物联网感知层的安全防护技术的主要特点是什么

物联网感知层的安全防护技术的主要特点是：

1、大量的节点数目：

物联网感知对象种类多样，监测数据需求较大，感知节点常被部署在空中、水下、地下等人员接触较少的环境中，应用场景复杂多变。 因此，一般需要部署大量的感知层节点才能满足全方位、立体化的感知需求；

2、多样的终端类型：

感知层在同一感知节点上大多部署不同类型的感知终端，如稻田监测系统，一般需要部署用以感知空气温度、湿度、二氧化碳含量以及稻田水质等信息的感知终端。 这些终端的功能、接口以及控制方式不尽相同，导致感知层终端种类多样、结构各异；

3、较低的安全性能：

从硬件上看，由于部署环境恶劣，感知层节点常面临自然或人为的损坏；从软件上看，受限于性能和成本，感知节点不具备较强的计算、存储能力，因此无法配置对计算能力要求较高的安全机制，最终造节点安全性能不高问题的出现。

物联网感知层基本内容：

感知层位于物联网三层结构中的第三层（其它二层分别是应用层和网络层）。

感知层是物联网的皮肤和五官-用于识别 物体，采集信息。感知层包括二维码标签和识读器、RFID标签和读写器、摄像头、GPS、传感器、M2M终端、传感器网关等，主要功能是识别物体、采集信息，与人体结构中皮肤和五官的作用类似。

感知层解决的是人类世界和物理世界的数据获取问题。它首先通过传感器、数码相机等设备，采集外部物理世界的数据，然后通过RFID、条码、工业现场总线、蓝牙、红外等短距离传输技术传递数据。感知层所需要的关键技术包括检测技术、短距离无线通信技术等。

F5在技术上突破了以MQTT为基础的一些物联网协议，可以完美的支持MQTT协议，包括>

在我们的日常生活中随处都有计算机视觉技术，从手机游戏机可以识别您的手势，可以自动将焦点放在人身上等。计算机视觉正在影响我们生活的许多领域。

事实上，计算机视觉在商业和国防中使用方面有悠久的历史。可以在各种光谱范围内感测光波的光学传感器被部署在许多应用中：如制造中的质量检测，环境管理的遥感或在战场上收集智能的高分辨率相机。这些传感器中的一些是静止的，而其它传感器连接到诸如卫星，无人机和车辆是在移动物体上。

在过去，许多计算机视觉应用程序仅限于某些封闭平台。当与IP连接技术相结合时，他们创建了一组新的应用程序计算机视觉，加上IP连接，高级数据分析和人工智能，将成为彼此的催化剂，从而在物联网(IoT)创新和应用方面带来革命性的飞跃。

推动计算机视觉的多领域的进步

视觉环境设计

视觉或视力是五种人类感觉中最发达的。我们每天都用它来识别我们的朋友，在我们的路上发现障碍，完成任务和学习新事物。我们通过我们的视觉来识别我们周围的环境。有路牌和信号灯帮助我们从一个地方到另一个地方。通过识别环境标识找到我们所要到达的地方。鉴于视觉的重要性，将其扩展到计算机和自动化系统，实现了视觉应用大飞跃。

什么是计算机视觉

计算机视觉从捕获和存储图像或一组图像的技术开始，然后将这些图像转换成可以进一步执行的信息。它由多种技术组合(图1)组成。计算机视觉工程是一个跨学科领域，需要在许多这些技术中跨职能和系统专长。

例如，Microsoft Kinect使用3D计算机图形算法来实现计算机视觉来分析和理解三维场景。它允许游戏开发人员将实时全身运动捕捉与人造3D环境进行合并。除了游戏，这在机器人，虚拟现实(VR)和增强现实(AR)应用等领域开辟了新的可能性。

传感器技术的进步也在传统摄像机传感器以外的许多层面迅速发展。 最近的一些例子包括：

•红外传感器和激光器结合起来感测深度和距离，这是自驾车和3D地图应用的关键推动因素之一

•非侵入式传感器，可跟踪医疗患者的生命体征，无需身体接触

•高频摄像机可以捕捉人眼不能察觉的微妙动作，以帮助运动员分析其步态

•超低功耗和低成本的视觉传感器，可长期部署在任何地方

图1由多个领域的进步驱动的计算机视觉

计算机视觉获得智能

早期应用

监控行业是图像处理技术和视频分析的早期采用者之一。视频分析是计算机视觉的一个特殊用例，重点是从小时的视频中找到模式。在现实情况下自动检测和识别预定义模式的能力代表了数百种用例的巨大市场机会。

第一个视频分析工具使用手工算法来识别图像和视频中的特定功能。它们在实验室设置和模拟环境中都是准确的。然而，当输入数据(如照明条件和摄像机视图)偏离设计假设时，性能迅速下降。

研究人员和工程师花费了多年的开发和调优算法，或者用新的方法来处理不同的条件。然而，使用这些算法的相机或录像机仍然不够稳健。尽管多年来取得了一些进步，但现实世界的糟糕表现限制了技术的有用性和应用。

深入学习突破

近年来，深度学习算法的出现激发了计算机视觉。深入学习使用人造神经网络(ANN)算法，模拟人脑神经元。

从2010年初开始，由图形处理单元(GPU)加速的计算机性能已经越来越强大，足以使研究人员实现复杂ANN的功能。此外，部分由视频站点和普遍的IoT设备驱动，研究人员拥有大量不同的视频和图像数据库来训练其神经网络。

在2012年，称为卷积神经网络(CNN)的深层神经网络(DNN)的版本显示了精确度的巨大飞跃。这一发展推动了计算机视觉工程领域的兴趣和兴奋。现在，在需要图像分类和面部识别的应用中，深度学习算法甚至超过了人类对应物。更重要的是，就像人类一样，这些算法具有学习和适应不同条件的能力。

场景的语义表示

图2场景的语义表示

深入学习，我们正在进入一个认知技术的时代，电脑视觉和深度学习融合在一起，解决人脑大脑层面的高层次，复杂问题(图2)。我们正在抓住可能的表面。这些系统将继续改进，使用更快的处理器，更先进的机器学习算法和更深入的集成到边缘设备。计算机视野将改变物联网。

计算机视觉应用案例：

•监测作物健康的农业无人机(图3)

•交通基础设施管理

•无人机无人机检查

•下一代家庭安全摄像机

图3无人机收集图像的植被指数

这些只是计算机视觉如何大大提高许多领域的生产力的一些小例子。我们正在进入物联网进化的下一个阶段。在第一阶段，我们专注于连接设备，聚合数据和建立大型数据平台。在第二阶段，重点将转移到通过计算机视觉和深度学习等技术使“事物”更加智能，从而产生更多可 *** 作的数据。

挑战

使技术更加实用，经济的问题需要克服许多问题：

嵌入式平台需要集成深层神经设计。围绕电力消耗，成本，准确性和灵活性制定困难的设计决策。

行业需要标准化，以允许智能设备和系统相互通信并共享元数据。

系统不再是被动的数据收集器。他们需要以最少的人为干预对数据采取行动。他们需要自己学习和即兴。整个软件/固件更新过程在机器学习时代具有新的意义。

黑客可能会利用计算机视觉和AI中的新安全漏洞。设计人员需要考虑到这一点。

以上由物联传媒转载，如有侵权联系删除

---