机器学习在安全物联网中有哪些应用领域

机器学习在安全物联网中有以下应用领域：

• 监控：智能对象监控其运行的环境。处理数据是为了更好地理解运行条件，这些条件可以指外部因素，如空气温度、湿度或矿井中是否存在二氧化碳，也可以指内部操作因素，如泵的压力、管道中石油的粘度等。ML 可以用于监测，以检测早期故障情况（例如，K-means偏差显示超出范围的行为）或更好地评估环境（例如机器人根据识别的形状自动分类材料或在仓库或供应链中挑选货物）。

• 行为控制：监控通常与行为控制一起工作。当给定的一组参数达到预先定义的目标阈值（即有监督的）时或通过偏离平均值（即无监督的）动态学习时，监视功能将生成警报。这种警报可以传递给人，但更高效、更先进的系统会触发纠正措施，比如增加矿井隧道中的新鲜空气流量，转动机械臂或降低管道中的油压。

• 操作优化：行为控制通常旨在根据阈值采取纠正措施。然而，分析数据时也会导致改进整个过程的变化。例如，智慧城市的水净化厂可以根据使用的化学物质（来自A公司或B公司）、温度，以及与什么搅拌机制（搅拌速度和深度）相关联，实施一个系统来监控净化过程的效率。神经网络可以在一层或多层中将多个这样的单元组合在一起，来估计在目标空气温度下最佳的化学混合物和搅拌混合物。这种智能可以帮助工厂减少化学物质的消耗，同时仍然在相同的净化效率水平上运行。作为学习的结果，行为控制导致了不同的机器动作。我们的目标不仅是对这些行为进行试验，而且是要提高这些行为的效率和效果。

• 自我修复、自我优化：深度学习快速发展的一个方面是闭环。基于ML的监视触发了机器行为的变化（变化由人工监视）和操作优化。反过来，ML引擎可以被编程来动态监视和组合新参数（随机或半随机），并在结果显示可能的增益时自动推断和实现新的优化。系统实现了自学习和自优化。它还可以检测新的K-means偏差，预先检测出新的潜在缺陷，从而使系统能够自我修复。系统的修复需要外部因素（通常是人类操作者）的介入，但诊断是自动化的。在许多情况下，系统还可以自动订购被检测到接近故障的设备，或自动采取纠正措施以避免故障（例如，降低操作速度、修改机器的运动以避免薄弱环节的损坏）。

• 检测恶意行为并阻断攻击：机器学习算法能够快速检测识别出恶意行为，并且对攻击行为进行及时阻断，从而将威胁消灭在萌芽状态。Darktrace是一家成立于2013年的英国初创公司，该公司的机器学习技术帮助北美一家赌场成功阻止了一起数据泄漏攻击事件，该公司还在去年夏天Wannacry勒索软件危机中大显身手，这种勒索软件感染了150多个国家的20万用户，公司的机器学习算法快速定位捕捉到攻击，并采取措施消除了威胁，由于发现阻断及时，该公司的用户甚至包括那些没打补丁的用户都未遭受任何损失。

• 分析移动终端安全状况：机器学习技术虽然已经在移动设备上得到应用，但到目前为止，主要还集中在谷歌Now，苹果Siri和亚马逊Alexa等语音应用中。不过，谷歌正在使用机器学习来分析移动终端面临的威胁，以处理在工作中使用个人手机而带来的安全隐患。