活动介绍

物联网安全:加密与身份访问管理

立即解锁
发布时间: 2025-08-29 10:48:50 阅读量: 15 订阅数: 12 AIGC
# 物联网安全:加密与身份访问管理 ## 1. 物联网中的加密技术 ### 1.1 蓝牙低功耗(Bluetooth - LE)隐私保护 蓝牙低功耗(Bluetooth - LE)支持为设备提供隐私保护。这需要使用身份解析密钥(IRK)来为设备生成特殊的私有地址。在隐私支持方面有两种选择:一种是设备自行生成私有地址,另一种是由蓝牙控制器生成地址。 ### 1.2 近场通信(NFC) 近场通信(NFC)本身不实现原生加密保护,但可以在NFC协商过程中进行端点认证。NFC支持短距离通信,常作为第一步协议,为其他协议(如蓝牙)建立带外配对。 ### 1.3 物联网消息协议中的加密控制 #### 1.3.1 MQTT MQTT允许发送用户名和密码。直到最近,规范建议密码长度不超过12个字符。用户名和密码作为CONNECT消息的一部分以明文形式发送。因此,使用MQTT时必须采用传输层安全协议(TLS),以防止对密码的中间人攻击。理想情况下,两个端点之间应使用端到端的TLS连接,并结合证书进行TLS连接的相互认证。 #### 1.3.2 CoAP CoAP支持设备到设备通信的多种认证选项,并可与数据报传输层安全协议(D - TLS)结合使用,以提供更高级别的机密性和认证服务。CoAP根据使用的加密材料类型定义了多种安全模式,如下表所示: | 模式 | 描述 | | --- | --- | | NoSec | DTLS禁用,无协议级安全。若能启用其他安全形式(如在TCP连接上使用IPsec或启用安全链路层),此模式可能足够,但不建议使用。 | | PreSharedKey | DTLS启用,有预共享密钥可用于节点通信,这些密钥也可作为组密钥。 | | RawPublicKey | DTLS启用,设备有一个没有证书的非对称密钥对(原始公钥),通过带外机制进行验证。设备还有根据公钥计算的身份以及可通信节点的身份列表。 | | Certificate | DTLS启用,设备有一个带有X.509证书(RFC5280)的非对称密钥对,该证书绑定到其主题并由某个共同的信任根签名。设备还有一个可用于验证证书的根信任锚列表。 | #### 1.3.3 DDS 对象管理组织的数据分发标准(DDS)安全规范提供端点认证和密钥建立,以实现消息数据来源认证(使用HMAC),支持数字证书和各种身份/授权令牌类型。 #### 1.3.4 REST HTTP/REST通常需要TLS协议的支持来提供认证和机密性服务。虽然基本认证(凭证以明文形式传递)可在TLS的保护下使用,但不建议这样做。建议采用基于令牌的认证(如有需要,还可包括授权)方法,如在OAuth2之上的OpenID身份层。使用OAuth2时,还应实施额外的安全控制。相关参考网站如下: - http://www.oauthsecurity.com - https://www.sans.org/reading - room/whitepapers/application/attacks - oauth - secure - oauth - implementation - 33644 ### 1.4 物联网与加密的未来方向 如今物联网中使用的加密技术与更广泛的互联网所采用的加密信任机制相同。然而,物联网正以前所未有的规模发展,需要更分布式和去中心化的信任机制。未来许多大规模、安全的物联网交易将不再仅仅是简单的客户端 - 服务器或点对多点加密交易。必须开发和添加新的或适应性的加密协议,以提供可扩展的分布式信任。虽然难以预测最终会采用哪些新协议,但为当今互联网应用开发的分布式信任协议可能为物联网的发展方向提供一些线索。 区块链就是这样一种协议,它是一种去中心化的加密信任机制,是比特币数字货币的基础,并提供系统中所有合法交易的去中心化账本。区块链系统中的每个节点都参与维护这个账本的过程,通过所有参与者之间的可信共识自动完成,其结果都具有内在的可审计性。区块链随着时间的推移,使用链中每个先前块的加密哈希值构建而成。哈希函数可以生成任意数据块的单向指纹哈希。Merkle树是哈希函数的一个有趣应用,它代表一系列并行计算的哈希值,最终形成整个树的加密强结果哈希。 在Merkle树中,任何一个哈希值(或被哈希的数据元素)的损坏或完整性丢失都表明在该点的完整性受到破坏。在区块链中,随着新交易(代表可哈希交易的节点)添加到账本中,Merkle树模式会不断发展;账本对所有节点可用,并在系统中的所有节点之间复制。 区块链还包括一种共识机制,链中的节点通过该机制就如何更新链达成一致。例如,在分布式控制系统中,网络上的控制器可能希望命令执行器执行某个动作。网络上的节点可以共同确定控制器是否有权命令该动作,以及执行器是否有权执行该动作。 此外,区块链的用途不止于此。例如,如果控制器通常从一组传感器接收数据,而其中一个传感器开始提供不符合规范或可接受容差的数据(例如通过方差分析),控制器可以更新区块链,撤销该异常传感器的授权。区块链的更新可以进行哈希处理,并通过Merkle树与其他更新(如交易)的哈希值相结合。结果将与时间戳和前一个块的哈希值一起放置在提议的新块的头部。 这种解决方案可能为分布式、可信的网络物理系统(CPS)中的弹性和容错对等网络奠定基础。通过适当的性能要求和工程设计,这种功能可以在实时和近实时用例中实现。传统系统可以通过在系统的控制、状态和数据消息前分层事务协议来增强功能。虽然我们最终不知道这些技术在未来的物联网系统中是否会实现,但它们为我们提供了如何使用强大的加密算法来解决大规模分布式信任这一巨大挑战的思路。 ### 1.5 加密技术总结 在物联网安全中,加密技术至关重要。我们涉及了应用加密、加密模块、密钥管理、加密在物联网协议中的应用,以及区块链技术在分布式物联网信任中的可能未来应用。重要的是要认真对待加密及其实现方法。许多物联网设备和服务公
corwn 最低0.47元/天 解锁专栏
赠100次下载
继续阅读 点击查看下一篇
profit 400次 会员资源下载次数
profit 300万+ 优质博客文章
profit 1000万+ 优质下载资源
profit 1000万+ 优质文库回答
复制全文

