اینترنت اشیا، ML و LPWAN
اینترنت اشیا، ML و LPWAN
اتوماسیون ساختمان
اینترنت اشیا، ML و LPWAN توانایی نظارت و کنترل سیستم ها نه تنها از دیدگاه اینترنت اشیا (IoT) مهم است،
بلکه راهی برای ایمن سازی شبکه های انرژی و آب نیز می باشد. آلیستر فولتون، معاون و مدیر کل گروه محصولات بی‌سیم و حسگر Semtech می‌گوید.
حملات سایبری به زیرساخت‌ها، منابع برق و آب یک خطر فزاینده است و زیرساخت‌ها معمولاً سال‌ها شاهد سرمایه‌گذاری ناکافی بوده.
در نتیجه می‌توان از آن محافظت ضعیفی کرد. میلیون‌ها نقطه حمله وجود دارد که بدون سرنشین و آسیب‌پذیر هستند.
فناوری شبکه گسترده کم مصرف (LPWAN) می‌تواند به عنوان یک عامل کلیدی ایمنی در زیرساخت استفاده شود.
روند قابل توجهی در سال جاری
اتوماسیون ساختمان
یک روند کلیدی برای سال 2022 برای مبارزه با این حملات سایبری، و یک محرک کلیدی برای دیجیتالی کردن،
زیرساخت ها و ترکیب اینترنت اشیا و یادگیری ماشین (ML)، فناوری LPWAN است.
ممکن است عجیب به نظر برسد که فناوری LPWAN مانند دستگاه‌های LoRa Semtech و استاندارد LoRaWAN می‌توانند؛
محرک کلیدی امنیت و همچنین دیجیتالی شدن باشند، اما این دو به طور فزاینده‌ای به هم مرتبط هستند.
LoRa که با LoRaWAN کار می کند، یک رویکرد ایمن و کم انرژی برای زیرساخت ابزار دقیق ارائه می دهد.
فناوری برد طولانی و انرژی کم برای اجازه دادن به حسگرها و محرک‌های باتری‌دار در مکان‌هایی که مورد نیاز هستند، حیاتی است.
زیرساخت‌های برق ممکن است به برق دسترسی داشته باشند،
اما سایر زیرساخت‌های حیاتی مانند توزیع آب یا گاز لزوماً به برق قابل اعتماد در مکان مناسب دسترسی ندارند.
برد طولانی برای به حداقل رساندن هزینه افزودن یک لایه شبکه داده به زیرساخت حیاتی ضروری است.
شناسایی مشکلات
اتوماسیون ساختمان
جمع آوری داده ها برای درک رفتار در سیستم و سپس شناسایی بخش هایی از سیستم که شروع به رفتار عجیبی کرده اند.
ممکن است مورد حمله قرار گیرند ضروری است. این برای درک و انجام سریع‌تر،
اقدامات برای مثال در مورد لیست سیاه یا لیست سفید یا خاموش کردن یا جداسازی گره‌ها کلیدی است.
استفاده از یادگیری ماشین برای تجزیه و تحلیل امنیتی به داده ها، داده های زیادی نیاز دارد.
الگوریتم های ML از تطبیق الگو برای شناسایی انحرافات در شبکه استفاده می کنند، چه در تجهیزات و چه در بقیه شبکه.
یک شبکه حسگر کم انرژی برای جمع‌آوری این داده‌ها به این معنی است که باتری‌ها سال‌ها دوام می‌آورند.
از چرخه‌های پرهزینه تعویض باتری جلوگیری می‌کنند، اما این به پروتکل‌های بی‌سیمی نیاز دارد.
بتواند داده‌ها را در سراسر شبکه به طور ایمن ارائه دهد. افزودن یک شبکه حسگر به زیرساختی که خود سطح حمله را باز می کند، فایده ای ندارد.
LoRaWAN رمزگذاری AES256 را برای محافظت از داده ها، چه از طریق دروازه یا حتی یک شبکه ماهواره ای، پیاده سازی می کند.
اکنون پنج شبکه با ماهواره‌هایی در مدار پایین زمین وجود دارد که می‌توانند؛
سیگنال‌های LoRaWAN را مستقیماً از گره‌های حسگر روی زمین دریافت کنند و آن داده‌ها را که هنوز محافظت شده‌اند، به پایگاه داده مرکزی منتقل کنند.
شبکه ماهواره ای
اتوماسیون ساختمان
استفاده از یک شبکه ماهواره‌ای برای شبکه حسگر به زیرساخت‌های مناطق دورافتاده، اعم از خطوط لوله نفت و گاز،
شبکه‌های آب یا برق اجازه می‌دهد تا آنجا که لازم است اینترنت اشیا، ML و LPWAN نظارت شود. اما این مزیت های دیگری نیز به همراه دارد.
