在物联网启用安全系统中对抗机器学习的路线图
Yasmine Harbi1, Khedidja Medani1,2, Chirihane Gherbi1
1LRSD Laboratory, Ferhat Abbas University Setif-1, Setif 19000, Algeria.
Sensors (Basel, Switzerland)
|August 29, 2024
概括
敌对攻击威胁着物联网 (IoT) 中的机器学习 (ML). 本研究回顾了物联网安全中的对抗性机器学习 (AML),突出了快速渐变签名方法 (FGSM),并建议对抗性训练用于防御.
科学领域:
- 网络安全 网络安全
- 人工智能的人工智能
- 物联网的物联网,就是物联网.
背景情况:
- 机器学习 (ML) 和物联网 (IoT) 在现代数字系统中是至关重要的.
- 机器学习和物联网的整合增强了智能系统,特别是在安全应用中.
- 基于机器学习的物联网系统在模型训练和测试期间面临着对抗性攻击的重大漏洞.
研究的目的:
- 检查对基于ML的物联网系统的对抗性攻击的严重程度和影响.
- 提供对抗性机器学习 (AML) 的全面分类.
- 提出一个系统的文献审查关于AML和物联网安全从2020-2024.
主要方法:
- 对抗式机器学习技术的分类.
- 对物联网安全中的AML最近研究 (2020-2024) 的系统文献综述.
- 分析常见的攻击方法和防御策略.
主要成果:
- 敌对攻击带来了相当大的风险,包括设备故障和数据滥用.
- 快速渐变签名方法 (FGSM) 被认为是最常见的AML攻击技术.
- 敌对训练经常被推作为对抗这些攻击的防御机制.
结论:
- 安全和强大的ML模型对于物联网系统至关重要.
- 需要进一步的研究来解决未解决的问题,并提高基于ML的物联网应用程序的安全性.
- 了解反洗钱威胁对于开发弹性物联网安全解决方案至关重要.