相关推荐

物联网_赵伟杰

物联网专家
12年毕业于人民大学计算机专业,有超过7年工作经验的物联网及硬件开发专家,曾就职于多家知名科技公司,并在其中担任重要技术职位。有丰富的物联网及硬件开发经验,擅长于嵌入式系统设计、传感器技术、无线通信以及智能硬件开发等领域。
最低0.47元/天 解锁专栏
赠100次下载
百万级 高质量VIP文章无限畅学
千万级 优质资源任意下载
千万级 优质文库回答免费看

最新推荐

多视图检测与多模态数据融合实验研究

# 多视图检测与多模态数据融合实验研究 ## 1. 多视图检测实验 ### 1.1 实验数据集 实验参考了Wildtrack数据集和MultiviewX数据集,这两个数据集的特点如下表所示: | 数据集 | 相机数量 | 分辨率 | 帧数 | 区域面积 | | ---- | ---- | ---- | ---- | ---- | | Wildtrack | 7 | 1080×1920 | 400 | 12×36 m² | | MultiviewX | 6 | 1080×1920 | 400 | 16×25 m² | ### 1.2 评估指标 为了评估算法,使用了精度(Precision)、

二维和三维偏微分方程耦合求解及生命科学中常微分方程问题的解决

### 二维和三维偏微分方程耦合求解及生命科学中常微分方程问题的解决 #### 1. 二维和三维偏微分方程耦合求解 在求解二维和三维偏微分方程时,有几个具体的问题和解决方法值得探讨。 ##### 1.1 获取相同网格点的 v 值 要在与 u 相同的网格点上获取 v 值,可以输入以下命令: ```matlab >> T_table=tri2grid(p,t,u(length(p)+1:end,end),x,y) ``` 示例结果如下: ``` T_table = 0.6579 0.5915 0.5968 0.6582 0 0.6042 0.4892 0.5073 0.6234 0 0.543

模型生产化:从本地部署到云端容器化

# 模型生产化:从本地部署到云端容器化 ## 1. 引入 FastAPI 在将模型投入生产的过程中,我们首先要安装 FastAPI。由于 FastAPI 是一个 Python 模块,我们可以使用 pip 进行安装。打开一个新的终端,运行以下命令: ```bash $ pip install fastapi uvicorn aiofiles jinja2 ``` 这里我们安装了一些 FastAPI 所需的额外依赖项。uvicorn 是一个用于设置 API 的底层服务器/应用程序接口,而 aiofiles 则使服务器能够异步处理请求,例如同时接受和响应多个独立的并行请求。这两个模块是 FastA

