6、智能物联网中的弹性与异常检测

智能物联网中的弹性与异常检测

1. 引言

在公共互联网上部署新系统时，它们会面临各种意外和蓄意的威胁。具备弹性的智能系统能够安全地应对这些威胁，并迅速恢复正常服务。自我修复系统更是更进一步，不仅能恢复正常行为，还能解决导致故障行为的漏洞。

由于物联网（IoT）系统与众多不同系统共享公共互联网，新的威胁频繁且不可预测地出现。因此，对于任何需要可靠运行的新型智能物联网系统来说，弹性至关重要，而异常检测则是实现弹性的关键。

基于机器学习的异常检测有潜力识别以前从未遇到过的新事件类型，这使其特别适合物联网系统。然而，获取用于训练和评估机器学习系统的有用数据可能会有问题。SDL - 2010、MSC 与 ASN.1 共同构成的 SDL +，凭借其成熟的建模和仿真工具，为新的智能互联系统的异常检测提供了极具前景的训练数据来源。

2. 异常检测

异常检测是指识别数据中意外的模式，它在许多领域都有应用，包括检测网络计算机系统中可能表明安全违规的行为。随着物联网的出现，智能系统容易受到各种意外和蓄意威胁，异常检测变得尤为重要。

检测分布式系统中异常的技术包括统计方法、支持向量机、贝叶斯网络、神经网络等。基于分类的异常检测使用标记的训练数据来学习区分正常和异常行为，然后将实时数据分类为正常或异常。这种基于机器学习的方法有潜力识别物联网中可能遇到的新类型威胁。然而，获取用于训练和后续评估的数据集可能是一个重大挑战。

为了应对这一挑战，一些数据集已公开用于入侵检测评估，例如著名的 DARPA 入侵检测数据集。公共数据集的好处之一是能够比较不同学习和分类算法的相对有效性。但由于新的威胁不断出现，必须用新信息补充现有数据集。