最近開發的數據分析方法可以提高IoT設備的安全性，以應對當前來自互聯網的風險和威脅。

賓夕法尼亞大學的學生Beulah Samuel說：“到2020年，將有超過200億個IoT設備投入使用，這些設備將使人們容易受到安全漏洞的攻擊，這些攻擊可能會使他們的個人數據面臨風險甚至更糟，從而影響他們的安全。”國家世界校園信息科學與技術計劃。

Beulah Samuel補充說：“還沒有任何策略可以確定在這些設備上何時何地發生網絡安全攻擊，以及這種攻擊的模樣。”

該團隊將傳統網絡安全管理中常用的方法組合應用于新南威爾士大學堪培拉分校的物聯網網絡。

具體來說，他們展示了如何應用統計數據，機器學習和其他數據分析方法來確保物聯網系統在其整個生命周期中的安全性。

然后，他們使用入侵檢測和可視化工具來確定該網絡中是否已經發生或正在進行攻擊。

研究人員在2019年IEEE普適計算，電子和移動通信會議上發表的論文中描述了他們的方法和發現。

團隊應用的數據分析技術之一是可免費獲得的開源R統計套件，他們用來表征在堪培拉網絡上使用的IoT系統。此外，他們使用機器學習解決方案來搜索數據中使用R并不明顯的模式。

賓州州立世界校園信息科學與技術計劃的學生約翰·哈勒說：“維護物聯網網絡安全性的挑戰之一就是僅僅識別網絡上正在運行的所有設備。”“像R這樣的統計程序可以表征和識別用戶代理。”

研究人員使用了廣泛使用的Splunk入侵檢測工具，該工具包含用于通過Web樣式的界面搜索，監視和分析網絡流量的軟件。

Melanie Seekins說：“ Splunk是一種分析工具，通常用于傳統的網絡流量監控中，但是直到現在為止，它在物聯網流量中的應用還很有限。”

利用這些工具以及其他工具，該團隊確定了三個正在試圖闖入堪培拉網絡設備的IP地址。

“我們觀察到三個IP地址在一段時間內使用不同的協議嘗試多次連接到IoT設備，” Andrew Brandon說。“這清楚地表明了分布式拒絕服務攻擊，旨在破壞和/或使用戶無法使用設備。”

作為其方法的基礎，研究人員將其與用于幫助管理風險的通用框架（美國國家標準技術研究院（NIST）風險管理框架（RMF））進行了比較。

布蘭登說：“ NIST RMF并不是為物聯網系統創建的，但它提供了一個組織可用來定制，測試和監視已實施的安全控制的框架。這為我們的方法贏得了信任。”

Seekins說，最終，使用團隊的方法分析IoT數據的能力可以使安全專業人員識別和管理控制措施，以減輕風險并在事件發生時進行分析。

責任編輯：gt