Entgegen der landläufigen Meinung nutzen die meisten IoT-Geräte auf dem Markt nicht die besten Verschlüsselungsmethoden und Sicherheitsprotokolle und sind daher nicht gut gerüstet, um Sicherheitsbedrohungen abzuwehren. Viele von ihnen sind jedoch nicht in der Lage, sich selbst zu aktualisieren, einfach weil sie von vornherein nicht besonders sicher sein sollten.
Es ist eine bekannte Tatsache, dass, ungeachtet ihrer hohen Akzeptanzrate überall auf der Welt Weltweit sind mehr als 85 % aller IoT-Geräte nicht sicher. Ehrlich gesagt ist das IoT in der Welt der Unternehmen besser aufgestellt, wo Geräte in der Lage sind, Sicherheits- und Zuverlässigkeitsaspekte zu verbessern. Aber in der Verbraucherwelt, wo Erschwinglichkeit einen höheren Stellenwert einnimmt als Sicherheit, kann man den Herstellern mit Sicherheit nicht vertrauen, wenn es um Sicherheit geht. Daher werden viele zukünftige IoT-Geräte in solchen Situationen anfälliger für Botnets und andere Angriffe sein als je zuvor. Glücklicherweise können wir dieses Problem lösen, wenn wir Analysen und maschinelles Lernen zur Verbesserung der IoT-Sicherheit einsetzen.
Derzeit wird maschinelles Lernen zur Analyse von IoT-generierten Daten verwendet, um die Benutzererfahrung und Effizienz zu verbessern. Dieselbe Technologie kann verwendet werden, um IoT-Sicherheitspraktiken durch die Analyse von Nutzungsmustern und Geräteverhalten zu verbessern. Es kann Ihnen helfen, ungewöhnliche Aktivitäten und potenzielle Bedrohungen zu blockieren. Gerne konzentrieren sich Technologen jetzt darauf, die anfälligste IoT-Sicherheit zu optimieren, nämlich zu Hause.
Nutzung der Cloud zur Zentralisierung von Intelligenz
Wissenschaftler versuchen jetzt, Daten von allen Endpunkten interner IoT-Produkte zu aggregieren ein Cloud-Server. Es hilft ihnen, Eingaben zu analysieren und bösartiges Verhalten zu erkennen. Sie können auch erkennen, welche Server und Geräte mit IoT-Geräten kommunizieren, und so ein abnormales Verhalten erkennen. Sie können nach verdächtigen Paketen, irreführenden URLs und bösartigen Downloads suchen.
Verwendung von menschlich unterstützter Intelligenz mit maschinellem Lernen
Maschinelles Lernen kann bei der Entwicklung von Augmented Intelligence zur Absicherung von IoT-Geräten hilfreich sein Ein System, das nur auf Mustererkennung und maschinellem Lernen basiert, sammelt nur Informationen von bestehenden Verbindungen, d. h. bereits verbundenen Geräten und Netzwerken. Alles Äußere wird als Bedrohung angesehen. Daher lösen solche Systeme hin und wieder Fehlalarme aus. Der beste Weg, dies zu mildern, ist die Einführung von erweiterter Intelligenz (menschliche Intelligenz mit maschinellem Lernen).
Menschliche Intelligenz kann leicht zwischen harmlosen und böswilligen Aktivitäten unterscheiden. Außerdem Menschenfutter Rückseiten können künftig nachgeahmt werden, um Fehlalarmen vorzubeugen. Daher verbessert das Modell die Effizienz der Bedrohungserkennung und verringert letztendlich Fehlalarme.
Hilfe durch IoT-Verhalten
Glücklicherweise sind IoT-Geräte nur für die Ausführung eines bestimmten Funktionsumfangs konzipiert. Daher kann eine ausgewogene Mischung aus menschlicher Intelligenz und maschinellem Lernen ein bösartiges Verhalten leicht erkennen und stoppen.
Bildquelle: wired.com
Das Modell besteht aus einem kleinen Gerät, das einfach in Heimnetzwerken installiert werden kann, einer mobilen Anwendung, die es dem Benutzer ermöglicht, das Gerät zu verwalten, und einem Cloud-Dienst, der die konsolidierten Daten mithilfe von Algorithmen für maschinelles Lernen speichert und analysiert. Ein solches Modell verbessert seine Präzision im Laufe der Zeit, da es Informationen von Geräten und Kunden sammelt.
Letztendlich kann maschinelles Lernen allein nicht als vollständige Lösung betrachtet werden. Es muss mit menschlicher Intelligenz kombiniert werden, um Angriffe zu stoppen.
Lesen: 0
