반대 통념에 따르면 시장에 나와 있는 대부분의 IoT 장치는 최고의 암호화 방법과 보안 프로토콜을 사용하지 않기 때문에 보안 위협을 방지할 수 있는 장비가 충분하지 않습니다. 그러나 그들 중 다수는 처음부터 매우 안전하지 않았기 때문에 자체적으로 업그레이드할 수 없습니다.
전 세계적으로 높은 채택률에도 불구하고 전 세계 IoT 장치의 85% 이상이 안전하지 않다는 것은 알려진 사실입니다. 솔직히 말해서 IoT는 장치가 보안 및 안정성 측면을 개선할 수 있는 비즈니스 기업의 세계에 더 적합합니다. 그러나 경제성이 보안보다 더 높은 위치를 차지하는 소비자 세계에서 제조업체는 확실히 보안을 신뢰할 수 없습니다. 따라서 이러한 상황에서 앞으로 출시될 많은 IoT 장치는 그 어느 때보다 봇넷 및 기타 공격에 취약해질 것입니다. 고맙게도 IoT 보안을 개선하는 데 분석 및 기계 학습을 사용하면 이 문제를 해결할 수 있습니다.
현재 기계 학습은 사용자 경험과 효율성을 향상시키기 위해 IoT에서 생성된 데이터를 분석하는 데 사용됩니다. 동일한 기술을 사용하여 사용 패턴과 장치 동작을 분석하여 IoT 보안 관행을 개선할 수 있습니다. 비정상적인 활동과 잠재적인 위협을 차단하는 데 도움이 될 수 있습니다. 다행스럽게도 기술자들은 이제 집에서 가장 취약한 IoT 보안을 조정하는 데 집중하고 있습니다.
클라우드를 사용하여 인텔리전스 중앙 집중화
과학자들은 이제 클라우드 서버 내 IoT 제품의 모든 엔드포인트에서 데이터를 집계하려고 합니다. 입력을 분석하고 악의적인 동작을 감지하는 데 도움이 됩니다. 또한 어떤 서버와 장치가 IoT 장치와 통신하는지 확인하여 비정상적인 동작을 발견할 수 있습니다. 그들은 의심스러운 패킷, 잘못된 URL 및 악성 다운로드를 확인할 수 있습니다.
머신 러닝에 인간 보조 지능 사용
IoT 장치를 보호하기 위해 증강 지능을 개발하는 데 기계 학습이 도움이 될 수 있습니다. 패턴 인식 및 기계 학습에 기반한 보안 시스템은 기존 연결, 즉 이미 연결된 장치 및 네트워크에서만 정보를 수집합니다. . 외부의 모든 것은 위협으로 간주됩니다. 따라서 이러한 시스템은 때때로 잘못된 경보를 트리거합니다. 이를 완화하는 가장 좋은 방법은 증강 지능(기계 학습을 통한 인간 지능)을 유도하는 것입니다.
인간 지능은 양성 활동과 악의적 활동을 쉽게 구분할 수 있습니다. 또한 잘못된 경보를 방지하기 위해 인간의 피드백을 모방할 수 있습니다. 따라서 이 모델은 위협 탐지 효율성을 향상시키고 결과적으로 오경보를 줄입니다.
IoT 행동의 도움
다행히도 IoT 장치는 특정 범위의 기능만 수행하도록 설계되었습니다. 따라서 인간 지능과 기계 학습의 균형 잡힌 조합을 통해 악의적인 행동을 쉽게 감지하고 중지할 수 있습니다.
이미지 출처: wired.com
이 모델은 홈 네트워크에 쉽게 설치할 수 있는 소형 디바이스, 사용자가 디바이스를 관리할 수 있는 모바일 애플리케이션, 머신러닝 알고리즘을 통해 통합된 데이터를 저장하고 분석하는 클라우드 서비스로 구성됩니다. 이러한 모델은 기기와 고객으로부터 정보를 수집하는 만큼 시간이 지남에 따라 정확도가 향상됩니다.
마침내 기계 학습만으로는 완전한 솔루션이 될 수 없습니다. 공격을 막으려면 인간 지능과 결합해야 합니다.