IIoT和AI面臨着巨大挑戰

雖然工業物聯網（IIoT）正在迅速成熟，但通常與人工智能（AI）和機器學習（ML）工具有着密切的聯系，它們可以管理資料流。這帶來了許多挑戰，包括連接配接性、安全性、存儲和模組化需求。IIoT裝置和更大規模部署的設計者必須為這些領域的變化建構應急機制，否則可能會出現風險。

雖然IIoT正在逐漸成熟，但整個市場仍有許多挑戰需要克服。其中一些挑戰是物聯網裝置營運的技術障礙，如連接配接标準和電池技術，但情況甚至比這更為廣泛。IIoT的世界不僅要求物聯網硬體在所有環境中可靠、高效地運作，而且還依賴于支援網絡和服務。其結果是，IIoT的部署不能被視為孤立的技術更新或生産力驅動，而是高度互聯的生态系統，對廣泛的變量敏感，特别是在人工智能不斷發展的情況下。

真實世界的AI

盡管AI以概念形式存在已久，但将原理引入現實世界已被證明是一項複雜的業務。但對于許多潛在的IIoT應用而言，這是必不可少的。監視來自微型傳感器網絡的多個資料流、檢測異常和發現模式（可以将其标記為進行預防性維護或提高效率）是IIoT的重要組成部分。如果沒有它，生成的大量資料就是噪音。

例如，一輛全自動的人工智能汽車每行駛8小時就會産生大約40TB的資料，這個驚人的資料量使得任何人工分析都無法進行。這對IIoT和AI設計者來說是一個挑戰 - 確定模組化和訓練資料集在部署之前是高度精确的，并且經過了現場測試。

網絡方面的考慮

傳輸和接收由IIoT生成的、需要人工智能進行分析的大量資料本身就帶來了重大挑戰，這導緻了“邊緣人工智能（Edge AI）”的發展，在給網絡增加負擔之前，在裝置上處理盡可能多的資料。這個網絡包含了一系列令人眼花缭亂的現有可能性，從Wi-Fi到4G、光纖到新頻譜、low-lower LoRa網絡和NB-IoT網絡，這些網絡都是設計來與5G一起運作的。管理這些網絡中不可避免的中斷和延遲肯定是一項持續的挑戰，這可能會被mesh風格的網絡架構所克服。但是，即使是這些也可能會失敗，特别是在IIoT場景中，在這種場景中可能并不總是可以避免單點故障。

資料挑戰

自動駕駛的人工智能汽車處于更高的等級，它不僅攜帶大量不同的傳感器來檢測其他車輛、危險和人，要求對突然出現的障礙等刺激做出即時反應，而且還具有自成一體和移動功能。但是，這些需求的組合也與大多數IIoT場景相關。例如，用于檢測工廠機械振動的聲學傳感器需要能夠對突然的俯仰變化做出非常迅速的響應，否則者會導緻一台昂貴的機器損壞。大多數IIoT場景将包括多種傳感器類型，以過濾誤報，更先進的應用還将涉及某種程度的備援。

資料安全

可以說，最大的挑戰是維護網絡安全，確定操作、個人或審計資料不被洩露。雖然對于大多數IIoT場景而言，個人/客戶資料可能不是問題，但出于商業動機的攻擊擷取或破壞操作或審計資料的可能性很大。

任何裝置所有者或企業IT團隊都知道，要為裝置修補最新的漏洞是一場持續不斷的戰鬥，但是IIoT裝置管理起來并不容易。 對于主要設計用于傳輸資料的網絡，低的下遊帶寬可能是一個挑戰，而本地存儲限制和電源限制可能會使定期更新出現問題或不可能。 此外，将引導加載程式保持解鎖狀态以允許臨時更新是潛在的問題，如果攻擊者可以引入rootkit或類似的辦法，則攻擊者可以長期在網絡上獲得有力的立足點。

HRoT – TPM, FPGA？

幸運的是，随着工業網際網路協會最近釋出了《資料保護最佳實踐白皮書》，該出版物旨在解決IIoT網絡中的資料安全性問題，引起了IIoT安全問題的廣泛關注。核心建議是，IIoT部署應依賴于基于硬體的安全性（所謂的基于硬體的信任根或HRoT），該安全性不僅可以對裝置引導加載程式進行身份驗證，而且可以從該點開始通過裝置作業系統建立信任鍊， 應用程式，然後再通過網絡，以防止引導加載程式或作業系統操縱。不幸的是，這裡的标準和方法可能會有所不同，一些制造商嵌入TPM晶片來滿足加密要求，而其他制造商則使用基于FPGA的晶片來達到類似的效果。

前進之路

盡管乍看之下，IIoT和AI面臨着巨大挑戰，但早期采用者的辛勤工作，成熟的技術堆棧和簡單的創新解決了許多最大的問題，而其他一些問題正在等待共識。 雖然AI提供了管理和解釋大量資料的機會，但它是必須增強安全性和增強可見性的底層架構，以及盡可能地面向未來的部署。 這将是IIoT設計人員關注的重要領域。

原文連結