利用Kaen实现PyTorch分布式训练及超参数优化

### 利用Kaen实现PyTorch分布式训练及超参数优化 #### 1. 启用PyTorch分布式训练支持 在进行模型训练时,我们可以使用Kaen框架来支持PyTorch的分布式训练。以下是相关代码示例: ```python train_glob = os.environ['KAEN_OSDS_TRAIN_GLOB'] if 'KAEN_OSDS_TRAIN_GLOB' in os.environ else 'https://raw.githubusercontent.com/osipov/smlbook/master/train.csv' val_glob = os.environ['

强化学习与合成数据生成:UnityML-Agents深度解析

# 强化学习与合成数据生成:Unity ML - Agents 深度解析 ## 1. 好奇心奖励与超参数设置 在强化学习中,为了激发智能体的好奇心,可以传递与外在奖励相同的超参数。具体如下: - **好奇心奖励信号超参数**: - `reward_signals->curiosity->strength`:用于平衡好奇心奖励与其他奖励(如外在奖励)的缩放系数,取值范围在 0.0 到 1.0 之间。 - `reward_signals->curiosity->gamma`:根据奖励实现所需的时间来调整奖励感知价值的第二个缩放系数,与外在奖励的 `gamma` 类似,取值范围也在

使用PyTorch构建电影推荐系统

### 使用 PyTorch 构建电影推荐系统 在当今数字化时代,推荐系统在各个领域都发挥着至关重要的作用,尤其是在电影推荐领域。本文将详细介绍如何使用 PyTorch 构建一个电影推荐系统,从数据处理到模型训练,再到最终的推荐生成,为你呈现一个完整的推荐系统构建流程。 #### 1. 数据探索与处理 首先,我们需要对 MovieLens 数据集进行探索和处理。该数据集包含用户对电影的评分信息,其中存在一些缺失的评分值,用 NaN 表示。我们的目标是利用非空评分训练推荐系统,并预测这些缺失的评分,从而为每个用户生成电影推荐。 以下是处理数据集的代码: ```python import p

模糊推理系统对象介绍

# 模糊推理系统对象介绍 ## 1. fistree 对象 ### 1.1 概述 fistree 对象用于表示相互连接的模糊推理系统树。通过它可以创建一个相互关联的模糊推理系统网络。 ### 1.2 创建方法 可以使用以下语法创建 fistree 对象: ```matlab fisTree = fistree(fis,connections) fisTree = fistree( ___ ,'DisableStructuralChecks',disableChecks) ``` - `fisTree = fistree(fis,connections)`:创建一个相互连接的模糊推理系统对象

利用PyTorch进行快速原型开发

### 利用 PyTorch 进行快速原型开发 在深度学习领域,快速搭建和验证模型是非常重要的。本文将介绍两个基于 PyTorch 的高级库:fast.ai 和 PyTorch Lightning,它们可以帮助我们更高效地进行模型的训练和评估。 #### 1. 使用 fast.ai 进行模型训练和评估 fast.ai 是一个基于 PyTorch 的高级库,它可以让我们在几分钟内完成模型的训练设置。下面是使用 fast.ai 训练和评估手写数字分类模型的步骤: ##### 1.1 模型训练日志分析 在训练过程中,我们可以看到冻结网络的第一个训练周期,然后是解冻网络的两个后续训练周期。日志中

电力电子中的Simulink应用:锁相环、静止无功补偿器与变流器建模

# 电力电子中的Simulink应用:锁相环、静止无功补偿器与变流器建模 ## 1. 锁相环(PLL) ### 1.1 锁相环原理 锁相环(PLL)是一种控制算法,用于确定正弦输入的频率和相位角。它主要用于两个系统之间的频率匹配,匹配完成后会存在一个恒定的相位差,从而实现相位“锁定”。PLL由相位检测机制、PID控制器和用于生成相位角信息的振荡器组成。此外,系统中还包含一个低通滤波器,用于获取正弦输入的频率信息。在柔性交流输电系统(FACTS)设备中,PLL增益对稳定系统性能起着至关重要的作用。 ### 1.2 Simulink环境下的PLL设置 为了直观展示PLL如何反映频率和相位的变化

PyTorch神经网络构建与训练全解析

### PyTorch 神经网络构建与训练全解析 #### 1. 特征标准化 在很多情况下,对特征进行标准化是一个很好的做法,即使并非总是必要(例如当所有特征都是二元特征时)。标准化的目的是让每个特征的值具有均值为 0 和标准差为 1 的特性。使用 scikit-learn 的 `StandardScaler` 可以轻松完成这一操作。 然而,如果你在创建了 `requires_grad=True` 的张量后需要进行标准化操作,就需要在 PyTorch 中直接实现,以免破坏计算图。以下是在 PyTorch 中实现特征标准化的代码: ```python import torch # Creat