- Advertisement -
首頁 首頁Top區塊

首頁Top區塊

- Advertisement -

臉部辨識/反詐騙/低電力喚醒三合一 人臉驗證準確率大增

長久以來,人臉驗證一直被認為是電腦視覺領域中最大的挑戰之一,但現已設計出一套準確度高達98.36%的人臉驗證系統,而且是此一概念的即時驗證。本系統選擇的管線設計結合典型與現代的機器學習(深度學習)技巧,支援包括多用戶驗證以及反詐騙階段等關鍵功能,以解決利用照片或影片進行詐騙的關鍵安全議題。本文的目標是針對使用機器學習所產生的問題,以及終端用戶使用平台遭遇的問題,進一步瞭解打造更完整解決方案的程序。也因此,此一使用案例主要在探討如何在多IP上部署機器學習,以提升使用者體驗。為了達成概念驗證,本文使用Arm NN軟體以及已生產的硬體IP,展示一套Always-on的人臉解鎖(人臉驗證)系統。 人臉驗證演算法設計總覽 資訊流的來源,來自耗電量非常低的低解析度照相機檢測到的場景顯著變化,並對隨後階段進行閘控,以保持低電力使用量。當場景變化達到預先定義的水準時,高解析度的RGBD相機會啟動,並且開始針對每一幀(Frame)進行掃瞄,以找出人臉(圖1)。 圖1 當場景變化達到預先定義的水準,為找出人臉,高解析度RGBD相機會開始針對每一幀(Frame)進行掃瞄。 依據RGB資訊,倘若檢測出人臉,相對應的景深影像會傳送至負責辨識真實人臉的詐騙偵測器。在初期便放置反詐騙偵測器的作法,在出現的人臉若是列印的臉或是螢幕影像,得以馬上中止管線執行,並進一步降低電力消耗。 倘若人臉經過驗證後確認是真的,經裁切的RGB人臉會送至特徵點偵測器。追蹤可信之人臉部分,以及更精確的眼睛座標,可以協助我們對準人臉,並讓特徵提取器更易派上用場。在這個階段,我們使用卷積神經網路(Convolutional Neural Network, CNN),替每位用戶將每張臉轉換成一套特徵集。 最後,驗證階段使用一個分類器,它負責透過比對輸入特徵與用戶儲存的特徵來驗證用戶的身份,以決定是否讓用戶進行系統存取。 此一解決方案使用Python做為開發語言達成,每一個資料段都可依據任務的不同,部署於最合適的Arm IP,讓管線更加節能,同時也能保持低推論延遲。 系統的啟動,靠在Arm Cortex-M處理器上處理的低解析度影像達成,可以提供最大的效能與最小的記憶體使用量。為了觸發高解析度相機,人臉偵測與反詐騙階段在Arm Cortex-A CPU上運作,並使用Compute Library運算函式庫支援的低階且高度優化的軟體功能。同樣地,特徵提取神經網路透過Arm NN可以進行高效剖析,然後匯入NEON或GPU,這讓我們針對所有的關鍵階段,都能達成高效的平行執行(圖2)。 圖2 人臉辨識執行步驟 Always-on階段使用一顆Arm Cortex-M處理器執行,處理來自低解析度感測器的輸入訊號,並在偵測到場景變化時,把系統喚醒;此一場景變化的偵測,會對在Cortex-A73上運行的RGBD相機資料處理,進行閘控。 更高品質的人臉偵測可移除偽陽性,且詐騙偵測使用深度資訊,確保人臉不會只是一張照片。人臉經偵測後,資料將饋入身份辨識階段,其為設計用來針對每個身份擷取獨特特徵的先進神經網路。驗證階段確認人臉是裝置中已登錄的人臉之一,並確認用戶的身份;而使用Arm NN,自然地把各階段移至正確的IP。我們不妨仔細檢視每個階段的功能,以及它們對整個解決方案有何貢獻。 喚醒階段 大多數現有的喚醒方式,都需要與裝置進行實體互動。為了讓行動使用更加無縫順暢,此一方式可以用其它感測器的低電力分析加以取代,以偵測用戶是否有意開始使用裝置。 運動感測器是選項之一,但是當裝置放在口袋裡或袋子中,可能會因為錯誤的喚醒而產生電力消耗的風險。因此,本文選擇使用低解析度相機來偵測顯著的場景變化,原因是手機上鎖後的前置相機,在使用前的一刻,通常只會看到一片黑暗,或是靜止不動的天花板。 使用低解析度感測器來進行影像擷取,並用Cortex-M處理器進行影像分析,可以讓喚醒階段偵測出有趣的特徵,同時在Always-on耗電水平內進行運作。這些特徵可以靠執行背景減法,並依背景擷取強度值的直方圖差異,輕易地進行辨識。此一階段設計用意為低延遲,並藉由使用低成本的Cortex-M處理器,來觸發解析度較高的光學感測器,並開啟人臉檢測階段。 人臉檢測 針對此一階段,我們選擇執行經過訓練的支援向量機(Support Vector Machine, SVM)分類器,並用梯度直方圖(Histogram of Gradients, HOG)當成特徵提取器。