمیت می باشند. هدف این تحقیق، ارائه ی مرور جامعی بر روش های ML و پیشرفت های اخیر در روش های DL است که می توانند برای توسعه ی روش های امنیت تقویت شده برای سیستم های IoT مورد استفاده قرار گیرند. تهدیدات امنیت IoT که با تهدیدات موجود یا جدیدا معرفی شده در ارتباطات هستند، ارائه می شوند و سطوح حمله سیستم IoT بالقوه متعدد و همچنین تهدیدات احتمالی مربوط به هر سطح مورد بحث و بررسی قرار می گیرند. سپس، بطور کامل به بررسی روش های ML/DL برای امنیت IoT پرداخته و فرصت ها، مزایا و معایب هر روش را ارائه می کنیم. علاوه بر این در مورد فرصت ها و چالش های موجود در استفاده از ML/DL برای امنیت IoT بحث می کنیم. این فرصت ها و چالش ها به عنوان مسیرهای پژوهشی آتی بالقوه مطرح می شوند.

 

کلمات کلیدی: یادگیری عمیق، یادگیری ماشین، امنیت اینترنت اشیا، هوشمندی مبتنی بر امنیت، کلان داده IoT.

 

A Survey of Machine and Deep Learning Methods for Internet of Things (IoT) Security

Abstract

The Internet of Things (IoT) integrates billions of smart devices that can communicate with one another with minimal human intervention. It is one of the fastest developing fields in the history of computing, with an estimated 50 billion devices by the end of 2020. On the one hand, IoT technologies play a crucial role in enhancing several real-life smart applications that can improve life quality. On the other hand, the crosscutting nature of IoT systems and the multidisciplinary components involved in the deployment of such systems have introduced new security challenges. Implementing security measures, such as encryption, authentication, access control, network security and application security, for IoT devices and their inherent vulnerabilities is ineffective. Therefore, existing security methods should be enhanced to secure the IoT ecosystem effectively. Machine learning and deep learning (ML/DL) have advanced considerably over the last few years, and machine intelligence has transitioned from laboratory curiosity to practical machinery in several important applications. The ability to monitor IoT devices intelligently provides a significant solution to new or zero-day attacks. ML/DL are powerful methods of data exploration for learning about ‘normal’ and ‘abnormal’ behaviour according to how IoT components and devices perform within the IoT environment. Consequently, ML/DL methods are important in transforming the security of IoT systems from merely facilitating secure communication between devices to security-based intelligence systems. The goal of this work is to provide a comprehensive survey of ML methods and recent advances in DL methods that can be used to develop enhanced security methods for IoT systems. IoT security threats that are related to inherent or newly introduced threats are presented, and various potential IoT system attack surfaces and the possible threats related to each surface are discussed. We then thoroughly review ML/DL methods for IoT security and present the opportunities, advantages and shortcomings of each method. We discuss the opportunities and challenges involved in applying ML/DL to IoT security. These opportunities and challenges can serve as potential future research directions.

Index Terms— Deep Learning, Machine Learning, Internet of Things Security, Security based Intelligence, IoT Big Data

تماس با ما

  • آدرس: تبریز، میدان دانشسرا، خایابان خاقانی، پاساژ خاقانی، پلاک 119
  • تلفن تماس: 35250068-041
  • فکس: 35250069-041
  • این آدرس ایمیل توسط spambots حفاظت می شود. برای دیدن شما نیاز به جاوا اسکریپت دارید
  • موبایل: 09141077352

طلا ترجمه

وب سایت طلا ترجمه از  سال  1385 شروع به کار نموده است  و تا کنون بیش از ده هزار ترجمه در رشته ها و زمینه های مختلف توسط متخصصین این مرکز انجام  شده  است.طلا ترجمه اولین وب‌سایت ایرانی است که امکان محاسبه آنلاین مبلغ ترجمه را به دو روش مختلف فراهم نموده است تا بتواند گامی موثر در راحتی شما مشتریان عزیز بردارد.

دیکشنری تصویری

ارسال سریع پیام

  1. لطفا نام و نام خانوادگی خود را وارد نمایید.
  2. لطفا آدرس پست الکترونیکی خود را صحیح وارد نمایید.
  3. لطفا موضوع پیام ارسالی خود را بنویسید.
  4. لطفا متن پیام خود را تکمیل نمایید.
Top
We use cookies to improve our website. By continuing to use this website, you are giving consent to cookies being used. Cookie policy. I accept cookies from this site. Agree