?摘   要    

物聯(lián)網(wǎng)對(duì)我們的生活已經(jīng)產(chǎn)生了巨大的影響，它體現(xiàn)在經(jīng)濟(jì)、商業(yè)眾多方面。網(wǎng)絡(luò)中的節(jié)點(diǎn)通常是資源受限的，因此成為了網(wǎng)絡(luò)攻擊的重要目標(biāo)之一。人們通常利用傳統(tǒng)的加密方法來解決物聯(lián)網(wǎng)網(wǎng)絡(luò)中的安全隱私問題，然而物聯(lián)網(wǎng)節(jié)點(diǎn)的特性使得現(xiàn)有的方法無法支撐起整個(gè)物聯(lián)網(wǎng)網(wǎng)絡(luò)的架構(gòu)，這種現(xiàn)象在一定程度上是由于資源受限以及物聯(lián)網(wǎng)設(shè)備產(chǎn)生的大量實(shí)時(shí)數(shù)據(jù)所導(dǎo)致的。機(jī)器學(xué)習(xí)和深度學(xué)習(xí)能夠在物聯(lián)網(wǎng)設(shè)備和網(wǎng)絡(luò)中提供智能的解決方法，因此能夠被用來處理眾多的物聯(lián)網(wǎng)安全問題。本文系統(tǒng)地回顧了物聯(lián)網(wǎng)網(wǎng)絡(luò)的安全需求、攻擊向量和當(dāng)前的安全解決方案，基于現(xiàn)有的解決方案，討論了基于機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的物聯(lián)網(wǎng)安全未來的研究方向。

一、背     景

物聯(lián)網(wǎng)是一個(gè)通過有線或無線通信技術(shù)進(jìn)行通信的互聯(lián)和分布式網(wǎng)絡(luò)嵌入式系統(tǒng)，或者也可以說成物理對(duì)象或事物的網(wǎng)絡(luò)，具有不俗的計(jì)算、存儲(chǔ)以及通信能力，通常用于嵌入電子設(shè)備（如傳感器和執(zhí)行器）、軟件和網(wǎng)絡(luò)連接，物聯(lián)網(wǎng)能夠使這些對(duì)象之間收集、處理和交換數(shù)據(jù)。物聯(lián)網(wǎng)所衍生出的產(chǎn)品包括我們?nèi)粘Ｉ钪谐Ｓ玫牡闹悄芗揖釉O(shè)備，比如智能燈泡、智能適配器、智能電表，更復(fù)雜的設(shè)備如射頻識(shí)別設(shè)備、心跳探測(cè)器等等。物聯(lián)網(wǎng)的遍及帶來了新的挑戰(zhàn)，比如這些設(shè)備的管理以及數(shù)據(jù)量、存儲(chǔ)、通信、計(jì)算、安全和隱私等，而物聯(lián)網(wǎng)技術(shù)商業(yè)化的基石是安全的保障以及消費(fèi)者滿意度。物聯(lián)網(wǎng)設(shè)備產(chǎn)生的數(shù)據(jù)量是巨大的，大量的數(shù)據(jù)可以用于行為的預(yù)測(cè)和評(píng)估。此外，物聯(lián)網(wǎng)生成的數(shù)據(jù)也為當(dāng)前的數(shù)據(jù)處理技術(shù)創(chuàng)造了另一個(gè)方向。因此，為了利用物聯(lián)網(wǎng)產(chǎn)生的數(shù)據(jù)的價(jià)值，我們需要新的技術(shù)。在這種情況下，機(jī)器學(xué)習(xí)被認(rèn)為是物聯(lián)網(wǎng)設(shè)備中提供嵌入式計(jì)算最合適的計(jì)算方法之一，可以幫助機(jī)器和智能設(shè)備從生成的數(shù)據(jù)中推斷出有價(jià)值的理論。機(jī)器學(xué)習(xí)已經(jīng)被用于分類、回歸和密度估計(jì)等任務(wù)，逐漸擴(kuò)大到各個(gè)領(lǐng)域[1]。 

二、當(dāng)前挑戰(zhàn)

安全和隱私是物聯(lián)網(wǎng)服務(wù)應(yīng)用商業(yè)實(shí)現(xiàn)的兩個(gè)主要因素。當(dāng)前的互聯(lián)網(wǎng)是最容易受到網(wǎng)絡(luò)攻擊的場(chǎng)所之一，從簡(jiǎn)單的黑客攻擊到企業(yè)層面的安全漏洞，這些漏洞對(duì)醫(yī)療保健和商業(yè)等不同行業(yè)都產(chǎn)生了巨大的影響，物聯(lián)網(wǎng)設(shè)備及其操作環(huán)境的限制，給應(yīng)用程序和設(shè)備的安全性帶來了挑戰(zhàn)。到目前為止，物聯(lián)網(wǎng)領(lǐng)域的安全和隱私問題已經(jīng)從通信安全、數(shù)據(jù)安全、隱私、架構(gòu)安全、身份管理、惡意軟件分析等不同的角度進(jìn)行了廣泛的研究[2]。

