17、物联网安全模型：挑战与解决方案

物联网安全模型：挑战与解决方案

1. 前沿技术应用

在网络安全领域，软件定义网络（SDN）创新与机器学习策略被用于增强网络中断识别框架。同时，也有研究提出了预测城市交通的深度学习模型，运用长短期记忆（LSTM）神经网络来预测数据速率和位置。还有利用区块链方法管理灵活物联网框架的模型，以及识别多接入边缘计算（MEC）与物联网设备之间通信的解决方案。另外，有研究使用人工神经网络（ANN）来识别从入口到边缘设备的异常流量网络。

2. 物联网安全面临的问题与挑战

2.1 时间和内存限制

物联网流式数据具有“大容量”和“高速度”的特点，需要在到达训练模型时及时处理和分析。然而，许多物联网设备成本低、功耗小且计算资源有限，这限制了它们的信息分析速度。此外，物联网设备的存储限制也降低了处理和存储大量物联网信息及复杂学习模型的能力。

2.2 类别不平衡

类别不平衡是物联网环境中数据挖掘的常见问题，即各类别样本数量不一致。传统机器学习策略在这种情况下会忽略少数类样本，影响整体精度。概念漂移和类别不平衡相互影响，当流式数据类别不平衡时，识别少数类中的概念漂移并加以利用非常困难。目前解决该问题的策略可分为基于块和在线两种方法：
- 在线方法 ：对于每个传入的信息样本，更新预测模型并使用漂移标识符监控信息流。若检测到概念漂移，则重置当前预测模型并构建新模型。例如，基于在线装袋和过采样的欠采样（OOB）方法，利用时间延迟图获取信息流不平衡的新比例，并可结合漂移标识符DDM - OCI，但依赖指标的方法存在误报、识别延迟和漏检等问题。
- 基于块的方法