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

IoT-архитектура без/с алгоритмами Machine Learning и технологиями Big Data Чтобы понять, как Machine Learning и Big Data могут повысить эффективность работы IoT, стоит взглянуть на принци- пиальные различия архитектур IoT- систем, которые следуют традиционной концепции, и систем, использующих инструменты для работы с большими данными и машинное обучение. Типовая архитектура IoT без машин- ного обучения включает в себя четыре основных блока (см. схему 1): l интернет-вещи – умные устройства, датчики и сенсоры; l шлюзы, использующие промышленные протоколы связи и располагающиеся отно- сительно близко к конечным устройствам; l централизованное хранилище данных – ЦХОД и облачные хранилища; l конечные устройства, с которыми взаимодействуют пользователи – исследуют данные и получают уведом- ления. В архитектуре IoT, применяющей инструменты для работы с большими данными и алгоритмы машинного обуче- ния, присутствует дополнительный, но очень важный блок (см. схему 2). В ней повышается качество данных, а следо- вательно и качество принимаемых реше- ний и уведомлений, генерируемых систе- мой. Кроме того, за счет адаптивной приоритизации и фильтрации данных существенно снижаются затраты на хра- нение данных в ЦХОД и облачных хра- нилищах. Machine Learning & IoT: реализованные кейсы Лучше всего преимущества и эффек- тивность применения инструментов машинного обучения и технологий Big Data при построении IoT-систем демон- стрируют практические сценарии исполь- зования. Ниже приведены несколько Use Cases, в которых благодаря совре- менным инструментам для работы с дан- ными IoT-система сделала значительный шаг вперед. Tesla Motors. Автомобили Tesla – это "вещи", использующие множество других интернет-вещей, которые благодаря Machine Learning позволяют из "вещи" сделать мощный искусственный интел- лект. Помимо Tesla, другие крупные автомобильные компании также исполь- зуют концепцию IoT, однако без совре- менных инструментов для работы с дан- ными. Для того чтобы понять, чем же Tesla так сильно отличается от всех остальных, достаточно цитаты Илона Маска из недавнего интервью: "Все авто- мобили в Tesla работают как единая сеть. Когда одна машина учится чему- то, этому учатся и все остальные. Это выходит за рамки того, что делают дру- гие автомобильные компании". Таким образом, каждая ситуация на дороге – это новый опыт для автомобиля, который он обязательно учтет в следующей поездке и передаст своим "коллегам" (см. схему 3). Nest. Термин "умный дом", наверное, слышал каждый. Однако у компании Nest, которую недавно приобрела кор- порация Google за $3,2 млрд, получилось сделать дом действительно умным. Искусственный интеллект Nest анализи- рует график работы пользователей, их температурные и прочие предпочтения. Благодаря этому системе удается сокра- тить затраты на потребление энергии и повысить комфорт за счет адаптации системы под конкретного пользователя (см. схему 4). IoT-платформы. Стоит упомянуть не только конкретные сценарии использо- вания IoT с Machine Learning, но и взгля- нуть на то, как развиваются передовые IoT-платформы, такие как Google Cloud IoT и AWS IoT. Они позволяют интегри- ровать IoT-устройства с моделями машинного обучения и решать сложные комплексные задачи. Сервис AWS IoT Greengrass ML Inference может локально формировать на устройствах логические выводы с использованием машинного обучения, применяя модели, созданные, обученные и оптимизированные в обла- ке. Так, в SageMaker можно создать прогнозирующую модель для анализа видеозаписей, оптимизировать ее для работы на камерах, которые смогут самостоятельно выявлять подозритель- ную активность и отправлять уведомле- ния об этом. Например, при обнаружении нелегитимной активности около банков- ского терминала умная камера сама определит, что злоумышленник плани- рует взлом, и предиктивно вызовет наряд полиции. Данные, полученные с помощью логических выводов на IoT Greengrass, можно отправить обратно в SageMaker, где они обогащаются инди- каторами и используются для непре- рывного повышения качества моделей машинного обучения. Будущее наступило В современном мире в силу постоянно растущего количества умных устройств и объема данных, генерируемых ими, индустрия IoT уже не может существовать без инструментов для работы с большими данными и машинного обучения. Яркие примеры компаний, использующих Machine Learning в IoT-архитектурах, и векторы развития актуальных IoT-плат- форм демонстрируют нам очевидные преимущества данного подхода. Для эффективной работы современных IoT- систем жизненно необходима интеграция с сторонними продуктами, реализующими соответствующий функционал. l • 35 ТЕХНОЛОГИИ www.itsec.ru Схема 3. IoT с машинным обучением в автомобильной промышленности Схема 4. IoT с машинным обучением в умном доме Ваше мнение и вопросы присылайте по адресу is@groteck.ru