為了成功實(shí)現(xiàn)萬物物聯(lián)網(wǎng)，分析安全和隱私問題的根源至關(guān)重要。準(zhǔn)確來說物聯(lián)網(wǎng)這個(gè)術(shù)語已經(jīng)被從現(xiàn)有技術(shù)中拋棄，因此我們有必要知道物聯(lián)網(wǎng)的安全挑戰(zhàn)是新的挑戰(zhàn)還是從舊技術(shù)繼承。費(fèi)爾南德斯等人關(guān)注了物聯(lián)網(wǎng)和傳統(tǒng)設(shè)備所面臨的安全問題的異同以及隱私問題，爭(zhēng)論主要軟件、硬件、網(wǎng)絡(luò)和應(yīng)用程序。傳統(tǒng)IT領(lǐng)域的安全問題與物聯(lián)網(wǎng)的安全問題之間有著基本的相似之處，然而，物聯(lián)網(wǎng)關(guān)注的主要問題是資源限制，這降低了物聯(lián)網(wǎng)中已有的復(fù)雜安全解決方案的適應(yīng)性。此外，解決物聯(lián)網(wǎng)的安全和隱私問題需要進(jìn)行跨層設(shè)計(jì)以及優(yōu)化算法，例如，由于計(jì)算能力上的限制，物聯(lián)網(wǎng)設(shè)備可能需要新型的優(yōu)化加密和其他算法來應(yīng)對(duì)安全和隱私。 

三、機(jī)器學(xué)習(xí)的應(yīng)用

機(jī)器學(xué)習(xí)的傳統(tǒng)方法被廣泛用于物聯(lián)網(wǎng)的各個(gè)方面（如應(yīng)用程序、服務(wù)、架構(gòu)、協(xié)議、數(shù)據(jù)聚合、資源分配、集群），以及安全性問題，但物聯(lián)網(wǎng)是一種大規(guī)模部署、提倡智能、健壯和可靠的技術(shù)，ML和DL是物聯(lián)網(wǎng)中很有前景的應(yīng)用。此外，ML和DL應(yīng)用在物聯(lián)網(wǎng)中能夠更好地利用所生成的數(shù)據(jù)，使物聯(lián)網(wǎng)系統(tǒng)能夠做出最正確的決策。考慮到我們?cè)诂F(xiàn)實(shí)場(chǎng)景之間的實(shí)時(shí)交互以及智能設(shè)備和物理環(huán)境之間的實(shí)時(shí)交互，DL也可以用于物聯(lián)網(wǎng)設(shè)備，用以執(zhí)行復(fù)雜的傳感和識(shí)別任務(wù)，以實(shí)現(xiàn)新的應(yīng)用程序和服務(wù)。一些與物聯(lián)網(wǎng)安全相關(guān)的實(shí)際應(yīng)用如下：

法醫(yī)用的人臉識(shí)別：姿勢(shì)、燈光、遮擋（眼鏡、胡須）、化妝、發(fā)型等；

安全加密的字符識(shí)別：不同的手寫風(fēng)格；

惡意代碼識(shí)別：識(shí)別應(yīng)用程序和軟件中的惡意代碼。

分布式拒絕服務(wù)檢測(cè)：通過行為分析檢測(cè)對(duì)基礎(chǔ)設(shè)施的DDoS攻擊[3]；

機(jī)器學(xué)習(xí)有眾多的方法，這里就不一一介紹，相關(guān)機(jī)器學(xué)習(xí)方法的圖譜如圖1所示： 

圖1 機(jī)器學(xué)習(xí)方法

四、機(jī)器學(xué)習(xí)在物聯(lián)網(wǎng)安全的應(yīng)用

監(jiān)督學(xué)習(xí)算法與標(biāo)記數(shù)據(jù)一起工作，并在物聯(lián)網(wǎng)中用于頻譜傳感、信道估計(jì)、自適應(yīng)濾波、安全和定位問題，擁有兩種不同類型的方法，在監(jiān)督機(jī)器學(xué)習(xí)下的分類用于預(yù)測(cè)和可用數(shù)據(jù)集的建模，回歸法則用于預(yù)測(cè)連續(xù)的數(shù)值變量。而SVM、樸素貝葉斯、隨機(jī)森林、決策樹是很少被使用的分類算法。SVM使用一種稱為內(nèi)核的機(jī)制，該機(jī)制用于查找兩個(gè)獨(dú)立類的兩點(diǎn)之間的差異，支持向量機(jī)能夠建模非線性決策邊界。然而SVM本質(zhì)上是內(nèi)存密集型的，很難決定合適的內(nèi)核，并且對(duì)大型數(shù)據(jù)集變得難以建模。由于現(xiàn)實(shí)世界中所有的輸入特征相互獨(dú)立，使得隨機(jī)森林算法成為建?，F(xiàn)實(shí)世界問題的理想模型，隨機(jī)森林算法更容易實(shí)現(xiàn)，并且能夠自適應(yīng)可用數(shù)據(jù)集的大小。與SVM和NB等其他監(jiān)督算法相比，該算法需要更長的訓(xùn)練時(shí)間，但它的精度更高，預(yù)測(cè)的時(shí)間更短[4]。