與另一種Viola&Jones方法相比,這種方式經證實可產生較少的偽陽性偵測,同時仍可在Cortex-A上進行即時運作。 每張梯度直方圖都是從使用16×16像素的資料段所擷取的8×8像素儲存格,且資料段的間隔為8個像素。每個儲存格的直方圖大小,可以支稱9個bin(0~180度),而且最後的特徵向量在每個視窗大小內,將可支撐數個序連特徵。 最後,每個視窗的特徵資訊會傳送至SVM分類器,而它也將檢測人臉是否出現在此一視窗內。分類器經過LFW影像訓練過,而且藉由提供可以接受數量的真實反例,如此一來便可證實已經能顯著減少偽陽性偵測(圖3)。 圖3 執行經過訓練的SVM分類器可顯著減少偽陽性偵測 此一方式在使用NEON的Compute Library已經主要執行,而這也是降低這個階段整體延遲的一個好選項。正常來說,特徵擷取會進行多次運行,每一次都會讀取視窗內相對應的強度值,ACL則以更有效率的方式處理,透過預先定義HOG參數,每個儲存格都會計算一次特徵向量,並儲存在裝置上。 隨後,大小不同的數個視窗,每個都可以用來讀取相對應的記憶資料段,而且藉由平行運行多個SVM分類器,可以更快速地預測人臉座標,要辦到這點,需要訓練數個SVM分類器,且每個分類器都對應特定的特徵長度。 當然,要訓練分類器,必須相對應地調整訓練資料的大小,原因是每個SVM(總共有六個)是針對特定的特徵向量長度接受訓練,且視視窗的大小而定。不過,由於不必再重覆從像素值擷取特徵,使用上述的方法可降低運行時間的延遲。此外,依據輸入影像的解析度選擇所要的視窗大小,可以免除整合金字塔表示法的需要。最後一步我們則透過非極大值的抑制,來排除多重檢測。 拿ACL人臉偵測的延遲,與針對256×256影像以Dlib在4個Arm Cortex-A73、時脈調為2.36Ghz的處理器運作兩相比較,結果只花了一半的時間,就可以達成類似的結果(ACL:15毫秒對比Dlib:30毫秒)。最後,在ACL人臉監測執行的前端,建立了Python綁定(Binding),讓它可以輕鬆與管線進行整合。 反詐騙步驟極為關鍵 在把人臉影像匯入生物特徵提取器之前,反詐騙是極為重要的安全步驟。在這個階段,我們把應付兩個關鍵安全議題的詐騙偵測資料段整合進去;利用照片或影片詐騙用戶身份。 四個最受歡迎的詐騙檢測演算法類別,分別是運動分析、紋理分析、影像品質分析,以及如紅外線感測器等主動方式。不過,由於此次使用的是RGBD輸入感測器,於是採取使用深度資訊的方式來辨識真臉與假臉。帶出反詐騙模型最大的挑戰,在於缺乏公共資料庫,因此我們搜集了自有的真臉與假臉反詐騙資料庫,並對系統進行訓練。 真實的人臉利用各種變數進行擷取,如不同的採光環境與姿勢,以及戴上或不戴眼鏡的情況;假臉則從各種不同的顯示監視器與照片進行擷取,以模擬2D的人臉詐騙攻擊。 為了辨識出詐騙攻擊,透過RGB偵測出的人臉座標會從人臉偵測資料段,饋入反詐騙資料段。依據這些座標,我們裁切從深度空間(2D距離的矩陣)偵測到的人臉,並跟之前一樣,利用同樣的HOG參數提取特徵。 最後,已經在我們客製化資料集中接受訓練的SVM分類器,會利用區別真實與虛假的人臉,防止非法的系統存取。倘若人臉被判定為假臉,我們會拒絕該用戶,並避免管線剩下的運行;如果判定是真臉,人臉會饋入2D仿射轉型資料段。針對反詐騙階段,再次執行HOG與SVM ACL,因為此一解決方案提供加速運行與結果(圖4)。 圖4 反詐騙是執行人臉辨識十分重要的步驟。 對準人臉 倘若用來訓練與測試的臉部影像修補,可以對準成常見的角度,人臉辨識與驗證系統的效果會更好。此一對準動作,可以讓生物特徵系統專注在人臉的外表,而不用特別應付不同的姿勢。 雖然我們預期用戶在人臉驗證過程中會直視相機,但藉由人臉對準的變換,我們提升了生物特徵提取器的堅固性,並排除了資料集內的姿勢變異。在對準人臉的作業中,深度學習技術顯現出大有可為的結果。不過,我們最後選擇了一個有效且運算成本較低的解決方案,以將管線的延遲降至最低;先用特徵點偵測器來提取特徵點,隨後依據這些點,用2D仿射變換(Affine Transformation)對準輸入的人臉。 在無限制的環境下,要把人臉特徵點局部化是件極具挑戰的任務,原因是它會出現許多令人混淆的因素,如姿勢、堵塞、表情與照明;特別是這些因素會對人臉的外表以及人臉局部特徵狀態,產生顯著的影響。 在我們的情況中,針對五個特徵點進行追蹤,並依集成迴歸樹(Ensemble of...
0

