💻 computer science

An AI-Based Solution for Secure Service Provisioning in IoT

Dit artikel stelt een AI-gebaseerd framework voor dat Deep Reinforcement Learning combineert voor adaptieve serviceprovisioning en Federated Learning voor gedistribueerde gedragsvingerafdrukken om de beveiliging en betrouwbaarheid in IoT-ecosystemen te verbeteren, zelfs op apparaten met beperkte middelen.

Oorspronkelijke auteurs: Marco Arazzi, Mert Cihangiroglu, Serena Nicolazzo, Antonino Nocera, Vinod P

Gepubliceerd 2026-07-01

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Marco Arazzi, Mert Cihangiroglu, Serena Nicolazzo, Antonino Nocera, Vinod P

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je het Internet of Things (IoT) voor als een enorme, bruisende digitale marktplaats. In deze markt proberen duizenden "slimme objecten" (zoals slimme lampen, thermostaten of camera's) hun diensten aan jou te verkopen. Het probleem is dat sommige van deze verkopers leugenaars kunnen zijn, sommigen kapot kunnen zijn, en anderen zelfs spionnen kunnen zijn die doen alsof ze behulpzaam zijn. Als je de verkeerde inhuurt, kan je data gestolen worden of kan je smart home defect raken.

Dit artikel stelt een tweeledig "slim selectiesysteem" voor om je te helpen de juiste dienstverlener te kiezen en om een oog op hen te houden zodra je ze hebt ingehuurd. Dit is hoe het werkt, onderverdeeld in eenvoudige concepten:

1. De CV-check: Security SLAs

Voordat je zelfs maar met een verkoper praat, overhandigt deze je een "cv" genaamd een Security Service Level Agreement (SecSLA). Denk hierbij aan een cv van een sollicitant die hun beveiligingscredentials vermeldt.

De Wensenlijst van de Gebruiker: Jij (de klant) hebt een specifieke "Beveiligingswensenlijst". Misschien eis je "Hoge Vertrouwelijkheid" (niemand kan je data lezen) en "Hoge Beschikbaarheid" (de dienst valt nooit uit).
Het Matchingsspel: Het systeem vergelijkt jouw Wensenlijst met het CV van de verkoper. Als de beveiligingsbeloften van de verkoper overeenkomen met jouw behoeften, krijgen ze een goede score. Als ze te zwak zijn, krijgen ze een slechte score.

2. De HR-manager: De AI-agent (DRL)

Je wilt niet handmatig elk cv controleren. Daarom huur je een Digitale HR-manager (een AI-agent) in om dit voor je te doen.

Leren door te doen: Deze manager maakt gebruik van een techniek genaamd Deep Reinforcement Learning (DRL). Stel je een personage in een videogame voor dat leert door vallen en opstaan. Elke keer dat de manager een goede verkoper kiest, krijgt hij een "gouden ster" (beloning). Als de manager een slechte keuze maakt, krijgt hij een "boos gezicht" (straf).
De Strategie: Na verloop van tijd leert de manager om verkopers te negeren die er op papier goed uitzien, maar een geschiedenis hebben van slecht gedrag. De manager leert ook geduldig te zijn. Als alle beschikbare verkopers riskant lijken, kan de manager ervoor kiezen om te "wachten" in plaats van een gevaarlijke verkoper in te huren, zelfs als dat iets langer duurt om de klus te klaren.

3. De Achtergrondcontrole: Behavioral Fingerprints (BF)

Soms heeft een verkoper een perfect cv, maar is het in werkelijkheid een crimineel in vermomming. Om deze bedriegers te vangen, gebruikt het systeem een Behavioral Fingerprint (BF).

Het Digitale DNA: Net zoals een mens een unieke manier van lopen of praten heeft, heeft elk apparaat een unieke "digitale loop". Het verzendt data met specifieke snelheden, gebruikt specifieke soorten verbindingen en volgt een voorspelbaar patroon.
De Waakhond: Het systeem bouwt een profiel op van hoe een apparaat zou moeten gedragen. Als een apparaat plotseling vreemd begint te doen (zoals data verzenden op de verkeerde tijd of in het verkeerde formaat), markeert het systeem dit als verdacht.

