Skip to main content
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Kapitel lesen Erstes Kapitel lesen

2024 | OriginalPaper | Buchkapitel

Learning Approaches for Security and Privacy in Internet of Things

verfasst von : T. Daniya, M. Geetha, Velliangiri Sarveshwaran, Ch. Madhu Babu

Erschienen in: Modern Approaches in IoT and Machine Learning for Cyber Security

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Das Kapitel geht auf die vielfältigen Herausforderungen der Cybersicherheit im Internet der Dinge (IoT) ein und betont die Notwendigkeit robuster Sicherheitsmaßnahmen angesichts der Verbreitung von IoT-Geräten. Darin werden die Schwachstellen von IoT-Netzwerken gegenüber verschiedenen Cyber-Angriffen wie Denial of Service (DoS) und Distributed Denial of Service (DDoS) sowie die entscheidende Rolle des maschinellen Lernens bei der Entwicklung fortschrittlicher Systeme zur Erkennung von Eindringlingen diskutiert. Das Kapitel untersucht auch die Komplexität menschlicher Beteiligung an Cyber-Physical-Human Systems (CPHS) und die Herausforderungen bei der Modellierung menschlichen Verhaltens zu Sicherheitszwecken. Darüber hinaus werden maschinelle Lernalgorithmen und ihre Anwendungen zur Erkennung und Abmilderung von Cyberangriffen überprüft, wobei innovative Ansätze wie das IntruDTree-Modell und der Einsatz neuronaler Netzwerke zur Malware-Erkennung hervorgehoben werden. Das Kapitel schließt mit einem Vergleich verschiedener maschineller Lerntechniken für Cybersicherheit und Datenschutzauthentifizierung und skizziert zukünftige Forschungsrichtungen, um den Bereich der IoT-Sicherheit voranzutreiben.
KI-Generiert

Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel IoT Security and Privacy
Nächstes Kapitel Blockchain Security for the Internet of Things
Literatur
1.
K. Kimani, V. Oduol, K. Langat, Cyber security challenges for IoT-based smart grid networks. Int. J. Crit. Infrastruct. Prot. 25, 36–49 (2019)CrossRef
2.
M.M. Rana, R. Bo, IoT-based cyber-physical communication architecture: Challenges and research directions. IET Cyber-Physical Systems: Theory & Applications 5(1), 25–30 (2020)CrossRef
3.
S. Tanwar, S. Tyagi, S. Kumar, The role of internet of things and smart grid for the development of a smart city, in Intelligent Communication and Computational Technologies, (Springer, Singapore, 2018), pp. 23–33CrossRef
4.
P. Radanliev, D. De Roure, S. Cannady, R.M. Montalvo, R. Nicolescu, M. Huth, Economic impact of IoT cyber risk-analysing past and present to predict the future developments in IoT risk analysis and IoT cyber insurance (2018)
5.
A. Jain, T. Singh, Security challenges and solutions of IoT ecosystem, in Information and Communication Technology for Sustainable Development, (Springer, Singapore, 2020), pp. 259–270CrossRef
6.
S. Tweneboah-Koduah, K.E. Skouby, R. Tadayoni, Cyber security threats to IoT applications and service domains. Wirel. Pers. Commun. 95(1), 169–185 (2017)CrossRef
7.
S.K. Sowe, E. Simmon, K. Zettsu, F. de Vaulx, I. Bojanova, Cyber-physical-human systems: Putting people in the loop. IT Prof 18(1), 10–13 (2016)CrossRef
8.
S.A. Kumar, B. Bhargava, R. Macêdo, G. Mani, Securing iot-based cyber-physical human systems against collaborative attacks, in 2017 IEEE International Congress on Internet of Things (ICIOT), (IEEE, 2017, June), pp. 9–16CrossRef
9.
Y. Jiang, S. Yin, O. Kaynak, Data-driven monitoring and safety control of industrial cyber-physical systems: Basics and beyond. IEEE Access 6, 47374–47384 (2018)CrossRef
10.
K.M. Renuka, S. Kumari, D. Zhao, L. Li, Design of a secure password-based authentication scheme for M2M networks in IoT enabled cyber-physical systems. IEEE Access 7, 51014–51027 (2019)CrossRef
11.
B. Ali, A.I. Awad, Cyber and physical security vulnerability assessment for IoT-based smart homes. Sensors 18(3), 817 (2018)CrossRef
12.
P. Radanliev, D.C. De Roure, R. Nicolescu, M. Huth, R.M. Montalvo, S. Cannady, P. Burnap, Future developments in cyber risk assessment for the internet of things. Comput. Ind. 102, 14–22 (2018)CrossRef
13.
P. Radanliev, D. De Roure, S. Cannady, R. Mantilla Montalvo, R. Nicolescu, M. Huth, Analysing IoT cyber risk for estimating IoT cyber insurance, in Living in the Internet of Things: Cybersecurity of the IoT-2018. IET Conference Proceedings, (The Institution of Engineering and Technology, London, 2018)
14.
S. Velliangiri, K.K. Kasaraneni, Machine Learning and Deep Learning in cyber security for IoT, in ICDSMLA 2019, (Springer, Singapore, 2020), pp. 975–981CrossRef
15.
K. Kandasamy, S. Srinivas, K. Achuthan, V.P. Rangan, IoT cyber risk: A holistic analysis of cyber risk assessment frameworks, risk vectors, and risk ranking process. EURASIP J. Inf. Secur. 2020, 1–18 (2020)
16.
I.H. Sarker, Y.B. Abushark, F. Alsolami, A.I. Khan, Intrudtree: A machine learning based cyber security intrusion detection model. Symmetry 12(5), 754 (2020)CrossRef
17.
I.H. Sarker, CyberLearning: Effectiveness analysis of machine learning security modeling to detect cyber-anomalies and multi-attacks. Internet of Things 14, 100393 (2021)CrossRef
18.
N.F. Syed, Z. Baig, A. Ibrahim, C. Valli, Denial of service attack detection through machine learning for the IoT. J. Inf. Telecommun 4(4), 482–503 (2020)
19.
R. Damaševičius, A. Venčkauskas, J. Toldinas, Š. Grigaliūnas, Ensemble-based classification using neural networks and machine learning models for windows PE malware detection. Electronics 10(4), 485 (2021)CrossRef
20.
V.H. Subburaj, B.A. Pham, Cybersecurity: Using Machine Learning Algorithms to Detect SQL Injection Attacks (2020)
21.
M. Shafiq, Z. Tian, Y. Sun, X. Du, M. Guizani, Selection of effective machine learning algorithm and Bot-IoT attacks traffic identification for internet of things in smart city. Futur. Gener. Comput. Syst. 107, 433–442 (2020)CrossRef