3D感測/機器視覺強強聯手 AI升級智慧製造商機無限

AI人工智慧讓智慧製造能力再上一層樓,而應用已久的機器視覺,亦從成熟的光學檢測AOI,蛻變為內含深度學習(Deep Learning)技術的電腦視覺,搖身一變成為智慧製造的核心技術,影像與視訊內容的自動擷取、處理、分析與應用更加迅速、普遍與成熟。這樣的轉變不僅展現在生產效率的提升上,更可以進一步精簡人力成本,未來AI系統甚至可以針對機台的問題進行自我檢測,分析問題與成因,然而這僅僅是十八般武藝的開端。 近來,許多新興技術發展並與機器視覺結合,進一步擴大了其功能與應用範疇,3D感測技術包括飛時測距(Time of Flight, ToF)、立體雙目視覺(Stereo Vision)、結構光(Structured Light)等技術可以建立三維感測資訊,尤其測距應用的延伸,將使電腦視覺的功力不斷提升,本活動介紹機器視覺技術架構與應用最新動態,加上多個感測技術的加持,並剖析其與AI結合的發展與應用趨勢。 機器視覺助智慧製造一臂之力 而製造業從工業4.0口號被打響以來,製造系統從自動化進入智慧化的另一個全新的發展境界,機器視覺(Machine Vision)/電腦視覺(Computer Vision)就是達成此目標非常關鍵的技術。倢恩科技研發部經理邱威堯(圖1)提到,導入機器視覺可以使傳統製造業產線的生產方法更具彈性與可變性,並改善作業人員工作環境,遠離危險惡劣的工作流程。使用機器視覺的生產線,讓產品從人工檢測進步到自動品質管理,可增進品管重現性/一致性,以達成高度品質管制,降低人員因疲勞或情緒不佳誤判所造成的損失,同時讓檢測數據數值化,自動產生統計報表以便於管理與決策分析。 圖1 倢恩科技研發部經理邱威堯提到,導入機器視覺可以使傳統製造業產線的生產方法更具彈性與可變性,並改善作業人員工作環境。 機器視覺的基本要點包括:檢測(Inspection)、物件識別(Object Recognition)、量測(Gauging)、機器導引與定位(Machine Guiding and Positioning)。 檢測Inspection 利用機器視覺技術自動檢驗製程中工業產品之瑕疵,例如印刷電路板上的線路是否短路、斷路,半導體晶圓之表面缺陷及LCD面板之缺陷等。 物件識別Object Recognition 用於確認物件的身分,例如車牌辨識、條碼辨識、IC元件之光學字元辨識(OCR)及鍵盤檢視、人臉辨識、指紋辨識、瑕疵分類等。 量測Gauging 以機器視覺技術進行非接觸式的量測,例如工件之尺寸、夾角、真圓度及印刷電路板之線寬等。 機器導引與定位Machine Guiding and Positioning 利用機器視覺引導自動化機器之路徑,例如引導銲接機器人之銲道,無人搬運車之行進軌跡;亦可用於決定目標物位置,如SMT、PCB自動裝配作業的定位與機器人的行走路徑等。 機器視覺影像處理要點 進入作業程序後,機器視覺系統針對擷取到的影像進行處理則是另外一個重點,邱威堯進一步說明,影像強化、影像分割、影像編碼、影像還原等為主要的技術。影像強化是使處理過的影像比原始影像更適合於某一特殊應用,方式包括空間域(Spatial Domain)與頻率域(Frequency Domain)。