4. De Buurtpreventie: Federated Learning (FL)

Hier komt het lastige deel: Hoe weet je dat een apparaat vreemd doet als je het nog nooit eerder hebt gezien?

De Buurtwacht: In plaats van één centrale baas die alle data verzamelt (wat een nachtmerrie voor de privacy zou zijn), gebruikt het systeem Federated Learning. Stel je een buurt voor waar iedereen zijn eigen dagboek bijhoudt van verdachte activiteiten. In plaats van hun dagboeken naar een centraal kantoor te sturen, sturen ze alleen een "samenvatting" van wat ze hebben geleerd.
Het Globale Model: Deze samenvattingen worden gecombineerd om een "Globale Blacklist" te maken. Hierdoor kan elk apparaat in het netwerk leren over kwaadwillende actoren zonder dat iemand zijn privédata hoeft te delen. Als één buur een dief ziet, krijgt de hele buurt direct een melding.

5. De Eindscore: Betrouwbaarheid

Het systeem combineert de "CV-check" (SecSLA) en de "Achtergrondcontrole" (Behavioral Fingerprint) tot één enkele Betrouwbaarheidsscore.

Wanneer de AI HR-manager op zoek is naar een dienst, kijkt hij niet alleen naar het cv. Hij kijkt naar de Betrouwbaarheidsscore.
Als een verkoper een geweldig cv heeft maar een lage betrouwbaarheidsscore (omdat hij betrapt is op vreemd gedrag), wijst de Manager hem af.
Als een verkoper een goede score heeft, huurt de Manager hem in.

Wat de experimenten lieten zien

De auteurs testten dit systeem in een gesimuleerde digitale marktplaats met 100 "hiring agents" en 10 "sellers".

De Aanval: Op dag 6 van de test werden sommige verkopers "gehackt" en begonnen ze zich als spionnen te gedragen.
Het Resultaat:
- Oude methoden (alleen het controleren van cv's) bleven de spionnen inhuren omdat de spionnen nog steeds perfecte cv's hadden. Ze werden constant gehackt.
- Het Nieuwe Systeem: De AI-manager kreeg een "boos gezicht" wanneer hij een spion inhuurde. Hij leerde snel om deze te vermijden. Binnen één dag stopte hij volledig met het inhuren van de slechte actoren.
- De Afweging: Om veilig te blijven, begon de AI-manager vaker te "wachten" in plaats van direct de eerste beschikbare verkoper in te huren. Dit maakte het systeem iets langzamer, maar veel veiliger.
- Schaalbaarheid: Het systeem werkte even goed toen zij het aantal verkopers verhoogden van 10 naar 50, wat bewees dat het grote, drukke digitale markten aankan.

In een Notendop

Dit artikel presenteert een slim, zelflerend systeem dat IoT-apparaten helpt om veilige dienstverleners te vinden. Het vertrouwt niet alleen op het "cv" (beveiligingsbeloften); het houdt ook het "gedrag" in de gaten (hoe het apparaat zich daadwerkelijk gedraagt) en gebruikt een gemeenschapsgerichte leermethode om vervalsingen op te sporen. Het is als het hebben van een super-slimme HR-manager die leert van elke fout en die wijsheid deelt met de hele buurt om iedereen veilig te houden.

Technische Samenvatting: Een AI-gebaseerde Oplossing voor Veilige Service Provisioning in IoT

1. Probleemstelling

De snelle expansie van het Internet of Things (IoT) heeft de aanvalsoppervlakte aanzienlijk vergroot, waarbij opkomende dreigingen zich richten op slimme objecten en hun interacties. Een kritieke uitdaging in dit landschap is veilige service provisioning, wat device-registratie, configuratie, authenticatie, autorisatie en software-implementatie omvat. Bestaande benaderingen richten zich vaak op functionele efficiëntie of statische beveiligingsmaatregelen, waarbij de dynamische aard van dreigingen wordt verwaarloosd waarbij serviceproviders na de initiële implementatie gecompromitteerd kunnen raken.

Huidige beperkingen omvatten:

Statische Beveiligingsmodellen: Veel frameworks vertrouwen op initiële authenticatie of statische Service Level Agreements (SLA's) die geen rekening houden met runtime gedragsveranderingen of compromitteringen.
Privacyrisico's bij Monitoring: Gedistribueerde gedragsmonitoring vereist vaak het aggregeren van ruwe data van meerdere nodes, wat significante privacyrisico's creëert.
Gebrek aan Adaptieve Selectie: Traditionele selectiemechanismen passen zich niet dynamisch aan de betrouwbaarheid van serviceproviders aan op basis van realtime gedragsanalyse.

