Интернет вещей

Рост количества чрезвычайных ситуаций требует совершенствования методов прогнозирования киберугроз и оценки информационной нагрузки на распределенные системы реагирования на ЧС. Подход на основе усеченной эмпирической статистики позволяет количественно оценить риски и параметры угроз и сформулировать рекомендации по превентивным мерам реагирования в условиях нестабильной цифровой среды.

Сейчас при создании систем Интернета вещей практически отсутствует согласованность в использовании многочисленных методов разработки и развертывания. И крайне важно прекратить практику программирования, установки и эксплуатации крупномасштабных систем с использованием всей мешанины применяемых сегодня технологий. Интернету вещей нужны изоморфные программные архитектуры, подсистемы которых можно программировать с помощью одного и того же набора инструментов.

Как объединить традиционные магазины с миром электронной коммерции? Традиционный ретейл может эволюционировать, повышая привлекательность физических магазинов. Это можно сделать с помощью платформ розничной торговли в виде сервиса (Retail-as-a-Service).

Новое поколение архитектур — гиперскейлеров, объединяющих облака, граничные вычисления и технологии 5G/6G, предназначено для эффективного решения сверхмасштабных задач в среде Интернета вещей и позволяет расширять существующие или создавать новые цифровые платформы предприятия.

Контент — главный элемент информационно-центричной модели сети. Его можно кэшировать и перераспределять в рамках такой сети. Внедрение этой модели в крупномасштабной беспроводной сети Интернета вещей, с одной стороны, позволило бы существенно повысить ее эффективность, а с другой — оставило бы за бортом многие традиционные решения для безопасности. Однако на этом пути остается еще много проблем обеспечения безопасности и приватности.

Оптимизация производства на основе огромных объемов данных, генерируемых промышленным предприятием, невозможна без их комплексного анализа в реальном времени в Промышленных облаках, интегрирующих машины, станки, системы управления и технологии искусственного интеллекта.

Развитие Интернета вещей вызвало лавинообразный рост данных на периферии, что привело к значительному усложнению всей экосистемы и вызвало появление «умной периферии» — размещение вычислительных мощностей и систем аналитики с искусственным интеллектом ближе к источникам данных.

Технологии машинного обучения открывают новые перспективы для развития Интернета вещей, однако несут с собой и новые угрозы: создание индивидуальных образцов вредоносного ПО, формирование фейковых событий, появление цифровых двойников реальных законопослушных пользователей и пр. Интернет вещей стал лакомой добычей хакеров и источником новых угроз. Как в таких условиях минимизировать риски потери надежности систем Интернета вещей и какие использовать стандарты обеспечения безопасности?

Темы сентябрьского, октябрьского и ноябрьского номеров журнала Computer (IEEE Computer Society, Vol. 52, No. 9–11, 2019) — трансляционные исследования в информатике, юбилей ARPANET и цифровое здравоохранение.

Прошивки устройств Интернета вещей могут содержать скрытые от пользователей уязвимости и вредоносный код, в связи с чем анализ встроенного ПО становится неотложным и критичным направлением исследований, однако пока еще нет какого-либо систематического способа доступа ко всему многообразию применяемого в таких устройствах микропрограммного обеспечения.