影像分割則是凸顯出影像中感興趣的部分。 影像編碼就是使用較少的位元來顯示一幅影像,壓縮是最常見的方法。影像還原則是改善或重建一幅遭到破壞的影像,邱威堯說,影像還原技術通常需要大量運算時間,且還原後的效果不見得可以接受,建議由取像環境、設備與技術來改善影像的品質。 機器視覺硬體選擇無唯一解 在機器視覺硬體部分,主要由打光、鏡頭與相機組成。邱威堯指出,打光是機器視覺中非常困難的一部分,需要許多直覺與實驗,而打光技術也無通則,但對於特定應用場合已有經驗可循,而打光的方法是根據待測物的光學特性來決定,打光的目的則包括,取得與強化待測物中有興趣之特徵,使前景與背景明顯不同,強化訊噪比,以得到更高品質的影像,凍結移動中物體的運動並去除鏡反射(Specular Refection)等。 而打光的方式則分為正向打光、背向打光與結構打光。並可再進一步細分為擴散式正向打光、直向式正向打光、低角度斜向打光、同軸打光、擴散式背向打光、遮背式背向打光等多種,端視需要的效果而定。光源部分則以人工光源最常用,種類包括白熾燈的鎢絲燈泡、鹵素燈;放電燈的螢光燈、水銀燈、高壓鈉氣燈、複金屬燈、氙氣燈;固態光源的LED與固體雷射。其中,近年在實務應用上LED燈儼然已是主流。 另一個重點就是鏡頭,邱威堯強調,這部分的選擇同樣沒有最佳解,端視需求與使用者掌握的資源而定,選擇的要素包括視野、焦距、工作距離、相機底座、相機格式(感光元件尺寸)、景深、光圈值、相機型式等。以景深為例,其代表聚焦清晰的範圍,長景深表示聚焦清楚範圍大,短景深表示聚焦清楚範圍小,一般景深可以透過縮小鏡頭光圈來增加,但是照明的亮度也要相對提升,原則上要避免出現短景深的情況,以追求長景深為目標。 3D感測加值機器視覺 3D感測技術並不是全新的技術,由於iPhone X的人臉辨識解鎖應用,讓市場大為驚艷,帶動的發展熱潮逐漸滲透到不同領域。目前主要技術為立體雙目視覺、結構光與飛時測距,艾邁斯半導體(ams)資深應用工程師湯治邦(圖2)表示,這三個技術都需要搭配光源,現階段主流光源是垂直腔體表面雷射(VCSEL),並使用不可見的紅外光,波長850nm與940nm為主,因有極少部分人可看見850nm的紅外光,所以近年940nm使用比例逐漸提升。 圖2 艾邁斯半導體資深應用工程師湯治邦表示,飛時測距、立體雙目視覺、結構光技術特性有些差異,造成不同應用與需求各有優勢。 發光源的部分,除了熱門的VCSEL之外,LED與邊射型雷射(Edge Emitters Laser, EEL)都是常見的光源,以技術特性來深入比較,湯治邦指出,VCSEL雷射光的光線集中,LED則呈現散射方式,因此VCSEL波長範圍穩定,可產生波長最精準的光線,操作溫度最高可達200℃,溫度特性比LED與EEL優異,製造成本與半導體製程的簡易度也有相對優勢,是該技術受到高度注目的原因。 此外,主流的三個3D感測技術,技術特性有些許差異,造成不同應用與需求下各有優勢,立體雙目是由兩個攝影機分別擷取影像,理論與人眼相似,透過三角函數可以測知物體的深度,與其他兩個技術相較由於感測元件技術成熟成本較低,但模組體積較大、耗電量較高,也易受環境變化影響,如天候昏暗就會影響感測品質與準確性。 因為iPhone...
0

