Слайд 2Цель: Исследование и анализ аномального трафика в IoT.
Задачи:
Исследование существующих методов по
![Цель: Исследование и анализ аномального трафика в IoT. Задачи: Исследование существующих методов](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/907762/slide-1.jpg)
анализу трафика Интернета вещей.
Исследование систем обнаружения вторжений на основе аномалий.
Выявление эффективных способов по обеспечению информационной безопасности
Выявление возможных НСД
Oбнаружение аномалий на прикладном уровне
Oбнаружение аномалий в маршрутном и транспортном уровнях
Слайд 3Задачи и способности Интернета Вещей:
Обеспечения комфорта человеку
Автоматизация процесса работы;
Мониторинг человеческого здоровья
![Задачи и способности Интернета Вещей: Обеспечения комфорта человеку Автоматизация процесса работы; Мониторинг](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/907762/slide-2.jpg)
Локализация объекта: обнаружение наличия объектов на изображении и указание их местоположение с помощью ограничительной рамки.
Умные и безопасные дома ;
Организация дорожного движения.
Обнаружение объектов: определение наличия у человека
Диспетчеризация и автоматизация съема показаний с приборов учета;
Слайд 4Существующие примеры применения Интернета вещей
Яндекс. Навигатор
Известная в России и в странах ближнего
![Существующие примеры применения Интернета вещей Яндекс. Навигатор Известная в России и в](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/907762/slide-3.jpg)
зарубежья система, есть не что иное, как использование IoT в управлении транспортом. Принцип действия следующий — гаджеты (планшеты, смартфоны) передают в компанию Яндекс направление движения автомобиля, координаты и скорость перемещения.
Вся информация анализируется на сервере и в обработанном виде передается на смартфон водителю, показывая заторы и пути их объезда.
То есть, обмен данными между сервером, приложениями и смартфонами происходит без участия человека и представляет собой пример использования интернет вещей.
Слайд 5Существующие примеры применения Интернета вещей
2. Умный дом
Kитайская компания Xiaomi выпускает ряд устройств
![Существующие примеры применения Интернета вещей 2. Умный дом Kитайская компания Xiaomi выпускает](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/907762/slide-4.jpg)
для умных домов. Это и смарт-электрика (розетки, выключатели, удлинители), и беспроводные контроллеры для управления другими гаджетами, и всевозможные датчики — движения, протечки воды, открывания дверей и окон, температуры, влажности и давления. Для большинства девайсов можно настроить сценарии поведения. К примеру, кнопка Xiaomi Smart Wireless Switch предлагает задать разные действия при одиночном щелчке, двойном или долгом нажатии, а Xiaomi Mi Magic Cube Controller, выполненный в виде кубика, можно повернуть, встряхнуть, постучать или сдвинуть — в зависимости от действия он умеет выполнять шесть команд, которые можно запрограммировать самостоятельно. Кнопка дверного звонка пришлет вам на смартфон сообщение, если кто-то придет к вам в ваше отсутствие, а при наличии камеры — еще и покажет фотографию гостя.
Слайд 6Существующие примеры применения распознавания объектов
2. Одно из подразделений компании General Electric, GE
![Существующие примеры применения распознавания объектов 2. Одно из подразделений компании General Electric,](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/907762/slide-5.jpg)
Renewable Energy, сумело снизить расходы на техническое обслуживание на 10 %, а расходы на внеплановый ремонт — на 20 %, внедрив систему мониторинга данных на своем полевом оборудовании. Филиал занимается выработкой энергии из возобновляемых источников и производит ветрогенераторы, электростанции на солнечной энергии, гидроэлектростанции. Специальные датчики в непрерывном режиме контролируют работу этого оборудования, передавая данные телеметрии в единый центр. При малейших отклонениях в работе специалисты GE готовы оперативно выполнить профилактические работы или срочный ремонт, предотвращая поломку и экономя средства на восстановление техники. Та же телеметрия позволяет предсказывать будущие объемы выработки энергии и планировать, как эффективнее использовать генераторы. Все это снижает эксплуатационные расходы и минимизирует финансовые потери компании.
