Но кое-что мы знаем уже сегодня: блокчейн, который генерирует и сохраняет распределенный протокол всех транзакций, позволяет людям проявлять доверие к проведенным с его помощью сделкам. Фактически он уничтожает необходимость в надежном посреднике между покупателями и продавцами или – в случае IoT – между взаимодействующими объектами. Более того, потенциально блокчейну под силу устранить необходимость в посредниках для большинства транзакций. Тем, кто хочет внедрить открытые, надежные IoT-коммуникации без вынужденной опоры на посредников, блокчейн, особенно «частный» блокчейн, открывает дорогу к осуществлению распределенных IoT-транзакций, в возможность которых людям до недавнего времени верилось с трудом.

Машинное обучение улучшает аналитику в реальном времени

Подобно блокчейну, машинное обучение представляет собой еще одну важную технологию в мире IoT. Эта важнейшая технология стоит за аналитикой в реальном времени, которая по праву считается одним из ключевых сценариев использования IoT. Машинное обучение существует уже много лет, но недавний прогресс в глубинном обучении, и особенно в контролируемом обучении, сделал технологию гораздо более ценной для IoT. Контролируемое обучение позволяет вам тренировать систему аналитики с целью повышения точности ее прогнозов: чем больше данных о работе устройства, ошибках и техническом обслуживании вы загружаете в систему предиктивной аналитики, тем точнее она работает. Более того, хотя неконтролируемое обучение пока не достигло того же уровня развития и по-прежнему страдает от множества проблем, оно тоже открывает бесценные возможности для IoT. Подумайте об атаках нулевого дня, в ходе которых хакер использует уязвимость программного обеспечения, еще неизвестную его поставщику. В таком сценарии, поскольку еще нет данных для обучения классификатора, такого как нейтральная сеть, для выявления атак используется продвинутое неконтролируемое обучение.

Самообучающиеся сети (SLN) служат прекрасным примером прорывного потенциала машинного обучения в IoT. SLN представляют собой архитектурное решение в сочетании с мощной аналитикой и широким спектром технологий машинного обучения (включая когнитивное обучение от машины к машине), которое позволяет сетям стать интеллектуальными, адаптивными, автоматизированными и предиктивными. SLN разрабатываются с расчетом на масштабируемость: для этого на периферии сети используется большое количество алгоритмов машинного обучения, при помощи которых сеть постоянно изучает закономерности сетевого трафика для построения математических моделей.

Эти модели впоследствии могут быть использованы в разных целях:

1. Прогнозирование производительности приложений: прогнозируя уровень качества сервиса, который IoT-приложения получат из сети, сеть получает возможность предвидеть изменения и адаптироваться соответствующим образом.

2. Как мы уже говорили, обеспечение безопасности считается одной из основных проблем нашей отрасли, поскольку атаки становятся все масштабнее и изощреннее. SLN используют машинное обучение, чтобы создавать комплексные модели нормальных состояний. Такие модели позволяют выявлять сложные атаки, такие как кражи данных, а также DoS-атаки на сети IoT.