Ako je plan da internet stvari uspe, svaki povezani uređaj – od samovozećeg kamiona do maleckog Bluetooth odaašiljača – mora da bude sposoban da se brani od nepoznatog. Kao što smo videli sa Mirai mrežom botova 2016. godine, jedan kompromitovan uređaj može neverovatnom brzinom da preraste u hiljade ranjivih uređaja.
„Kao što su se rimski imperatori oslanjali na probače hrane ih zaštite… tako će mašinsko učenje preuzeti ovu ulogu u bezbednosti smartfona“
A opet, bez obzira na to koliko vremena i novca uložite u obezbeđivanje vaših projekata, bagovi se dešavaju ,a napadi na nezaštićene uređaje neće nigde otići još neko vreme. Danas imamo otprilike 8 milijardi povezanih uređaja: kako trka u okviru interneta stvari bude izbacivala nove milijarde uređaja na tržište, biće neminovno da će se učestalost i jačina napada povećati.
Pitanje poverenja sada se pomera od toga da li ranjivosti postoje ka tome koliko brzo kompanija može da sanira ranjivost pre nego što je neko zloupotrebi. Kompanije kao što su Google, Facebook i Uber nude velike novce moralnim hakerima: 2016. godine, Googleov program za nagrađivanje otkrivanja ranjivosti je isplatio 3 miliona dolara za legitimna otkrića svojih nezaštićenih zona.
MAŠINSKO UČENJE
Velike nagrade za otkrivanje bezbednosnih pretnji su skupe za poslovanje, i odgovorni dizajneri proizvoda za internet stvari počinju da istražuju potencijal korišćenja veštačke inteligencije da identifikuju ranjivosti koje prethodno nisu videli. Preciznije, u pitanju je mašinsko učenje – jedna grana veštačke inteligencije koja je odgovorna za većinu pametnih stvari koje su današnje mašine u stanju da urade – i to mašinsko učenje se ovde pokazalo veoma korisnim, koncentrišući se na sposobnost kompjutera da prepozna šablone u podacima, uči iz njih i preduzme nešto po tom pitanju.
IT sektor je već ispraksan u korišćenju mašinskog učenja u svoju korist. Značajan resurs za obradu podataka u sklopu centra za podatke omogućava moćnoj veštačkoj inteligenciji da prepoznaje šablone na nivou čitavih sistema. Učeći mašinu da prepoznaje znake upozorenja umesto da prepoznaje napade, mi kreiramo imunološki sistem koji je sposoban da prepozna napade na nezaštićena mesta koji su ranije bili neprepoznatljivi. Ali kako broj uređaja u sklopu interneta stvari bude rastao, tako će ubrzo postati nedovoljno da se mreže nadgledaju s vrha nadole.
Velika većina integrisanih sistema na čipovima (SoC) u sklopu interneta stvari je dizajnirana za rad pri maloj snazi i sa malom energijom, ali čak i ovi sistemi su u stanju da pokrenu osnovne procese mašinskog učenja. Ako računate smartfone u internet stvari, onda imamo najbolji primer. Napravljeni da budu mali i veoma efikasni sa snagom, smartfoni su i pored toga u stanju da omoguće multitasking, reprodukciju multimeijalnih sadržaja i igranje igrica za mobilne telefone.
SMARTFONI KRČE PUT
Smartfoni su idealni za sprovođenje testova za mašinsko učenje na uređajima: snažni grafički procesori kakve danas srećemo u jačim modelima smartfona su u stanju da obavljaju hiljade hardverskih zadataka istovremeno, maksimizirajući propusnost. Mnoge funkcije koje danas koristimo – kao što su računarska fotografija, digitalni asistenti, prepoznavanje govora, predviđanje teksta, prepoznavanje lica – već koriste neku vrstu mašinskog učenja.
Tu je i rastući krug za omogućavanje mašinskog učenja, koji povećava bezbednost putem novih tehnologija kao što su prepoznavanje na osnovu konteksta ili prepoznavanje ponašanja. Očitavanjem podataka sa svog akcelerometra i drugih senzora, vaš smartfon može da nauči puno toga o vama – kako kucate ili prevlačite prstom preko ekrana, kako naginjete svoj telefon kada unosite PIN, vaš puls u stanju mirovanja a čak i vaš način hodanja. Ovi podaci se mogu iskoristiti da se napravi slika o vama, i ako se ta slika drastično promeni, telefon može da primeni dodatne mere bezbednosti.
Uloga mašinskog učenja u bezbednosti mreža takođe raste. Mehanizmi koji prate specifične vektore ponašanja u uređaju (snaga, zadaci, memorija uređaja) i u mreži (protok, saobraćaj, duboka analiza podataka) oslikavaju detaljnu sliku sistema u svom normalnom stanju i u stanju kada je pod napadom. Z9 Mehanizam za detekciju pretnji 
BEZBEDNA osnova
Smartfoni možda prestavljaju plodno tlo za inovacije u oblasti veštačke inteligencije, ali vizija interneta stvari kog obezbeđuje mašinsko učenje zahteva omogućavanje učenja i na najmanjim urežajima koji se nalaze na najdaljim marginama mreže.
Dizajneri uređaja za internet stvari moraju da ustanove nivo inteligencije poteban za njihove uređaje: uvek bi prvo trebalo odraditi analizu vektora opasnosti i uticaja koji oni imaju na biznis. Svaka pristupna tačka zahteva drugačije nivoe percepcije pretnje, zasnovane na balansu snage uređaja za obradu podataka, broja uređaja koji će postojati i vrednosti toga što treba zaštititi.
OPREMANJE ALATIMA
Nezasita potražnja za boljim performansama i nižom latencijom stvara potrebu za boljim hardverom, alatima, softverskim bibliotekama i okvirima neuronskih mreža kao što su
Odličan tekst
zanimljiva objava