RL通過利用不同的階段來學(xué)習(xí)，并發(fā)展主體和環(huán)境之間的回報(bào)和行動(dòng)機(jī)制。這種行為回報(bào)的關(guān)系對(duì)于解決各種物聯(lián)網(wǎng)問題非常有用，因?yàn)樗恍枰罅康挠?xùn)練數(shù)據(jù)集。然而，這種方式需要具有狀態(tài)轉(zhuǎn)換函數(shù)的基礎(chǔ)，它的計(jì)算很簡(jiǎn)單，但需要大量的時(shí)間來收斂到一個(gè)穩(wěn)定的狀態(tài)，這種緩慢的收斂性和對(duì)狀態(tài)轉(zhuǎn)換函數(shù)或最優(yōu)策略的基礎(chǔ)是在物聯(lián)網(wǎng)動(dòng)態(tài)環(huán)境中使用RL算法的關(guān)鍵挑戰(zhàn)。

DL依賴于強(qiáng)函數(shù)逼近、評(píng)估和學(xué)習(xí)能力，從而為物聯(lián)網(wǎng)領(lǐng)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(lián)網(wǎng)設(shè)備由于其資源限制，可能無法運(yùn)行復(fù)雜的計(jì)算任務(wù)，如通信、分析和預(yù)測(cè)等等，因此，與傳統(tǒng)的理論和技術(shù)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(gòu)物聯(lián)網(wǎng)網(wǎng)絡(luò)中的認(rèn)證和DDoS檢測(cè)，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(xù)DQN、優(yōu)先級(jí)體驗(yàn)重放、深度SARSA等等[5]。 

五、機(jī)器學(xué)習(xí)在物聯(lián)網(wǎng)安全應(yīng)用中的局限性

物聯(lián)網(wǎng)流量通常具有其容量、多樣性、速度可變和不確定性等特點(diǎn)。大多數(shù)傳統(tǒng)的ML方法在本質(zhì)上并不能夠高效地管理物聯(lián)網(wǎng)數(shù)據(jù)，因此需要進(jìn)行大量的修改。此外，物聯(lián)網(wǎng)數(shù)據(jù)中存在固有的不確定性，我們很難消除這些內(nèi)在的不可預(yù)測(cè)性。下面，我們將討論在物聯(lián)網(wǎng)中使用ML的一些常見限制。

首先是處理能力。機(jī)器學(xué)習(xí)算法本質(zhì)上具有一些復(fù)雜性問題，如內(nèi)存、計(jì)算量和樣本復(fù)雜性，此外，傳統(tǒng)的ML方法缺乏可伸縮性，僅限于低維問題。物聯(lián)網(wǎng)設(shè)備體積小，通常有能量限制，處理能力有限。因此，直接應(yīng)用傳統(tǒng)的ML方法并不適用于在資源受限的環(huán)境中[6]。

其次是數(shù)據(jù)的管理和分析。無線數(shù)據(jù)可以從不同的來源生成，包括網(wǎng)絡(luò)信息系統(tǒng)、傳感和通信設(shè)備。數(shù)據(jù)是物聯(lián)網(wǎng)系統(tǒng)的關(guān)鍵，必須進(jìn)行有效的分析才能從數(shù)據(jù)中獲得有價(jià)值的信息，然而大規(guī)模數(shù)據(jù)管理是一個(gè)嚴(yán)峻的挑戰(zhàn)。在物聯(lián)網(wǎng)網(wǎng)絡(luò)中生成的數(shù)據(jù)在本質(zhì)上是不同的，它們的類型、格式和語義都不同，因此表現(xiàn)出來的語法和語義具有異質(zhì)性。語法異構(gòu)性是指數(shù)據(jù)類型、文件格式、編碼方案和數(shù)據(jù)模型的多樣性，而語義異質(zhì)性是指在數(shù)據(jù)含義上的差異，這種異構(gòu)性導(dǎo)致了高效和統(tǒng)一泛化的問題，特別是在大數(shù)據(jù)的情況下。

六、總結(jié)與展望

物聯(lián)網(wǎng)的安全和隱私至關(guān)重要，在物聯(lián)網(wǎng)的商業(yè)化中發(fā)揮著關(guān)鍵作用。傳統(tǒng)的安全和隱私解決方案存在著許多與物聯(lián)網(wǎng)動(dòng)態(tài)特性相關(guān)的問題。DL和DRL技術(shù)可以用來使物聯(lián)網(wǎng)設(shè)備適應(yīng)其動(dòng)態(tài)環(huán)境，這些方法可以支持自適應(yīng)學(xué)習(xí)，也可以通過學(xué)習(xí)和處理來自周圍環(huán)境的統(tǒng)計(jì)信息來優(yōu)化系統(tǒng)的整體性能。這些方法本質(zhì)上是分布式的，不需要設(shè)備和控制器之間的集中通信，然而，ML和DL算法所需的數(shù)據(jù)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(xiàng)艱巨的任務(wù)。在本文中，我們從安全和隱私的角度考慮了ML和DL在物聯(lián)網(wǎng)中的作用，為后續(xù)的發(fā)展提供了理論支撐。

參考文獻(xiàn)

[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.