相关实验视频
Updated: May 17, 2025
08:15
Data Communication Based on MQTT in a Polymer Extrusion Process
Published on: July 15, 2022
3.4K
机器学习增强的基于属性的身份验证,用于安全的物联网访问控制
Jibran Saleem1, Umar Raza1, Mohammad Hammoudeh2
1Department of Engineering, Faculty of Science and Engineering, Manchester Metropolitan University, Manchester M1 5GD, UK.
Sensors (Basel, Switzerland)
|May 14, 2025
概括
本研究介绍了用于安全物联网 (IoT) 认证的SmartIoT混合机器学习 (ML) 模型. 它通过使用基于属性的方法和ML异常检测来提高工业4.0环境中的安全性和效率.
科学领域:
- 计算机科学 计算机科学
- 网络安全 网络安全
- 机器学习 机器学习
背景情况:
- 物联网 (IoT) 设备的快速增长需要先进的身份验证.
- 传统系统在像工业4.0这样的资源有限的环境中,在平衡安全,隐私和效率方面面临挑战.
- 现有的解决方案往往难以处理计算开销和保护敏感信息.
研究的目的:
- 介绍SmartIoT混合机器学习 (ML) 模型,用于增强物联网身份验证.
- 为了提高安全性,并最大限度地减少认证机制中的计算开销.
- 为低功耗物联网设备和工业4.0应用提供适合的解决方案.
主要方法:
- 整合基于属性的身份验证与轻量级机器学习算法.
- 利用随机森林分类器,根据用户属性,登录模式和行为分析实时检测异常.
- 整合保护隐私的基于属性的凭证和基于属性的签名.
主要成果:
- 实现了86%的认证准确度,88%的精度和96%的回忆.
- 平均响应时间为112ms,适合低功耗物联网设备.
- 在实验评估中显著超过现有解决方案.
结论:
- 智能物联网混合ML模型为物联网身份验证提供了增强的安全性,隐私性和计算效率.
- 该模型表现出强大的安全弹性,效率和适应现实应用的适应性.
- 它为保护关键部门和工业4.0环境提供了可行的解决方案.
