物聯網安全分析面臨的挑戰有哪些

物聯網安全分析面臨的挑戰有以下這些：

• 數據結構的差異：絕大多數傳感器可發送附帶時間戳的數據，且大多數數據都比較“無聊”。因為多數時間里并不會有任何事情發生。然而，有極少數時間會有異常事件發生需要處理。基于閾值的靜態警報是分析數據的一個良好起點，但它們不能幫助我們升級到診斷或是預測可能的異常事件。在特定時間段內收集到的數據片段可能彼此關聯，換句話說，傳統時間序列的數據結構受到了挑戰。

• 需結合多種數據格式：傳感器采集的數據與其他非結構化數據之間通常存在很強的相關性。比如，一段控制單元的故障代碼可能會導致一個特定的錯誤行為，并由系統記錄下來。我們需要找到一些能使得結構化數據與非結構化數據可以有效結合起來的技術。

• 平衡規模與速度的需求：對于物聯網中的大多數數據真正的分析都將不只發生在云端的數據中心而更有可能是在混合云當中完成。這是因為，盡管云端擁有彈性和可擴展性，但其可能并不適合需要實時處理大量數據的場景。比如通過一個10G帶寬的網絡傳輸1TB的文件需要13分鐘，這對于批處理和歷史數據管理都很好用，但用于實時分析事件流的場景就不切實際了。一個最近的例子是無人駕駛汽車的數據傳輸，特別是在需要瞬間作出決策的緊急情況下的數據傳輸。與此同時，物聯網數據分析可能需要更多的擴展性，因此無論是部署在邊緣還是云端，實施數據分析的算法都應當具有靈活性。

• 邊緣物聯網數據分析：物聯網傳感器、設備與網關分布在不同的生產車間、家庭、零售店和農田等地方，目前通過一個10M帶寬的網絡傳輸1TB的數據需要幾天時間。因此，企業需要開始計劃解決幾年后如何在物聯網的邊緣處理40%物聯網數據的問題。這對于大型物聯網的部署尤其重要，其中每秒可能會有數十億個事件的數據流，但系統只需要知道一段時間的平均值，或是當趨勢超出既定參數時才接到警報。解決方案是在邊緣的物聯網設備或是網關上進行數據分析，并將匯總的結果發送至云端的中央系統。通過邊緣分析可以保證及時檢測出重要趨勢或是異常，同時顯著減少網絡擁堵以提高整個系統的性能。

• 物聯網數據分析與人工智能技術相結合：77物聯網分析的最強大之處，同時也是尚未開發的潛能是比實時應對問題更進一層的能力，即在問題出現之前就做好準備。這就是為什么預測是許多物聯網分析策略的核心，其中包括預測客戶需求，預測機械設備的維護時間，欺詐檢測，預測客戶的流失等。

回答所涉及的環境：聯想天逸510S、Windows 10。