分區隔離網路 雲端分析防偽裝者入侵

因此,必須增加防禦的寬度,在辦公室內部或物聯網場域中,依照不同應用性質建立防火牆隔離區,同時整合IT基礎架構中的各個節點,例如交換器須增設網管功能,以提供更多即時資訊。並須搭配無線網路的防禦能力,以防範多人接取的連線服務環境中,發生橫向感染的狀況。 合勤科技(Zyxel)資深經理薄榮鋼說明,區域聯防策略可增加防禦的寬度,依照應用環境建立隔離區後,當業務人員的電腦遭受蠕蟲感染時,不致蔓延到其他部門。實作方式可採用統一威脅控管加上進階威脅防護(ATP),以防範已知與變種後的未知型惡意程式襲擊;交換器基本須具備802.1X標準身份驗證,甚至嚴格綁定IP-MAC-Port以防範偽裝,一旦發現未經允許的身份,則觸發入侵鎖定;至於無線網路環境則可透過Layer 2隔離、BSS內阻斷(Intra-BSS Blocking)機制,讓連線藉此獨立傳輸,來降低內部感染風險。 合勤科技(Zyxel)台灣暨香港區營運總部資深經理薄榮鋼  
0

實體安全晶片守護最後一哩路

設備安全性等級不足的常見狀況是原生缺陷,根源來自採用的開發套件本身漏洞或設計不良,典型的案例如只沿用RSA 1024、SHA-1加密演算法建立憑證,防護能力過於薄弱,駭客組織可能僅透過自動化攻擊工具即可破解。大量運用的開放原始碼套件也可能潛藏風險,製造商若為了加快開發速度,未經檢查直接套用,極可能存在漏洞卻不自知。 當前駭客的顯學為旁路攻擊(Side-channel attack, SCA),又稱為側通道攻擊,無須破壞侵入硬體,藉由測量電磁輻射、電壓與電流變化,針對執行AES、ECC等演算法運算的硬體進行攻擊  ,即有機會猜到加密金鑰而隔空竊取。此手法在實體攻擊中技術門檻較高,但極難防範,再加上設備製造商多為成本考量,才讓駭客有機可趁。他指出,若要對抗這類威脅,銓安智慧科技設計的硬體安全晶片將可有效保護最後一哩路。 銓安智慧(IKV)總經理鄭嘉信  
0

實體隔離操作環境 雲端分析阻絕高風險存取

Citrix技術顧問張晉瑞說明,Workspace Hub重要特點之一是把設備上的畫面遞送到指定的螢幕。例如手機連接登入到虛擬桌面,在靠近Workspace Hub時,會自動偵測藍牙訊號,若事先綁定便可彼此辨識,亦可透過QR Code配對,即可讓手機畫面投影到大型螢幕。 機敏資料保護措施對現代企業應用環境而言難度愈來愈高,機敏資料可能分散存放在手機、物聯網裝置,使得駭客攻擊面大增,亦可說是近年來國際知名企業不斷地爆發資料外洩的重要因素。在2018年5月正式上路的GDPR,屬於個人資料保護的法律框架,由於罰鍰可能高達2千萬歐元(新台幣7.2億元)或全球營業額4%,因此深受製造業關注,更成出口外銷企業無法忽視的資料保護議題。 對此,採用機器學習技術分析大數據來實作人工智慧的Citrix Analytics雲端服務,可建立判別使用者行為的資料模型,輔助及時偵測異常,一旦發現資安高風險者即啟動Session Recording監錄功能,進而停用連網服務或予以隔離,降低資安風險。 思杰系統(Citrix)技術顧問張晉瑞  
0

