使用Node-RED实现和部署物联网入侵检测的机器学习管道

本文主要是介绍使用Node-RED实现和部署物联网入侵检测的机器学习管道，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

整理自

《Implementing and Deploying an ML Pipeline for IoT Intrusion Detection with Node-RED》，由 Yimin Zhang 等人撰写，发表于 2023 年 CPS-IoT Week Workshops。以下是根据提供的 PDF 内容整理的论文的详细主要内容：

摘要 (Abstract)

• 论文讨论了物联网(IoT)生态系统中边缘设备面临网络攻击的问题，以及如何在这些设备上使用机器学习(ML)技术进行本地入侵检测，以减少对云基础设施的依赖并增强数据隐私。

关键词 (Keywords)

• 入侵检测、物联网、机器学习、嵌入式系统、边缘计算

引言 (Introduction)

• 论文介绍了物联网设备因价格降低和种类增多而被广泛采用，但这也增加了受到网络攻击的风险。ML技术能够学习网络流量模式，帮助识别恶意流量。

机器学习管道 (Machine Learning Pipeline)

• 论文描述了用于 IoT 生态系统中入侵检测的 ML 管道的实现，包括数据收集、预处理和预测阶段。使用了一种类机器学习模型，如单类支持向量机(OCSVM)等。

所选编程框架 (Selected Programming Frameworks)

• 论文评估了几种中间件解决方案，以确定它们对嵌入式设备中 ML 应用程序的支持程度，特别关注低代码和事件驱动方法。

3.1 Node-RED

• Node-RED: 一个基于流的编程工具，最初由IBM开发，现在由OpenJS Foundation维护。Node-RED允许开发者通过拖放节点来构建应用程序，是一个低代码(low-code)平台。
• Node-RED与机器学习: Node-RED社区包含了基于Python ML库（如SciKit-Learn和Tensorflow）的ML模块，尽管这些模块在过去5年中没有更新，存在一些问题。也有其他的第三方节点贡献者提供的节点，例如TensorFlow.js，这是一个可以在浏览器或Node.js中运行的JavaScript ML库。

3.2 GStreamer

• GStreamer: 一个开源的、多平台的框架，适用于构建处理和转换数据流的应用程序。GStreamer应用程序由多个管道组成，每个管道都是数据转换工作流的表示。
• GStreamer与机器学习: NVIDIA 提供了 GStreamer 工具包，即 DeepStream SDK，用于基于 AI 的多传感器处理，视频、音频和图像理解。

3.3 Arrowhead

• Arrowhead: 提供了一种构建基于 IoT（主要是工业）自动化系统的架构，基于服务导向架构（SOA），具有本地云。
• Arrowhead与机器学习: 有关Arrowhead和ML的已发布作品较少，但Arrowhead能够支持需要软实时模型的使用案例。

3.4 比较

• 论文通过表格形式对比了 Node-RED、GStreamer 和 Arrowhead 三种框架的不同特性，包括：
  • 分布式与集中式架构
  • 开源情况
  • 低代码支持
  • 轻量级特性
  • 实时处理能力
  • 运行时环境
  • 支持的语言
  • 设备大小需求
  • 支持者和文档
  • 通信协议
  • 消息模式
  • 并行处理能力
  • 鲁棒性
  • 部署难易程度
  • 动态服务绑定

结果与选择

• 尽管每个框架都有其优势，但Node-RED因其高度的模块化和低代码方法而被选为最适合本研究的框架。Arrowhead 由于需要多个核心服务与应用程序本身同时运行而被排除。GStreamer 虽然轻量且功能强大，但其API使用起来更为复杂，不如 Node-RED 易于集成和重新配置。

在 Node-RED 中部署管道 (Pipeline Deployment in Node-RED)

• 论文报告了将 ML 管道转换为 Node-RED 实现时遇到的挑战，并展示了在 Node-RED Web 编辑器中的流程。

在嵌入式系统中的初始评估 (Initial Evaluation on Embedded System)

• 论文描述了在嵌入式系统（由 ISP 提供的家用路由器）上部署 Node-RED 管道的性能评估，包括内存占用和响应时间。

结论 (Conclusion)

• 论文总结了在 IoT 家庭生态系统的边缘实现入侵检测系统的实施过程，并讨论了未来工作的方向，包括进行不同框架和部署之间的定量比较，扩展管道以包含更多模型，并解决处理更大并行负载的可扩展性问题。

致谢 (Acknowledgments)

• 论文感谢了葡萄牙科学技术基金会(FCT/MCTES)和葡萄牙国家创新机构(ANI)的部分支持。

参考文献 (References)

• 论文列出了相关的参考文献，以支持研究和论文内容。

论文的核心贡献是展示了如何在 Node-RED 中实现和部署用于 IoT 入侵检测的 ML 管道，并在实际的边缘设备上进行了评估和测试。论文还讨论了实现过程中遇到的挑战和解决方案，并提供了对 Node-RED 作为低代码平台在嵌入式系统中的应用潜力的见解。

 

这篇关于使用Node-RED实现和部署物联网入侵检测的机器学习管道的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---