Un análisis de sistemas de detección de intrusiones utilizando aprendizaje automático y profundo en Internet de las cosas: desafíos, soluciones y direcciones futuras
Autores: Asharf, Javed; Moustafa, Nour; Khurshid, Hasnat; Debie, Essam; Haider, Waqas; Wahab, Abdul
Idioma: Inglés
Editor: MDPI
Año: 2020
Acceso abierto
Artículo científico
2020
Un análisis de sistemas de detección de intrusiones utilizando aprendizaje automático y profundo en Internet de las cosas: desafíos, soluciones y direcciones futuras
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Internet de las cosas
Dispositivos IoT
Conectividad
Incidentes de ciberataques
Aprendizaje automático
Aprendizaje profundo
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 24
Citaciones: Sin citaciones
El Internet de las Cosas (IoT) está listo para impactar varios aspectos de nuestras vidas con su rápida proliferación en muchas áreas como dispositivos portátiles, sensores inteligentes y electrodomésticos. Los dispositivos IoT se caracterizan por su conectividad, omnipresencia y capacidad de procesamiento limitada. El número de dispositivos IoT en el mundo está aumentando rápidamente y se espera que haya 50 mil millones de dispositivos conectados a Internet para finales del año 2020. Esta explosión de dispositivos IoT, que puede aumentarse fácilmente en comparación con las computadoras de escritorio, ha provocado un aumento en los incidentes de ciberataques basados en IoT. Para mitigar este desafío, es necesario desarrollar nuevas técnicas para detectar ataques iniciados desde dispositivos IoT comprometidos. Las técnicas de aprendizaje automático y profundo son en este contexto el enfoque de control de detección más apropiado contra los ataques generados desde dispositivos IoT. Este estudio tiene como objetivo presentar una revisión exhaustiva de las tecnologías, protocolos, arquitectura y amenazas relacionadas con sistemas IoT que surgen de dispositivos IoT comprometidos, junto con proporcionar una visión general de los modelos de detección de intrusiones. Este trabajo también abarca el análisis de diversas técnicas basadas en aprendizaje automático y profundo adecuadas para detectar sistemas IoT relacionados con ciberataques.
Descripción
El Internet de las Cosas (IoT) está listo para impactar varios aspectos de nuestras vidas con su rápida proliferación en muchas áreas como dispositivos portátiles, sensores inteligentes y electrodomésticos. Los dispositivos IoT se caracterizan por su conectividad, omnipresencia y capacidad de procesamiento limitada. El número de dispositivos IoT en el mundo está aumentando rápidamente y se espera que haya 50 mil millones de dispositivos conectados a Internet para finales del año 2020. Esta explosión de dispositivos IoT, que puede aumentarse fácilmente en comparación con las computadoras de escritorio, ha provocado un aumento en los incidentes de ciberataques basados en IoT. Para mitigar este desafío, es necesario desarrollar nuevas técnicas para detectar ataques iniciados desde dispositivos IoT comprometidos. Las técnicas de aprendizaje automático y profundo son en este contexto el enfoque de control de detección más apropiado contra los ataques generados desde dispositivos IoT. Este estudio tiene como objetivo presentar una revisión exhaustiva de las tecnologías, protocolos, arquitectura y amenazas relacionadas con sistemas IoT que surgen de dispositivos IoT comprometidos, junto con proporcionar una visión general de los modelos de detección de intrusiones. Este trabajo también abarca el análisis de diversas técnicas basadas en aprendizaje automático y profundo adecuadas para detectar sistemas IoT relacionados con ciberataques.