Tvärtemot vad många tror använder de flesta IoT-enheter på marknaden inte de bästa krypteringsmetoderna och säkerhetsprotokollen, och är därför inte väl rustade för att avskräcka säkerhetshot. Men många av dem är oförmögna att uppgradera sig själva, helt enkelt för att de inte var avsedda att vara särskilt säkra i första hand.
Det är ett känt faktum att, oavsett deras höga adoptionsgrad över hela världen. världen är mer än 85 % av världens IoT-enheter inte säkra. Uppriktigt sagt är IoT bättre placerad i företagsvärlden, där enheter kan förbättra säkerhets- och tillförlitlighetsaspekter. Men i konsumentvärlden, där överkomliga priser har en högre position än säkerhet, kan tillverkare definitivt inte lita på säkerhet. Därför kommer många kommande IoT-enheter i sådana situationer att vara mer benägna för botnät och andra attacker än någonsin. Tack och lov kan vi lösa detta problem om vi använder analyser och maskininlärning för att förbättra IoT-säkerheten.
För närvarande används maskininlärning för att analysera IoT-genererad data för att förbättra användarupplevelsen och effektiviteten. Samma teknik kan användas för att förbättra IoT-säkerhetspraxis genom att analysera användningsmönster och enhetsbeteende. Det kan hjälpa dig att blockera onormala aktiviteter och potentiella hot. Glädjande är att teknologer nu fokuserar på att justera den mest sårbara IoT-säkerheten, dvs. hemma.
Använda molnet för att centralisera intelligens
Forskare försöker nu samla data från alla slutpunkter för IoT-produkter inuti en molnserver. Det kommer att hjälpa dem att analysera indata och upptäcka skadligt beteende. De kommer också att kunna se vilka servrar och enheter som kommunicerar med IoT-enheter och därmed upptäcka ett onormalt beteende. De kan leta efter misstänkta paket, vilseledande webbadresser och skadliga nedladdningar.
Använda Human-Aided Intelligence With Machine Learning
Machine learning kan vara fördelaktigt för att utveckla Augmented Intelligence för att säkra IoT-enheter En säkerhet system baserat på bara mönsterigenkänning och maskininlärning kommer endast att samla in information från befintliga anslutningar, dvs redan anslutna enheter och nätverk. Allt externt kommer att ses som ett hot. Således kommer sådana system att utlösa falsklarm då och då. Det bästa sättet att mildra det är att inducera förstärkt intelligens (mänsklig intelligens med maskininlärning).
Mänsklig intelligens kan lätt skilja mellan godartade och skadliga aktiviteter. Vidare människofoder ryggar kan imiteras i framtiden för att förhindra falsklarm. Därför förbättrar modellen effektiviteten för upptäckt av hot och minskar så småningom falska larm.
Hjälp från IoT-beteende
Lyckligtvis är IoT-enheter endast utformade för att utföra ett visst antal funktioner. Därför kan en välbalanserad blandning av mänsklig intelligens och maskininlärning enkelt upptäcka och stoppa ett skadligt beteende.
Bildkälla: wired.com
Modellen består av en liten enhet som enkelt kan installeras i hemnätverk, en mobilapplikation som tillåter användaren att hantera enheten och en molntjänst som lagrar och analyserar den konsoliderade datan genom maskininlärningsalgoritmer. En sådan modell förbättrar sin precision över tiden lika mycket som den samlar in information från enheter och kunder.
Äntligen kan maskininlärning inte betraktas som en komplett lösning. Det måste kombineras med mänsklig intelligens för att stoppa attacker.
Läs: 0
