ТРАДИЦІЙНІ МОДЕЛІ МАШИННОГО НАВЧАННЯ У СФЕРІ ІНТЕРНЕТУ РЕЧЕЙ

Анотація

У статті досліджено традиційні моделі машинного навчання у сфері Інтернету речей. Визначено
напрямки розповсюдження розумних систем та проаналізовано перспективи розвитку. Описано предмети
повсякденного життя які відносяться до групи Інтернету речей. Наголошено, що величезний масштаб мереж IoT
приносить нові завдання, такі як управління цими пристроями, величезний обсяг даних, зберігання, зв’язок,
обчислення, безпека та конфіденційність. Наріжним каменем комерціалізації технологій IoT є гарантія безпеки
та конфіденційності, а також задоволення споживачів. До головних перешкод для підвищення безпеки розумних
пристроїв віднесено конкуренцію на ринку та технічні обмеження. Підкреслено, що традиційні моделі машинного
навчання спрямовані на характеристику та визначення рівня шкідливих дій пристроїв IoT, навчання та
тестування нейронної мережі для класифікації пристроїв IoT на основі особливостей мережевого трафіку для
забезпечення класифікації IP-адрес, близьких до реального часу та оцінку ефективності алгоритмів. Проведено
класифікацію традиційних алгоритмів машинного навчання: алгоритми навчання з вчителем, без вчителя та
підкріплення. Описано кожен з них. Визначено принципи глибокого навчання та навчання з підкріпленням, а
також їх поєднання. Наголошено, що традиційні методи машинного навчання, що використовуються в безпеці
IoT працюють з маркованими даними і використовуються в мережах IoT для зондування спектру, оцінки каналів,
адаптивного фільтрування, проблем безпеки та локалізації. Зазначається, що трафік IoT зазвичай
характеризується великим обсягом, різноманітністю, змінною швидкістю та невизначеністю. Сформовано
перелік загальних обмежень використання методів машинного навчання у мережах IoT. Підкреслено, що у
реальному світі, коли дані з різних джерел мають різне форматування та подання принцип константи первинного
набору даних не працює і машинне навчання потребує попередньої обробки та очищення даних перед тим, як
помістити їх у певну модель.