Датчики температуры, давления, влажности — такие же, как в умных домах — могут использоваться и на предприятиях или складах, где эти показатели важны для технологического процесса или условий хранения. Автоматический климат-контроль поможет предотвратить появление брака и порчу готовой продукции. Электронике можно доверить и отслеживание сроков годности продуктов и товаров на складах. Системы управления могут отключать освещение после того, как последний сотрудник покидает рабочее место, включать охранную сигнализацию и отдавать команду на запуск робота-пылесоса.
Системы физической и кибербезопасности уже сегодня активно используют интернет. Камеры с датчиками движения автоматически включаются, когда в их поле зрения попадают перемещающиеся объекты, и отправляют видеозапись на серверы. Отчеты о событиях и подозрительной активности могут быть моментально направлены на email или смартфоны ответственных лиц.
Слайд 7Существующие примеры применения IoT
3 Tesla.
![Существующие примеры применения IoT 3 Tesla.](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/907762/slide-6.jpg)
Слайд 8 Обнаружение аномалий в инфраструктуре Интернета вещей (IoT) вызывает растущую озабоченность в области
![Обнаружение аномалий в инфраструктуре Интернета вещей (IoT) вызывает растущую озабоченность в области](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/907762/slide-7.jpg)
IT. С расширением использования инфраструктуры Интернета вещей в каждом обласьт человека соразмерно возрастают угрозы и атаки в этих инфраструктурах. Отказ в обслуживании, проверка типа данных, вредоносный контроль, вредоносная операция, сканирование, шпионаж и неправильная установка - это такие атаки и аномалии, которые могут вызвать сбой системы IoT. В этой статье сравниваются характеристики нескольких моделей машинного обучения для точного прогнозирования атак и аномалий в системах Интернета вещей. Здесь использовались алгоритмы машинного обучения (ML): логистическая регрессия (LR), машина опорных векторов (SVM), дерево решений (DT), случайный лес (RF) и искусственная нейронная сеть (ANN). Метрики оценки, используемые при сравнении производительности: точность, точность, отзывчивость, показатель f1 и площадь под кривой рабочих характеристик приемника. Система достигла 99,4% точности теста для дерева решений, случайного леса и ИНС.
Слайд 9Набор данных с открытым исходным кодом был собран из kaggle , предоставленного Pahl et
![Набор данных с открытым исходным кодом был собран из kaggle , предоставленного Pahl et al(https://github.com/Shauqi/Attack-and-Anomaly-Detection-in-IoT-Sensors-in-IoT-Sites-Using-Machine-Learning-Approaches).](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/907762/slide-8.jpg)
al(https://github.com/Shauqi/Attack-and-Anomaly-Detection-in-IoT-Sensors-in-IoT-Sites-Using-Machine-Learning-Approaches).
Слайд 11Искусственная нейронная сеть (ИНС)
Искусственная нейронная сеть (ИНС) - это метод машинного обучения,
![Искусственная нейронная сеть (ИНС) Искусственная нейронная сеть (ИНС) - это метод машинного](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/907762/slide-10.jpg)
который является скелетом различных алгоритмов глубокого обучения. Мы можем обучить модель ИНС, используя необработанные данные. По сравнению с другими классификаторами он имеет большое количество параметров для настройки, что делает его сложной структурой.
Слайд 12Анализ результатов
В подразделе «Анализ данных» было описано, что к набору данных было
![Анализ результатов В подразделе «Анализ данных» было описано, что к набору данных](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/907762/slide-11.jpg)
применено несколько методов машинного обучения. Пятикратная перекрестная проверка была проведена на наборе данных с использованием каждого из этих методов. . Из перекрестной проверки можно сделать вывод, что RF и ANN показали наилучшие результаты как в плане обучения, так и в плане точности тестирования.