Выявление кибератак в Интернете вещей с использованием методов искусственного интеллекта: систематический обзор литературы
Detecting Cybersecurity Attacks in Internet of Things Using Artificial Intelligence Methods: A Systematic Literature Review
2022-01-10
SCID: 54.1/r3mrmuby
Discuss with AI
безопасность Интернета вещейискусственный интеллектобнаружение кибератаксистемы обнаружения вторжениймашинное обучение
Figures from the paper
Abstract (AI)
В последние годы технологии достигли уровня четвертой промышленной революции (Индустрии 4.0), в рамках которой Интернет вещей (IoT), туманные вычисления, компьютерная безопасность и кибератаки развиваются экспоненциально и в широких масштабах. Стремительное развитие устройств и сетей IoT в различных формах приводит к накоплению огромных объемов данных, что, в свою очередь, требует тщательной аутентификации и обеспечения безопасности. Искусственный интеллект (ИИ) считается одним из наиболее перспективных подходов к противодействию угрозам кибербезопасности и обеспечению защищенности. В настоящем исследовании представлен систематический обзор литературы (SLR), в котором классифицируются, систематизируются и анализируются публикации о методах ИИ, применяемых для выявления кибератак в средах IoT. Обзор включает углубленное исследование наиболее актуальных методов ИИ в области кибербезопасности и современных решений. Систематический поиск проводился в нескольких электронных базах данных (SCOPUS, ScienceDirect, IEEE Xplore, Web of Science, ACM и MDPI). Из выявленных источников были отобраны, изучены и тщательно оценены 80 исследований, опубликованных в период с 2016 по 2021 год. В обзоре рассматриваются методы глубокого обучения (DL) и машинного обучения (ML), применяемые для обеспечения безопасности IoT, а также их эффективность при выявлении атак. В ряде исследований предложены интеллектуальные системы обнаружения вторжений (IDS) с архитектурными платформами на основе ИИ, предназначенные для преодоления существующих проблем безопасности и конфиденциальности. Установлено, что метод опорных векторов (SVM) и случайный лес (RF) относятся к наиболее часто используемым методам благодаря высокой точности обнаружения; еще одним фактором может быть эффективное использование памяти. Кроме того, высокую производительность обеспечивают и другие методы, включая экстремальное градиентное бустирование (XGBoost), нейронные сети (NN) и рекуррентные нейронные сети (RNN). Данный анализ также дает представление о направлении развития методов ИИ для выявления угроз с учетом категорий атак. Наконец, представлены рекомендации для перспективных направлений дальнейших исследований.
Key Findings
1
Экстремальный градиентный бустинг, нейронные и рекуррентные нейронные сети также демонстрируют высокую эффективность при обнаружении кибератак в IoT.
2
Методы машинного и глубокого обучения широко применяются для защиты IoT, особенно в интеллектуальных архитектурах систем обнаружения вторжений.
3
Методы опорных векторов и случайного леса относятся к наиболее часто используемым благодаря высокой точности обнаружения и эффективному использованию памяти.
4
Обзор сопоставляет методы ИИ с категориями атак и определяет направления дальнейших исследований для решения сохраняющихся проблем безопасности и конфиденциальности IoT.
5
Систематический обзор проанализировал 80 исследований, опубликованных в 2016–2021 годах, по обнаружению кибератак в IoT с использованием методов ИИ.
Research Object
киберугрозы и кибератаки в средах Интернета вещей
Research Subject
применение и эффективность методов искусственного интеллекта, включая машинное и глубокое обучение, для обнаружения кибератак
Publication Details
Publication Date
2022-01-10
Journal
Publisher
ISSN
Cited by
398
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai3
Рекомендуемые элементы отчётности для систематических обзоров и метаанализов: заявление PRISMA2009
Обнаружение атак и аномалий в датчиках Интернета вещей на объектах Интернета вещей с использованием методов машинного обучения2019
Безопасность и конфиденциальность в умном сельском хозяйстве: проблемы и перспективы2020