ตรงกันข้าม ตามความเชื่อที่นิยม อุปกรณ์ IoT ส่วนใหญ่ในตลาดไม่ได้ใช้วิธีการเข้ารหัสและโปรโตคอลความปลอดภัยที่ดีที่สุด ดังนั้นจึงไม่มีความพร้อมที่ดีในการยับยั้งภัยคุกคามด้านความปลอดภัยใดๆ อย่างไรก็ตาม หลายคนไม่สามารถอัปเกรดตัวเองได้ เพียงเพราะว่าพวกเขาไม่ได้ตั้งใจให้มีความปลอดภัยมากนักตั้งแต่แรก
เป็นที่ทราบกันดีอยู่แล้วว่า แม้ว่าจะมีอัตราการนำไปใช้ทั่วโลกสูงเพียงใด อุปกรณ์ IoT กว่า 85% ของโลกก็ไม่ปลอดภัย พูดกันตามตรงแล้ว IoT นั้นอยู่ในโลกขององค์กรธุรกิจที่ดีกว่า ซึ่งอุปกรณ์ต่างๆ สามารถปรับปรุงความปลอดภัยและความน่าเชื่อถือได้ แต่ในโลกของผู้บริโภคที่ราคาย่อมเยามีความสำคัญมากกว่าความปลอดภัย ผู้ผลิตย่อมไม่สามารถไว้วางใจในเรื่องความปลอดภัยได้ ดังนั้นในสถานการณ์เช่นนี้ อุปกรณ์ IoT ที่กำลังจะเกิดขึ้นจำนวนมากจะมีแนวโน้มที่จะถูกบ็อตเน็ตและการโจมตีอื่น ๆ มากกว่าที่เคยเป็นมา โชคดีที่เราสามารถแก้ปัญหานี้ได้หากเราใช้การวิเคราะห์และการเรียนรู้ของเครื่องในการปรับปรุงความปลอดภัยของ IoT
ปัจจุบัน การเรียนรู้ของเครื่องถูกนำมาใช้ในการวิเคราะห์ข้อมูลที่สร้างขึ้นโดย IoT เพื่อปรับปรุงประสบการณ์และประสิทธิภาพของผู้ใช้ เทคโนโลยีเดียวกันนี้สามารถใช้เพื่อปรับปรุงแนวทางปฏิบัติด้านความปลอดภัยของ IoT โดยการวิเคราะห์รูปแบบการใช้งานและพฤติกรรมของอุปกรณ์ สามารถช่วยคุณบล็อกกิจกรรมที่ผิดปกติและภัยคุกคามที่อาจเกิดขึ้นได้ น่ายินดีที่ตอนนี้นักเทคโนโลยีกำลังมุ่งเน้นไปที่การปรับแต่งความปลอดภัยของ IoT ที่เปราะบางที่สุด เช่น ที่บ้าน
การใช้ Cloud เพื่อรวมศูนย์ข่าวกรอง
ขณะนี้นักวิทยาศาสตร์กำลังพยายามรวบรวมข้อมูลจากจุดสิ้นสุดทั้งหมดของผลิตภัณฑ์ IoT ภายในเซิร์ฟเวอร์คลาวด์ มันจะช่วยให้พวกเขาวิเคราะห์อินพุตและตรวจจับพฤติกรรมที่เป็นอันตราย นอกจากนี้ยังสามารถดูได้ว่าเซิร์ฟเวอร์และอุปกรณ์ใดกำลังสื่อสารกับอุปกรณ์ IoT และด้วยเหตุนี้จึงสามารถตรวจจับพฤติกรรมที่ผิดปกติได้ พวกเขาสามารถตรวจสอบแพ็กเก็ตที่น่าสงสัย URL ที่ทำให้เข้าใจผิด และการดาวน์โหลดที่เป็นอันตราย
การใช้ความฉลาดที่มนุษย์ช่วยเหลือด้วยแมชชีนเลิร์นนิง
แมชชีนเลิร์นนิงมีประโยชน์ในการพัฒนา Augmented Intelligence เพื่อรักษาความปลอดภัยอุปกรณ์ IoT ระบบรักษาความปลอดภัยที่ใช้เพียงการจดจำรูปแบบและแมชชีนเลิร์นนิงจะรวบรวมข้อมูลจากการเชื่อมต่อที่มีอยู่เท่านั้น เช่น อุปกรณ์และเครือข่ายที่เชื่อมต่อแล้ว . สิ่งภายนอกจะถูกมองว่าเป็นภัยคุกคาม ดังนั้นระบบดังกล่าวจะกระตุ้นการเตือนที่ผิดพลาดเป็นระยะๆ วิธีที่ดีที่สุดในการลดปัญหานี้คือการกระตุ้นให้เกิดปัญญาเสริม (ความฉลาดของมนุษย์ด้วยการเรียนรู้ของเครื่อง)
สติปัญญาของมนุษย์สามารถแยกความแตกต่างระหว่างกิจกรรมที่ไม่เป็นอันตรายและมุ่งร้ายได้อย่างง่ายดาย นอกจากนี้ ยังสามารถเลียนแบบเสียงตอบรับจากมนุษย์ได้ในอนาคตเพื่อป้องกันการแจ้งเตือนที่ผิดพลาด ดังนั้น โมเดลนี้จึงเพิ่มประสิทธิภาพการตรวจจับภัยคุกคามและลดการเตือนที่ผิดพลาดในที่สุด
ความช่วยเหลือจากพฤติกรรม IoT
โชคดีที่อุปกรณ์ IoT ได้รับการออกแบบมาเพื่อใช้งานฟังก์ชันต่างๆ ที่กำหนดไว้เท่านั้น ดังนั้น การผสมผสานที่ลงตัวระหว่างความฉลาดของมนุษย์และการเรียนรู้ของเครื่องจึงสามารถตรวจจับและหยุดพฤติกรรมที่เป็นอันตรายได้อย่างง่ายดาย
แหล่งที่มาของรูปภาพ: wire.com
โมเดลประกอบด้วยอุปกรณ์ขนาดเล็กที่สามารถติดตั้งได้ง่ายในเครือข่ายภายในบ้าน แอปพลิเคชันมือถือที่อนุญาตให้ผู้ใช้จัดการอุปกรณ์ และบริการคลาวด์ที่จัดเก็บและวิเคราะห์ข้อมูลที่รวบรวมไว้ผ่านอัลกอริทึมการเรียนรู้ของเครื่อง โมเดลดังกล่าวจะปรับปรุงความแม่นยำเมื่อเวลาผ่านไป โดยมากเท่ากับที่รวบรวมข้อมูลจากอุปกรณ์และลูกค้า
ในที่สุด แมชชีนเลิร์นนิงอย่างเดียวไม่สามารถถือเป็นโซลูชันที่สมบูรณ์ได้ จำเป็นต้องรวมเข้ากับสติปัญญาของมนุษย์เพื่อหยุดการโจมตี
