امنیت اینترنت اشیاء در عصر مدل های زبانی: بزرگ فرصت ها، تهدیدات و چالش های پیش رو

گسترش اینترنت اشیاء در سال های اخیر امنیت شبکه ها را با چالش های تازه ای روبه رو کرده است. دستگاه های متصل به دلیل محدودیت منابع و ناهمگونی اهداف، آسانی برای مهاجمان محسوب می شوند و روش های سنتی تشخیص نفوذ، از جمله رویکردهای مبتنی بر امضا و مدل های کلاسیک یادگیری ماشین، در برابر حملات پیچیده و روز صفر کارایی خود را از دست داده اند. در این میان مدل های زبانی بزرگ با توانایی هایی مانند درک زبان طبیعی، استدلال چند مرحله ای و یادگیری درون متن به عنوان راهکاری نوین مطرح شده اند. در این مقاله ما با روشی مروری تحلیلی پژوهش های اخیر (۲۰۲۴ تا ۲۰۲۶) را بررسی کرده ایم تا کاربردهای عملی این مدل ها در امنیت اینترنت اشیاء را نشان دهیم. یافته ها حاکی از آن است که این مدل ها در چهار حوزه کلیدی تحول ایجاد کرده اند: تشخیص نفوذ با دقت ۹۸.۲ درصد (مدل SecurityBERT)، تحلیل خودکار لاگ ها و داده های غیرساختاریافته، تشخیص حملات روز-صفر با رویکردهای بازیابی محور، و خودکارسازی امنیت با عامل های هوشمند. با این حال، چالش های جدی نیز وجود دارد: بیش از ۷۲ درصد پژوهش ها امکان اجرای این مدل ها روی دستگاه های لبه را بررسی نکرده اند، ۸۹ درصد رویکردها در برابر حملات رقابتی ارزیابی نشده اند، و ۹۲ درصد اطلاعاتی درباره تاخیر و مصرف انرژی ارائه نداده اند. در پایان، ما راهکارهایی مانند توسعه مدل های سبک وزن، معماری های ترکیبی ابر لبه، یادگیری فدرال و چارچوب های ارزیابی استاندارد را پیشنهاد می کنیم و بر ضرورت حرکت از پژوهش های آزمایشگاهی به استقرار در دنیای واقعی تاکید می نماییم.

کلیدواژه ها:

اینترنت اشیاء ، مدل های زبانی بزرگ ، امنیت سایبری ، تشخیص نفوذ ، یادگیری درون متن ، حملات رقابتی