IoT安全把關再升級 依應用場域動態納管有線/無線環境

Aruba資深技術經理王傑鋒說明,在行動優先的前提下,前一代的802.11 ac Wave無線基地台中已整合Beacon技術,可更精準地辨識員工移動位置,不論在公司任何角落,皆以相同的權限存取核心應用系統。 針對各式連網裝置接取網路的應用情境,Aruba提出以動態分段(Dynamic Segmentation)來保障安全性,此技術已納入專為物聯網應用所設計的Aruba 2930F/2930M交換器,搭配ClearPass存取控管系統,即可擁有辨識裝置與配置權限的能力,依據角色類型群組決定允許或攔阻網路服務,以全面地阻擋未經授權的連網裝置接取,若允許接入則可套用強制性控管政策,藉此掌握所有行為資料。 當防火牆偵測到特定IP位址被植入後門程式,開始對外進行攻擊,所產生的Syslog會傳送給安全資訊事件管理(SIEM)平台,再透過API寫入到ClearPass進一步關聯,鎖定惡意行為來源設備連接埠與無線基地台即時攔阻。 Aruba資深技術經理王傑鋒  
0

Intel CES展示新技術 Foveros 3D封裝新品亮眼

英特爾(Intel)近日發布了多項關於PC和新裝置的訊息,其中包括人工智慧(AI)、5G和自動駕駛等多個快速成長的應用領域;也討論了資料中心、雲端服務、網路和邊緣運算等領域在實現新的用戶體驗和未來產品外型設計上所需要的創新。 其中,也發表了採用Foveros 3D封裝科技的最新平台Lakefield,並預計將在今年投產。 英特爾客戶運算事業群資深副總裁 Gregory Bryant 認為,下一個運算時代所要求的創新將達到完全不一樣的水平,將涵蓋整個生態系統並涵蓋各個面向領域之運算,英特爾也要求自己達成比這樣更高的目標。 英特爾展示了最新且具備先進AI和記憶體功能的Intel Xeon可擴充處理器產品,以及第9代Intel Core桌上型電腦產品。也討論了可用於PC、伺服器和5G無線存取基地台的新10奈米產品,該產品奠基於3D封裝技術(Foveros)。 英特爾於2018年底首次宣布開發出3D堆疊封裝技術Foveros,是採10奈米製程的低功耗運算元件。在CES展會上,英特爾也首度展示了一個代號為Lakefield的新客戶端平台,此平台首度採用了Foveros 3D封裝科技。這種混合式的CPU架構能夠將過往必需各自獨立的不同IP元件整合在一個佔用較少主機板空間的單一產品當中,從而使OEM廠商能夠更具彈性地實現輕薄的外型設計。Lakefield預計將於今年投產。 英特爾也強調,當科技在整個運算範疇中能夠發揮相輔相成的效果時,能夠帶來什麼樣的成果則更為重要。因此,英特爾亦與各大廠積極展開合作。例如,Comcast和英特爾正在共同合作,希望能將連網家庭化為現實。另外,與阿里巴巴合作的新計畫,也展示了英特爾的人工智慧科技將如何在東京奧運期間提供運動員監測應用。與Mobileye和Ordnance Survey的合作,則將致力於實現智慧城市和提升行路安全的理想。
0

透視物聯網的安全標準過去與未來 IoT Star Rating安全評等/認證標章凸顯可信產品

優力國際安全認證身分識別管理安全部業務發展經理薛正指出,經過多起由物聯網裝置集結的殭屍網路襲擊事件後,各界都認同連網裝置安全控管的重要性,多數人甚至認為,針對連網裝置安全程度的量化,設備製造商應負起更多責任。 物聯網安全性之所以如此脆弱,主要因素在於資安是個需要高度專業的領域,並且必須視應用場景規畫與建置,才能發揮功效。問題是在企業或組織中,資安的定義依據不同角色有不同觀點,例如網管人員關注的是防火牆、入侵偵測系統等資安建置;網頁應用程式開發者主要看見SQL Injection、跨網站偽造請求(CSRF)等手法;韌體研發工程師,則關注C語言的緩衝區溢位(Buffer Overflow);若是ISMS管理背景出身,可能著重通訊管道加密、機敏資料安全移除方法等。各種不同角色的工作者,對於資安的認知與應用需求皆不同,量化安全性的門檻不低,除非增添安全機制後能為消費者帶來安心,否則難以呈現出價值。 就現有的安全類國際標準來看,未必適用於所有設備。例如過去採購設備通常必須具備安全評估共通準則(Common Criteria),此與物聯網裝置安全較相關,但未必適用於現代的連網裝置,畢竟產品設計可能尺寸小、單價低、數量龐大、須快速推向市場,不大可能花幾十萬美元、歷時一年半來取得安全評估共通準則。 為了因應連網裝置生命週期較短,必須在最快時間內推向市場,檢驗方式也須有所改變,UL正積極研擬出IoT Star Rating計畫,讓檢驗工作在幾個星期內即可完成,同時降低收費標準,以符合物聯網產業特性。 例如目前網路攝影機遵循的UL 2900,風險控管程度較共通準則彈性,卻未必適用於各式連網環境。儘管UL 2900已被美國白宮的國家網路安全行動計畫(CNAP)公認為測試網路接入產品的標準,卻缺乏消費性或小型連網裝置的驗證規範。IoT Star Rating計畫即是為了補強此缺口。 優力國際安全認證身分識別管理安全部業務發展經理薛正表示,UL正在積極發展IoT Star Rating計畫,協助ODM/OEM製造商提高競爭優勢。  
0