Het paper stelt dat het beveiligen van IoT-infrastructuren een framework vereist dat niet alleen geschikte serviceproviders selecteert op basis van door de gebruiker gedefinieerde beveiligingscriteria, maar ook continu hun gedrag monitort om compromitteringen te detecteren, terwijl de gegevensprivacy behouden blijft.

2. Methodologie

De auteurs stellen een uitgebreid framework voor dat Deep Reinforcement Learning (DRL) integreert voor adaptieve service-selectie en Federated Learning (FL) voor gedistribueerde gedragsmonitoring. Het framework werkt via twee primaire fasen:

A. Veilige Service Selectie (DRL-gebaseerd)

Het selectieproces wordt gemodelleerd als een besluitvormingsprobleem waarbij een intelligente agent (geplaatst op een client IoT-node) interageert met een dynamische omgeving van serviceproviders.

Input: De agent beschouwt User Protection Requirements (uitgedrukt als beveiligingsklassen op basis van de CIA-triade: vertrouwelijkheid, integriteit, beschikbaarheid) en de Security Service Level Agreements (SecSLAs) die door providers worden aangeboden.
Mechanisme: De agent gebruikt een Deep Q-Network (DQN) om een optimale policy te leren. Het evalueert potentiële providers op basis van:
1. Security Compliance: Berekend als de Euclidische afstand tussen de beveiligingseisen van de gebruiker en de SecSLA van de provider.
2. Provider Betrouwbaarheid: Een betrouwbaarheidsscore ( $T_s$ ) afgeleid van gedragsanalyse.
Beloningsfunctie (Reward Function): De agent ontvangt beloningen voor het selecteren van providers die voldoen aan de beveiligingseisen en een hoge betrouwbaarheid vertonen. De agent ontvangt negatieve beloningen voor het selecteren van gecompromitteerde providers of het niet voltooien van taken. De agent kan ook kiezen om te "wachten" (een tijdstap overslaan) om onbetrouwbare opties te vermijden, waarbij een balans wordt gezocht tussen urgentie en voorzichtigheid.

B. Veilige Service Monitoring (FL-gebaseerde Behavioral Fingerprinting)

Om de betrouwbaarheid van providers te beoordelen zonder de privacy in gevaar te brengen, gebruikt het framework Federated Learning om een globale Behavioral Fingerprint (BF) model te construeren.

Gedragskenmerken: Het BF-model analyseert netwerkverkeerspatronen, waaronder:
- Bronpoorttypen, TCP-flags en geëncapsuleerde protocollen.
- Inter-arrival times (IAT) en pakketlengtes.
- Payload-waarden en payload-verschuivingen (cruciaal voor het detecteren van cyber-fysieke aanvallen).
Federated Architectuur:
- Lokale Training: Client-nodes (workers) trainen lokale modellen met hun private interactiedata met specifieke serviceproviders.
- Globale Aggregatie: Een aggregator-node verzamelt modelupdates (gewichten) van clients om een globaal BF-model bij te werken. Ruwe data worden nooit gedeeld.
- Inference: Het globale model voorspelt het "volgende symbool" in een sequentie van netwerkpakketten. Afwijkingen van de verwachte sequentie genereren een anomalie-score.
Berekening van de Trust Score: De anomalie-scores worden geaggregeerd over een tijdvenster om een betrouwbaarheidsscore ( $T_s \in [0, 1]$ ) voor elke provider te berekenen. Deze score wordt teruggekoppeld naar de DRL-beloningsfunctie, waardoor de agent providers kan vermijden die abnormaal gedrag vertonen.

