機器學習在安全物聯網中有哪些應用領域

機器學習在安全物聯網中有以下應用領域：

• 監控：智能對象監控其運行的環境。處理數據是為了更好地理解運行條件，這些條件可以指外部因素，如空氣溫度、濕度或礦井中是否存在二氧化碳，也可以指內部操作因素，如泵的壓力、管道中石油的粘度等。ML 可以用于監測，以檢測早期故障情況（例如，K-means偏差顯示超出范圍的行為）或更好地評估環境（例如機器人根據識別的形狀自動分類材料或在倉庫或供應鏈中挑選貨物）。

• 行為控制：監控通常與行為控制一起工作。當給定的一組參數達到預先定義的目標閾值（即有監督的）時或通過偏離平均值（即無監督的）動態學習時，監視功能將生成警報。這種警報可以傳遞給人，但更高效、更先進的系統會觸發糾正措施，比如增加礦井隧道中的新鮮空氣流量，轉動機械臂或降低管道中的油壓。

• 操作優化：行為控制通常旨在根據閾值采取糾正措施。然而，分析數據時也會導致改進整個過程的變化。例如，智慧城市的水凈化廠可以根據使用的化學物質（來自A公司或B公司）、溫度，以及與什么攪拌機制（攪拌速度和深度）相關聯，實施一個系統來監控凈化過程的效率。神經網絡可以在一層或多層中將多個這樣的單元組合在一起，來估計在目標空氣溫度下最佳的化學混合物和攪拌混合物。這種智能可以幫助工廠減少化學物質的消耗，同時仍然在相同的凈化效率水平上運行。作為學習的結果，行為控制導致了不同的機器動作。我們的目標不僅是對這些行為進行試驗，而且是要提高這些行為的效率和效果。

• 自我修復、自我優化：深度學習快速發展的一個方面是閉環。基于ML的監視觸發了機器行為的變化（變化由人工監視）和操作優化。反過來，ML引擎可以被編程來動態監視和組合新參數（隨機或半隨機），并在結果顯示可能的增益時自動推斷和實現新的優化。系統實現了自學習和自優化。它還可以檢測新的K-means偏差，預先檢測出新的潛在缺陷，從而使系統能夠自我修復。系統的修復需要外部因素（通常是人類操作者）的介入，但診斷是自動化的。在許多情況下，系統還可以自動訂購被檢測到接近故障的設備，或自動采取糾正措施以避免故障（例如，降低操作速度、修改機器的運動以避免薄弱環節的損壞）。

• 檢測惡意行為并阻斷攻擊：機器學習算法能夠快速檢測識別出惡意行為，并且對攻擊行為進行及時阻斷，從而將威脅消滅在萌芽狀態。Darktrace是一家成立于2013年的英國初創公司，該公司的機器學習技術幫助北美一家賭場成功阻止了一起數據泄漏攻擊事件，該公司還在去年夏天Wannacry勒索軟件危機中大顯身手，這種勒索軟件感染了150多個國家的20萬用戶，公司的機器學習算法快速定位捕捉到攻擊，并采取措施消除了威脅，由于發現阻斷及時，該公司的用戶甚至包括那些沒打補丁的用戶都未遭受任何損失。

• 分析移動終端安全狀況：機器學習技術雖然已經在移動設備上得到應用，但到目前為止，主要還集中在谷歌Now，蘋果Siri和亞馬遜Alexa等語音應用中。不過，谷歌正在使用機器學習來分析移動終端面臨的威脅，以處理在工作中使用個人手機而帶來的安全隱患。

回答所涉及的環境：聯想天逸510S、Windows 10。