Журнал "Information Security/ Информационная безопасность" #1, 2020

Учитывая сложность и разнообраз- ность данных, генерируемых разнород- ными устройствами и датчиками, остро встает вопрос автоматизации их управ- ления и анализа. Автоматизированное выявление зависимостей и построение взаимосвязей между устройствами – это новый вызов для дальнейшего раз- вития IoT. Именно поэтому IoT стано- вится технологией, которую сложно представить без инструментов машин- ного обучения (Machine Learning). Бла- годаря им появляется возможность построения профилей поведения устройств в сети и выявления скрытых взаимосвязей между ними, что, в свою очередь, несет новые возможности авто- матизации управления устройствами и предиктивной аналитики. Актуальные проблемы IoT- концепции Концепция IoT зарождалась и разви- валась как вполне самостоятельная идея, заключающаяся в объединении большого числа физических устройств, поддерживающих интерфейсы взаимо- действия друг с другом и внешней сре- дой в единой вычислительной сети. Однако, учитывая стремительные темпы роста популярности и востребованности данной концепции на рынке, число устройств в подобных сетях растет настолько быстро, что традиционная архитектура становится малоэффектив- ной и сложно реализуемой. Концепция IoT на текущий момент находится на том этапе, когда интеграция со вспомогательными технологиями и инструментами является необходимым логическим шагом к дальнейшему раз- витию. Рассмотрим фундаментальные про- блемы IoT-архитектур без технологий Big Data и инструментов ML: l разнообразие устройств и датчиков. IoT-системы состоят из большого числа устройств, имеющих разные стандарты и интерфейсы взаимодействия и, как следствие, генерируют разнородные данные; l отсутствие адаптивного контроля и управления устройствами. Разные стандарты взаимодействия и террито- риальная распределенность порождают сложности в эффективном менеджменте данных устройств; l сложность сбора и обработки данных с различных устройств. Проблемы заключается не только в объемах дан- ных, но и в их разнородности – различ- ных протоколах, форматах и изменяю- щихся адресах целевых источников; l масштабируемость, сложность хране- ния больших объемов данных, произво- дительность. В современных условиях цифровизации объем данных и их эффек- тивное хранение – это настоящий вызов; l постоянно растущая сеть IoT-устройств и сложность автоматизированного построения новых взаимосвязей. Для возможности гибкого добавления новых и удаления старых устройств необходимы инструменты построения и поддержания в актуальном состоянии топологии сети. Вышеперечисленные проблемы форми- руют серьезный барьер для дальнейшего развития IoT-систем, преодолеть который возможно с помощью внедрения инстру- ментов машинного обучения, а также тех- нологий работы с большими данными. 34 • ТЕХНОЛОГИИ Применение инструментов Big Data и Machine Learning в IoT ехнологии IoT и в России, и за рубежом активно развиваются и успешно применяются в различных отраслях. Термин IoT уже стал популярным, понятным и обыденным в сфере ИТ. В свою очередь, растет число устройств и датчиков, объединенных в сеть и поддерживающих данную технологию, а это ведет к экспоненциальному росту данных, которые ежесекундно генерируются в очень большом объеме. В современных условиях функционирование и развитие IoT-технологий без инструментов, позволяющих работать с большими данными, становится затруднительным, а в большинстве случаев – просто невозможным. Т Никита Андреянов, архитектор платформы Dataplan NGRSOFTLAB Схема 1. Архитектура IoT без машинного обучения Схема 2. Архитектура IoT с машинным обучением