I motsetning til hva mange tror, bruker ikke de fleste IoT-enheter på markedet de beste krypteringsmetodene og sikkerhetsprotokollene, og er derfor ikke godt rustet til å avskrekke sikkerhetstrusler. Mange av dem er imidlertid ikke i stand til å oppgradere seg selv, rett og slett fordi de ikke var ment å være veldig sikre i utgangspunktet.
Det er et kjent faktum at uavhengig av deres høye adopsjonsrate på tvers av verden, er mer enn 85 % av verdens IoT-enheter ikke sikre. Ærlig talt er IoT bedre plassert i forretningsverdenen, der enheter er i stand til å forbedre sikkerhets- og pålitelighetsaspekter. Men i forbrukerverdenen, hvor rimelige priser har en høyere posisjon enn sikkerhet, kan produsentene sikkert ikke stole på sikkerhet. Derfor vil mange kommende IoT-enheter i slike situasjoner være mer utsatt for botnett og andre angrep enn noen gang. Heldigvis kan vi løse dette problemet hvis vi bruker analyser og maskinlæring for å forbedre IoT-sikkerheten.
For tiden brukes maskinlæring til å analysere IoT-genererte data for å forbedre brukeropplevelsen og effektiviteten. Den samme teknologien kan brukes til å forbedre IoT-sikkerhetspraksis ved å analysere bruksmønstre og enhetsatferd. Det kan hjelpe deg med å blokkere unormale aktiviteter og potensielle trusler. Heldigvis fokuserer teknologer nå på å tilpasse den mest sårbare IoT-sikkerheten, dvs. hjemme.
Bruk av sky for å sentralisere intelligens
Forskere prøver nå å samle data fra alle endepunkter av IoT-produkter inne i en skyserver. Det vil hjelpe dem å analysere input og oppdage ondsinnet atferd. De vil også kunne se hvilke servere og enheter som kommuniserer med IoT-enheter og dermed oppdage en unormal oppførsel. De kan se etter mistenkelige pakker, villedende nettadresser og ondsinnede nedlastinger.
Bruk av menneskelig hjulpet intelligens med maskinlæring
Maskinlæring kan være nyttig for å utvikle utvidet intelligens for å sikre IoT-enheter En sikkerhet system basert på bare mønstergjenkjenning og maskinlæring vil kun samle informasjon fra eksisterende tilkoblinger, dvs. allerede tilkoblede enheter og nettverk. Alt eksternt vil bli sett på som en trussel. Dermed vil slike systemer utløse falske alarmer nå og da. Den beste måten å redusere det på er å indusere utvidet intelligens (menneskelig intelligens med maskinlæring).
Menneskelig intelligens kan enkelt skille mellom godartede og ondsinnede aktiviteter. Videre menneskefôr rygger kan imiteres i fremtiden for å forhindre falske alarmer. Derfor forbedrer modellen trusseldeteksjonseffektiviteten og reduserer til slutt falske alarmer.
Hjelp fra IoT-atferd
Heldigvis er IoT-enheter kun utformet for å utføre en bestemt rekke funksjoner. Derfor kan en godt balansert blanding av menneskelig intelligens og maskinlæring enkelt oppdage og stoppe ondsinnet atferd.
Bildekilde: wired.com
Modellen består av en liten enhet som enkelt kan installeres i hjemmenettverk, en mobilapplikasjon som lar brukeren administrere enheten, og en skytjeneste som lagrer og analyserer de konsoliderte dataene gjennom maskinlæringsalgoritmer. En slik modell forbedrer sin presisjon over tid så mye som den samler inn informasjon fra enheter og kunder.
Endelig kan maskinlæring alene ikke betraktes som en komplett løsning. Det må kombineres med menneskelig intelligens for å stoppe angrep.
Les: 0