همان پروتکل‌هایی که اجازه می‌دهند داده‌ها از حسگرها توسط ماهواره‌ای در فاصله 200 کیلومتری در مدار جمع‌آوری شود،
قابلیت اطمینان سنسورها را در کنتورهای هوشمند در زیرزمین‌ها و ساختمان‌های آپارتمانی که دسترسی به آنها دشوار است، افزایش می‌دهد.
در حالی که نیاز فوری نظارت بر فعالیت زیرساخت است، افزودن این لایه داده دیجیتال و یادگیری ماشینی مزایای دیگری را به همراه دارد.
تجزیه و تحلیل الگوهای داده ها از حسگرها مزایای فوق العاده ای را برای اپراتور شبکه به ارمغان می آورد.
تجزیه و تحلیل ML
اتوماسیون ساختمان
می تواند انحرافات را در داده ها شناسایی کند که می تواند نتیجه خرابی قریب الوقوع یا نفوذهای غیرمجاز باشد.
تعمیر و نگهداری پیش‌بینی‌شده می‌تواند میلیون‌ها دلار برای اپراتور صرفه‌جویی کند،
با شناسایی تجهیزاتی که از کار می‌افتند و به‌جای اینکه دچار قطعی برنامه‌ریزی نشده باشند،
به‌طور خودکار اجزای آماده برای تعویض در تعمیرات برنامه‌ریزی‌شده را سفارش می‌دهند.
به طور مشابه، تجزیه و تحلیل الگوهای موجود در داده ها نیز می تواند نشانه های ظریف مزاحمان را شناسایی کند.
هک‌ها در طول زمان اتفاق می‌افتند و مزاحمان بخش‌های مختلف شبکه را کاوش می‌کنند و به دنبال مناطق آسیب‌پذیر می‌گردند.
الگوریتم‌های ML مطابق با الگوریتم می‌توانند به دنبال نشانه‌های نقض امنیتی،
دسترسی غیرمنتظره به سیستم‌ها یا ناهنجاری‌های داده‌ها باشند، و مشکلات را قبل از اینکه مهم شوند، علامت‌گذاری کنند.
استفاده از یادگیری ماشین برای تجزیه و تحلیل امنیتی به داده ها، داده های زیادی نیاز دارد.
الگوریتم های ML از تطبیق الگو برای شناسایی انحرافات در شبکه استفاده می کنند، چه در تجهیزات و چه در بقیه شبکه.
شبکه ماهواره ای
اتوماسیون ساختمان
استفاده از یک شبکه ماهواره‌ای برای شبکه حسگر به زیرساخت‌های مناطق دورافتاده، اعم از خطوط لوله نفت و گاز،
شبکه‌های آب یا برق اجازه می‌دهد تا آنجا که لازم است نظارت شود. اما این مزیت های دیگری نیز به همراه دارد.
همان پروتکل‌هایی که اجازه می‌دهند داده‌ها از حسگرها توسط ماهواره‌ای در فاصله 200 کیلومتری در مدار جمع‌آوری شود،
قابلیت اطمینان سنسورها را در کنتورهای هوشمند در زیرزمین‌ها و ساختمان‌های آپارتمانی که دسترسی به آنها دشوار است، افزایش می‌دهد.
در حالی که نیاز فوری نظارت بر فعالیت زیرساخت است، افزودن این لایه داده دیجیتال و یادگیری ماشینی مزایای دیگری را به همراه دارد.
تجزیه و تحلیل الگوهای داده ها از حسگرها مزایای فوق العاده ای را برای اپراتور شبکه به ارمغان می آورد.
تجزیه و تحلیل ML می تواند انحرافات را در داده ها شناسایی کند که می تواند نتیجه خرابی قریب الوقوع یا نفوذهای غیرمجاز باشد.
تعمیر و نگهداری پیش‌بینی‌شده می‌تواند میلیون‌ها دلار برای اپراتور صرفه‌جویی کند، با شناسایی تجهیزاتی که از کار می‌افتند.
به‌جای اینکه دچار قطعی برنامه‌ریزی نشده باشند، به‌طور خودکار اجزای آماده برای تعویض در تعمیرات برنامه‌ریزی‌شده را سفارش می‌دهند.
به طور مشابه، تجزیه و تحلیل الگوهای موجود در داده ها نیز می تواند نشانه های ظریف مزاحمان را شناسایی کند.
هک‌ها در طول زمان اتفاق می‌افتند و مزاحمان بخش‌های مختلف شبکه را کاوش می‌کنند و به دنبال مناطق آسیب‌پذیر می‌گردند.
الگوریتم‌های ML مطابق با الگوریتم می‌توانند به دنبال نشانه‌های نقض امنیتی،
دسترسی غیرمنتظره به سیستم‌ها یا ناهنجاری‌های داده‌ها باشند، و مشکلات را قبل از اینکه مهم شوند، علامت‌گذاری کنند.
برای نوشتن دیدگاه باید وارد بشوید.