?摘   要    

物聯網對我們的生活已經產生了巨大的影響，它體現在經濟、商業眾多方面。網絡中的節點通常是資源受限的，因此成為了網絡攻擊的重要目標之一。人們通常利用傳統的加密方法來解決物聯網網絡中的安全隱私問題，然而物聯網節點的特性使得現有的方法無法支撐起整個物聯網網絡的架構，這種現象在一定程度上是由于資源受限以及物聯網設備產生的大量實時數據所導致的。機器學習和深度學習能夠在物聯網設備和網絡中提供智能的解決方法，因此能夠被用來處理眾多的物聯網安全問題。本文系統地回顧了物聯網網絡的安全需求、攻擊向量和當前的安全解決方案，基于現有的解決方案，討論了基于機器學習和深度學習的物聯網安全未來的研究方向。

一、背     景

物聯網是一個通過有線或無線通信技術進行通信的互聯和分布式網絡嵌入式系統，或者也可以說成物理對象或事物的網絡，具有不俗的計算、存儲以及通信能力，通常用于嵌入電子設備（如傳感器和執行器）、軟件和網絡連接，物聯網能夠使這些對象之間收集、處理和交換數據。物聯網所衍生出的產品包括我們日常生活中常用的的智能家居設備，比如智能燈泡、智能適配器、智能電表，更復雜的設備如射頻識別設備、心跳探測器等等。物聯網的遍及帶來了新的挑戰，比如這些設備的管理以及數據量、存儲、通信、計算、安全和隱私等，而物聯網技術商業化的基石是安全的保障以及消費者滿意度。物聯網設備產生的數據量是巨大的，大量的數據可以用于行為的預測和評估。此外，物聯網生成的數據也為當前的數據處理技術創造了另一個方向。因此，為了利用物聯網產生的數據的價值，我們需要新的技術。在這種情況下，機器學習被認為是物聯網設備中提供嵌入式計算最合適的計算方法之一，可以幫助機器和智能設備從生成的數據中推斷出有價值的理論。機器學習已經被用于分類、回歸和密度估計等任務，逐漸擴大到各個領域[1]。 

二、當前挑戰

安全和隱私是物聯網服務應用商業實現的兩個主要因素。當前的互聯網是最容易受到網絡攻擊的場所之一，從簡單的黑客攻擊到企業層面的安全漏洞，這些漏洞對醫療保健和商業等不同行業都產生了巨大的影響，物聯網設備及其操作環境的限制，給應用程序和設備的安全性帶來了挑戰。到目前為止，物聯網領域的安全和隱私問題已經從通信安全、數據安全、隱私、架構安全、身份管理、惡意軟件分析等不同的角度進行了廣泛的研究[2]。

為了成功實現萬物物聯網，分析安全和隱私問題的根源至關重要。準確來說物聯網這個術語已經被從現有技術中拋棄，因此我們有必要知道物聯網的安全挑戰是新的挑戰還是從舊技術繼承。費爾南德斯等人關注了物聯網和傳統設備所面臨的安全問題的異同以及隱私問題，爭論主要軟件、硬件、網絡和應用程序。傳統IT領域的安全問題與物聯網的安全問題之間有著基本的相似之處，然而，物聯網關注的主要問題是資源限制，這降低了物聯網中已有的復雜安全解決方案的適應性。此外，解決物聯網的安全和隱私問題需要進行跨層設計以及優化算法，例如，由于計算能力上的限制，物聯網設備可能需要新型的優化加密和其他算法來應對安全和隱私。 

三、機器學習的應用

機器學習的傳統方法被廣泛用于物聯網的各個方面（如應用程序、服務、架構、協議、數據聚合、資源分配、集群），以及安全性問題，但物聯網是一種大規模部署、提倡智能、健壯和可靠的技術，ML和DL是物聯網中很有前景的應用。此外，ML和DL應用在物聯網中能夠更好地利用所生成的數據，使物聯網系統能夠做出最正確的決策。考慮到我們在現實場景之間的實時交互以及智能設備和物理環境之間的實時交互，DL也可以用于物聯網設備，用以執行復雜的傳感和識別任務，以實現新的應用程序和服務。一些與物聯網安全相關的實際應用如下：

法醫用的人臉識別：姿勢、燈光、遮擋（眼鏡、胡須）、化妝、發型等；

安全加密的字符識別：不同的手寫風格；

惡意代碼識別：識別應用程序和軟件中的惡意代碼。

分布式拒絕服務檢測：通過行為分析檢測對基礎設施的DDoS攻擊[3]；

機器學習有眾多的方法，這里就不一一介紹，相關機器學習方法的圖譜如圖1所示： 

圖1 機器學習方法

四、機器學習在物聯網安全的應用

監督學習算法與標記數據一起工作，并在物聯網中用于頻譜傳感、信道估計、自適應濾波、安全和定位問題，擁有兩種不同類型的方法，在監督機器學習下的分類用于預測和可用數據集的建模，回歸法則用于預測連續的數值變量。而SVM、樸素貝葉斯、隨機森林、決策樹是很少被使用的分類算法。SVM使用一種稱為內核的機制，該機制用于查找兩個獨立類的兩點之間的差異，支持向量機能夠建模非線性決策邊界。然而SVM本質上是內存密集型的，很難決定合適的內核，并且對大型數據集變得難以建模。由于現實世界中所有的輸入特征相互獨立，使得隨機森林算法成為建模現實世界問題的理想模型，隨機森林算法更容易實現，并且能夠自適應可用數據集的大小。與SVM和NB等其他監督算法相比，該算法需要更長的訓練時間，但它的精度更高，預測的時間更短[4]。

