مروری سیستماتیک بر احراز هویت هوشمند در اینترنت اشیا از یادگیری ماشین سنتی تا یادگیری تقویتی عمیق و چالش های پیاده سازی در لبه شبکه

احراز هویت در اینترنت اشیا (IoT) به دلیل محدودیت منابع، تنوع دستگاه ها و پویایی، حملات با چالش جدی مواجه است. روش های رمزنگاری سنتی پاسخگوی مقیاس پذیری و تطبیق پذیری در محیط های پویا نیستند. این مقاله یک مرور سیستماتیک بر روش های هوشمند احراز هویت در اینترنت اشیا شامل یادگیری ماشین سنتی، یادگیری عمیق و به ویژه یادگیری تقویتی (RL) و یادگیری تقویتی عمیق (DRL) ارائه می دهد. مطالعات در سه دسته مبتنی بر ویژگی های، رفتاری، ترافیک شبکه و سیگنال های فیزیکی طبقه بندی شدند. یافته ها نشان می دهد روش های RL/DRL به دلیل یادگیری پویای خط مشی و عدم نیاز به داده برچسب خورده در سناریوهای لبه شبکه عملکرد تطبیقی بهتری دارند. با این حال پیاده سازی روی گره های با حافظه زیر ۲۵۶ کیلوبایت، آسیب پذیری در برابر حملات دشمنانه و نبود مجموعه داده استاندارد مخصوص اینترنت اشیا لبه ای سه چالش اصلی هستند. جدول مقایسه ای شامل دقت، سربار محاسباتی و مقاومت در برابر حملات ارائه شده و پنج شکاف پژوهشی شامل یادگیری تقویتی چندعامله، احراز هویت مبتنی بر ترجیحات انسانی و معماری های درون حافظه معرفی می شود. این مقاله نشان می دهد که رویکردهای ترکیبی (+RL، رمزنگاری سبک و یادگیری فدرال) مسیر آینده احراز هویت هوشمند در اینترنت اشیا خواهند بود.

کلیدواژه ها:

احراز هویت ، اینترنت اشیا ، یادگیری ماشین ، یادگیری تقویتی عمیق ، لبه شبکه ، مرور سیستماتیک