穿戴式智能设备有哪些潜在安全问题?(上)



 随着物联网(Internet of Everything /Internet of Things) 时代的到来,可供消费者选择的新型电子产品越来越多,穿戴式的智能设备就是其中之一,它们正以惊人的速度普及。什么是穿戴式智能设备呢?顾名思义,就是人们日常生活中可以穿戴在身上的设备,除了大名鼎鼎的Google Glass,更常见的还有健身记录器、智能手表等。

       这些穿戴式智能设备的作用,通常是记录身体的活动机能数据,或是显示其他设备输出的内容,两种用途还可以彼此交叉,让使用者的生活更加丰富多彩。在接下来的上下两篇文章中,我们就来探讨一下穿戴式智能设备上可能存在的攻击和风险,但请注意,这些只是理论或概念上的推测,并非已经发生的事实,因此这些危险在未来是否发生还是一个未知数,要看未来电子产品市场将如何演变,也要看不法分子是否有其他更加有利可图的目标。我们的目的并不是吓唬使用者,使他们避开这些新产品,而是鼓励厂商从一开始就把安全性融入到产品当中。


穿戴式智能设备的三大类型

1、输入型:

       这类设备无时不刻都在记录使用者的个人资料,比如健身记录器,它会帮使用者记录步伐、距离、能量消耗、卡路里、心跳、GPS 定位等。这类设备通常会先将资料储存在设备上,然后再上传到手机或 PC,最后同步到使用者的云端帐号以保留历史记录和显示统计图表。按照这种趋势,未来还会出现一些可以监控健康状况 (如体温、血氧浓度等等) 的医疗设备。

 

2、输出型:

       这类设备接收其他设备 (如手机) 输出的资料,最典型的就是智能手表。这些设备可以显示文字、运行程序来提升便利性,它们显示的资料通常来自网络,并且通过中介设备(手机便是一种)传递。

 

3、输入输出型:

       这些设备运转的方式是获取资料——过滤资料——显示资料,例如Google Glass 就是,它有摄影机可以获取现实世界的影像,也可以将一些资料投射到使用者的视线当中。这些设备可以为现实世界增添一些额外信息,让使用者的日常生活体验更棒。除了Google Glass,也有一些稍微简单的设备也能担任“输入兼输出”的工作,既可获得使用者资料 (如步伐、距离等等) 又可显示来自配对手机的内容。

       我们目前可以这样为穿戴式智能设备大致分类,但它们的整体趋势却是朝“输入输出整合”的方向发展,因为厂商都希望提供更多的价值,例如让健身记录器也可以有短信功能、地图功能或者可以接收其他信息。

从信息安全角度看穿戴式智能设备

       从信息安全的角度来看,我们很难说哪一类设备比另一类安全。这是因为如果黑客想攻击它们,区别也只是在攻击的途径上会有不同而已。一个设备的功能越多,遭到攻击的可能性就越大。就这点来看,“输入输出型”设备的目标最大,最可能遭到攻击。不过,也不能说它们一定就不安全,因为安全性取决于设备的设计和“过去的表现”。所谓“过去的表现”是指它过去曾经承受多少次的攻击而安然无恙。就新推出的设备来说,黑客可能需要较多的时间来试探它们。不过,随着时间发展,设备将更加成熟,而黑客也将完全掌握这些设备的内部运作原理,那时这种设备也就不再像过去那么安全了。

 

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值