RL通過利用不同的階段來學習，并發展主體和環境之間的回報和行動機制。這種行為回報的關系對于解決各種物聯網問題非常有用，因為它不需要大量的訓練數據集。然而，這種方式需要具有狀態轉換函數的基礎，它的計算很簡單，但需要大量的時間來收斂到一個穩定的狀態，這種緩慢的收斂性和對狀態轉換函數或最優策略的基礎是在物聯網動態環境中使用RL算法的關鍵挑戰。

DL依賴于強函數逼近、評估和學習能力，從而為物聯網領域的各方面問題包括安全與隱私問題提供了更有效的解決方案。物聯網設備由于其資源限制，可能無法運行復雜的計算任務，如通信、分析和預測等等，因此，與傳統的理論和技術相比，基于DL的算法具有更好的性能，此外，DNN可以很好地定位和定義任何類型（文本、圖像、音頻）的低維表示。DRL及其變體用于異構物聯網網絡中的認證和DDoS檢測，通常情況下主要用于安全和隱私的DRL算法有：深度確定性策略梯度、連續DQN、優先級體驗重放、深度SARSA等等[5]。 

五、機器學習在物聯網安全應用中的局限性

物聯網流量通常具有其容量、多樣性、速度可變和不確定性等特點。大多數傳統的ML方法在本質上并不能夠高效地管理物聯網數據，因此需要進行大量的修改。此外，物聯網數據中存在固有的不確定性，我們很難消除這些內在的不可預測性。下面，我們將討論在物聯網中使用ML的一些常見限制。

首先是處理能力。機器學習算法本質上具有一些復雜性問題，如內存、計算量和樣本復雜性，此外，傳統的ML方法缺乏可伸縮性，僅限于低維問題。物聯網設備體積小，通常有能量限制，處理能力有限。因此，直接應用傳統的ML方法并不適用于在資源受限的環境中[6]。

其次是數據的管理和分析。無線數據可以從不同的來源生成，包括網絡信息系統、傳感和通信設備。數據是物聯網系統的關鍵，必須進行有效的分析才能從數據中獲得有價值的信息，然而大規模數據管理是一個嚴峻的挑戰。在物聯網網絡中生成的數據在本質上是不同的，它們的類型、格式和語義都不同，因此表現出來的語法和語義具有異質性。語法異構性是指數據類型、文件格式、編碼方案和數據模型的多樣性，而語義異質性是指在數據含義上的差異，這種異構性導致了高效和統一泛化的問題，特別是在大數據的情況下。

六、總結與展望

物聯網的安全和隱私至關重要，在物聯網的商業化中發揮著關鍵作用。傳統的安全和隱私解決方案存在著許多與物聯網動態特性相關的問題。DL和DRL技術可以用來使物聯網設備適應其動態環境，這些方法可以支持自適應學習，也可以通過學習和處理來自周圍環境的統計信息來優化系統的整體性能。這些方法本質上是分布式的，不需要設備和控制器之間的集中通信，然而，ML和DL算法所需的數據集仍然稀缺，因此基于ML和DL的安全解決方案的效率提高仍然是一項艱巨的任務。在本文中，我們從安全和隱私的角度考慮了ML和DL在物聯網中的作用，為后續的發展提供了理論支撐。

參考文獻

[1]  J. Lin, W. Yu, N. Zhang, X. Yang, H. Zhang, and W. Zhao, “A survey on internet of things:  Architecture, enabling technologies, security and privacy, and applications,” IEEE Internet of     Things Journal, vol. 4, pp. 1125–1142, Oct 2017.

[2]  M. Ammar, G. Russello, and B. Crispo, “Internet of things: A survey on the security of iot    frameworks,” Journal of Information Security and Applications, vol. 38, pp. 8 – 27, 2018.

[3]  D. E. Kouicem, A. Bouabdallah, and H. Lakhlef, “Internet of things security: A top-down     survey,” Computer Networks, vol. 141, pp. 199

– 221, 2018.

[4]  M. binti Mohamad Noor and W. H. Hassan, “Current research on internet of things (iot)        security: A survey,” Computer Networks, vol. 148, pp. 283 – 294, 2019.

[5]  M. Mohammadi, A. Al-Fuqaha, S. Sorour, and M. Guizani, “Deep learning for iot big data    and streaming analytics: A survey,” IEEE Communications Surveys Tutorials, vol. 20, pp.     2923–2960, Fourthquarter 2018.

[6]  T. Wang, C.-K. Wen, H. Wang, F. Gao, T. Jiang, and S. Jin, “Deep Learning for Wireless     Physical Layer:Opportunities and Challenges,” IEEE China Communication, vol. 14, pp.     92–111, October 2017.