22.
Z. Katzir, Y. Elovici, Quantifying the resilience of machine learning classifiers used for cyber security. Expert Syst. Appl. 92, 419–429 (2018)CrossRef
23.
E. Anthi, L. Williams, M. Rhode, P. Burnap, A. Wedgbury, Adversarial attacks on machine learning cybersecurity defences in industrial control systems. J. Inf. Secur. Appl. 58, 102717 (2021)
24.
A. Bilen, A.B. Özer, Cyber-attack method and perpetrator prediction using machine learning algorithms. PeerJ Comput. Sci 7, e475 (2021)CrossRef
25.
V.K. Singh, M. Govindarasu, A cyber-physical anomaly detection for wide-area protection using machine learning. IEEE Transactions on Smart Grid. PP, 1 (2021)
26.
I. Tariq, M.A. Sindhu, R.A. Abbasi, A.S. Khattak, O. Maqbool, G.F. Siddiqui, Resolving cross-site scripting attacks through genetic algorithm and reinforcement learning. Expert Syst. Appl. 168, 114386 (2021)CrossRef
27.
M. Ghiasi, M. Dehghani, T. Niknam, A. Kavousi-Fard, P. Siano, H.H. Alhelou, Cyber-attack detection and cyber-security enhancement in smart DC-microgrid based on blockchain technology and Hilbert Huang transform. IEEE Access 9, 29429–29440 (2021)CrossRef
28.
Q. Li, L. Zhang, R. Zhou, Y. Xia, W. Gao, Y. Tai, Machine learning-based stealing attack of the temperature monitoring system for the energy Internet of Things. Secur. Commun. Netw 2021, 1 (2021)
29.
P. Kumar, G.P. Gupta, R. Tripathi, TP2SF: A trustworthy privacy-preserving secured framework for sustainable smart cities by leveraging blockchain and machine learning. J. Syst. Archit. 115, 101954 (2021)CrossRef
30.
S. Zhu, V. Saravanan, B. Muthu, Achieving data security and privacy across healthcare applications using cyber security mechanisms. Electron. Libr. 38, 979 (2020)CrossRef
31.
S. Liu, S. You, H. Yin, Z. Lin, Y. Liu, W. Yao, L. Sundaresh, Model-free data authentication for cyber security in power systems. IEEE Trans. Smart Grid 11(5), 4565–4568 (2020)CrossRef
32.
S. Velliangiri, An enhanced multimedia video surveillance security using wavelet encryption framework. J. Mobile Multimed 15(3), 239–254 (2020)
33.
H. Karimipour, A. Dehghantanha, R.M. Parizi, K.K.R. Choo, H. Leung, A deep and scalable unsupervised machine learning system for cyber-attack detection in large-scale smart grids. IEEE Access 7, 80778–80788 (2019)CrossRef
34.
S. Velliangira, J. Premalata, A novel forgery detection in image frames of the videos using enhanced convolutional neural network in face images. Comput. Model. Eng. Sci 125(2), 625–645 (2020)
35.
M. Thakong, S. Phimoltares, S. Jaiyen, C. Lursinsap, One-pass-throw-away learning for cybersecurity in streaming non-stationary environments by dynamic stratum network. PLoS One 13(9), e0202937 (2018)CrossRef
36.
M. Kalinin, V. Krundyshev, P. Zegzhda, Cybersecurity risk assessment in Smart City infrastructures. Mach. Des. 9(4), 78 (2021)
37.
W. Serrano, The blockchain random neural network for cybersecure IoT and 5G infrastructure in smart cities. J. Netw. Comput. Appl. 175, 102909 (2021)CrossRef
38.
J. Zhang, Y. Zhao, J. Wang, B. Chen, FedMEC: Improving efficiency of differentially private federated learning via mobile edge computing. Mobile Netw. Appl 25(6), 2421–2433 (2020)CrossRef
39.
S. Latif, Z. Idrees, J. Ahmad, L. Zheng, Z. Zou, A blockchain-based architecture for secure and trustworthy operations in the industrial Internet of Things. J. Ind. Inf. Integr. 21, 100190 (2021)
40.
W. Abramson, A.J. Hall, P. Papadopoulos, N. Pitropakis, W.J. Buchanan, A distributed trust framework for privacy-preserving machine learning, in International Conference on Trust and Privacy in Digital Business, (Springer, Cham, 2020, Sept), pp. 205–220
Metadaten
Titel
Learning Approaches for Security and Privacy in Internet of Things
verfasst von
T. Daniya
M. Geetha
Velliangiri Sarveshwaran
Ch. Madhu Babu
Copyright-Jahr
2024
Buch
Modern Approaches in IoT and Machine Learning for Cyber Security

Print ISBN: 978-3-031-09954-0

Electronic ISBN: 978-3-031-09955-7

Copyright-Jahr: 2024

DOI
https://doi.org/10.1007/978-3-031-09955-7_4

Premium Partner

    Bildnachweise