مروری بر مدلهای یادگیری داده محور در امنیت اینترنت اشیاء و چالشهای پیش رو از تشخیص تا واکنش

گسترش روز افزون اینترنت اشیا و همزمانی آن با پیچیده تر شدن حملات سایبری ضرورت بازنگری در رویکردهای سنتی امنیتی را اجتناب ناپذیر ساخته است. روشهای مبتنی بر امضا که سالها ستون فقرات سیستمهای تشخیص نفوذ بودند، در مواجهه با تهدیدات پویا و روز صفر کارایی خود را از دست داده اند. در این مقاله ما کاربرد سه شاخه اصلی از مدلهای یادگیری داده محور شامل یادگیری، ماشین یادگیری عمیق و یادگیری تقویتی را در حوزه امنیت اینترنت اشیاء بررسی کرده ایم. برای این منظور ابتدا به معماری لایه ای اینترنت اشیاء پرداخته ایم و نشان داده ایم که هر لایه از لایه ادراک تا لایه کسب و کار با چه آسیب پذیری های اختصاصی ای مواجه است و سپس حملات رایج در هر یک را طبقه بندی کرده ایم. در ادامه نشان می دهیم که مدلهای یادگیری عمیق چگونه می توانند با تشخیص الگوهای پیچیده حملات پیشرفته را شناسایی کنند؛ یادگیری تقویتی چگونه امکان دفاع تطبیق پذیر را فراهم می آورد. برای نمونه چارچوب DO-IoT موفق شده نرخ حملات را تا ۱۳.۷ درصد کاهش دهد و یادگیری فدرال چگونه با حفظ حریم خصوصی امکان آموزش مدلهای امنیتی در شبکه های مقیاس پذیر را میسر می سازد. با این حال پژوهش ما نشان می دهد که این رویکردها با چالشهای جدی ای روبه رو هستند از کیفیت نامناسب مجموعه داده ها و محدودیت منابع در دستگاه های لبه ای گرفته تا حملات رقابتی که خود مدل ها را هدف قرار می دهند و نبود یکپارچگی میان تشخیص حمله و واکنش به آن. در پایان بر ضرورت توسعه مجموعه داده های واقع گرایانه، طراحی معماری های سبک وزن و حرکت به سمت سیستم هایی تاکید می کنیم که بتوانند همزمان به تشخیص، واکنش و بازیابی بپردازند. به نظر می رسد همگرایی یادگیری داده محور با فناوری هایی چون شبکه های G۵، رایانش لبه ای و بلاکچین مسیر امیدوارکننده ای را برای نسل بعدی سیستم های امنیتی هوشمند و خودمختار در اینترنت اشیاء ترسیم می کند.

کلیدواژه ها:

اینترنت اشیاء ، امنیت سایبری ، یادگیری داده محور ، تشخیص نفوذ ، حملات رقابتی