3. Belangrijkste Bijdragen

Het paper schetst vier innovatieve bijdragen:

Geïntegreerd Framework: Een compleet systeem voor veilige IoT service provisioning dat gezamenlijk zowel provider-selectie als continue gedragsmonitoring aanpakt.
Gebruikersgerichte Beveiliging: Het gebruik van SecSLAs stelt gebruikers in staat om specifieke beveiligings- en privacyniveaus te definiëren, die worden geformaliseerd als beveiligingsklassen om het selectieproces te sturen.
DRL-gestuurde Selectie: Het modelleren van de selectie van serviceproviders als een DRL-probleem stelt het systeem in staat om zich aan te passen aan dynamische omgevingen, waarbij een balans wordt gevonden tussen functionele geschiktheid, beveiligingsrestricties en realtime betrouwbaarheid.
Privacy-Preserving Monitoring: De toepassing van Federated Learning voor het berekenen van Behavioral Fingerprints maakt de creatie van robuuste, globale gedragsmodellen mogelijk zonder gevoelige ruwe data te centraliseren, wat de privacyzorgen adresseert die inherent zijn aan gedistribueerde monitoring.

4. Experimentele Resultaten

De auteurs evalueerden het framework met behulp van de UNSW IoT Traces dataset (werkelijk verkeer van consumenten-IoT-apparaten) in een gesimuleerde marktplaatsomgeving met 10 tot 50 serviceproviders en 100 agents per dag.

Belangrijkste bevindingen:

Snelle Adaptatie: De DRL-gebaseerde agents (specifiek het volledige systeem, B6) pasten zich binnen één dag na het begin van een aanval aan gecompromitteerde providers aan. Ze verminderden de interacties met gecompromitteerde nodes tot bijna nul, terwijl non-learning baselines (Random, Greedy) gecompromitteerde nodes oneindig bleven benaderen.
Taakvoltooiing: Het voorgestelde framework behield een 100% Completed Operations Percentage (COP) zelfs na aanvallen, terwijl willekeurige selectie daalde naar ~82%. Dit werd bereikt doordat de agent leerde te "wachten" op benigne alternatieven in plaats van risicovolle providers te accepteren.
Betrouwbaarheid van Detectie: De BF-gebaseerde detectie (met gebruik van GRU-netwerken) zorgde voor diepere betrouwbaarheidsdalingen voor gecompromitteerde nodes vergeleken met eenvoudige drempelwaarde-detectoren, wat sterkere langetermijnbeschermingssignalen biedt.
Schaalbaarheid: Het framework demonstreerde robuustheid over verschillende netwerkgroottes ( $n=10, 25, 50$ ). Naarmate het netwerk groeide, nam het voordeel van het volledige systeem in het verminderen van gecompromitteerde interacties toe (tot een reductie van 87% vergeleken met de baseline security-only benaderingen).
Efficiëntie van Middelen: Het lichtgewicht karakter van het BF-model (het gebruik van GRU's in plaats van zwaardere LSTM's) en de gedistribueerde aard van FL suggereren dat de oplossing levensvatbaar is voor hulpbronnenbeperkte IoT-apparaten.

5. Betekenis en Claims

Het paper claimt dat de oplossing een levensvatbaar en schaalbaar mechanisme biedt voor het verbeteren van de beveiliging in moderne IoT-ecosystemen. Specifiek:

Proactieve Defensie: In tegen tegenover statische beveiligingsmaatregelen kan het systeem detecteren of een peer gecompromitteerd is voordat of tijdens de interactie, waardoor datalekken en manipulatie worden voorkomen.
Privacybehoud: Door Federated Learning te gebruiken, bereikt het framework uitgebreide gedragsmodellering zonder de privacy van de betrokken entiteiten te schenden.
Praktische Toepasbaarheid: De experimentele resultaten suggereren dat de aanpak effectief is, zelfs op hulpbronnenbeperkte apparaten, wat het geschikt maakt voor real-world implementaties in scenario's zoals smart cities en industriële IoT (Industry 5.0).
Gebalanceerde Besluitvorming: Het framework navigeert succesvol door de afweging tussen de urgentie van servicielevering en de noodzaak van beveiliging, waardoor hoge taakvoltooiingspercentages worden gegarandeerd zonder dat dit ten koste gaat van de beveiligingsexpositie.

De auteurs concluderen dat hoewel het huidige framework robuust is, toekomstig werk zich zal richten op het uitbreiden van het model naar complexere scenario's, het opnemen van aanvullende contextuele factoren (bijv. energieverbruik, latentie), en het onderzoeken van geavanceerde leeralgoritmen om de veerkracht tegen evoluerende dreigingen verder te vergroten.