點對點傳輸安全重要性倍增 恩智浦滿足全方位IoT資安需求

恩智浦(NXP)半導體市場行銷經理蘇士維指出,以往在各類的產品設計上,安全問題相對較不被重視。但是由於萬物聯網的趨勢,假若企業系統、生產設備受到駭客攻擊,將造成生產上的損失,因此現今物聯網相關設備的資訊安全需求便開始受到重視。以恩智浦的客戶需求來說,如何避免IP被竊取就是其中一項重要的考量。另一方面,物聯網的興起不僅使企業資安備受重視,時常安裝於居家的監視器,也是容易被駭客入侵的設備之一。 蘇士維進一步提到,其實資訊安全很少會去談絕對安全,只有相對的安全;資訊安全也分了相當多等級,需要用到多高等級的資訊安全防護則取決於客戶的需求。然而現今,網路攻擊事件越來越多,在未來更可能成為一個可用金錢購得的武器或工具;也就是說,假若一間企業可以透過「駭客攻擊服務」來損害同行競爭對手的產品或是商譽,相對而言企業對於資訊安全的投入也會逐漸提升。 物聯網產品對於資訊安全的要求有以下四點: 1.資料完整性:傳輸的過程不能有任何資料被修改、竄改。 2.真實性:裝置與裝置之間要能互相認證,並且若在傳遞過程中資料被竊取,對方也必須無法解密。 3.可用性:裝置必須承受得住一些破壞,不能因為破壞就使得資料被竊取。 4.保密性:傳遞的過程就算資料被竊取,也不能被解密然後知道裡面傳的是甚麼資訊。 要實現以上要求,便需要投入成本維護;目前恩智浦便致力於推出能符合安全要求同時價格也趨近於客戶理想範圍的產品。舉例而言,A71安全元件(SE)便是一款針對物聯網設備安全的解決方案。蘇士維也強調,假若客戶生產的物聯網產品不需要用到A71如此高階的安全晶片,該公司亦提供認證晶片。客戶可以依照產品需求與預算,達到最為理想的資訊安全防護等級。 恩智浦(NXP)半導體市場行銷經理蘇士維指出,資訊安全分了許多等級,需要多高等級的防護則看企業需求。  
0

IoT安全漏洞百百種 Micro Focus助物聯網業者守護資安

Micro Focus企業資訊安全資深技術顧問李柏厚認為,有許多企業在加裝物聯網安全設備之後,發現資安意外依然發生,原因就在於其實加裝設備並不足以維護資訊安全;關鍵在於相關設備驗證與產品的安全性是否都有經過完整的檢測。若是物聯網設備在基本體質上是安全的,往後的資訊安全維護便會相對簡單許多。 李柏厚指出,物聯網的概念相當簡單,只是把設備透過網路串連在一起。但隨著各種設備資料上傳雲端管理控制的需求提升,市面上的物聯網設備也出現了爆炸性的成長。其中,設備架構涉及到大型的機台設備與小型的感應卡;而透過不同設備所收集到的數據都將進一步傳輸到後端分析,在此過程之中便出現許多資安弱點。 針對物聯網設備,常見的入侵方式分為:硬體入侵、韌體逆向工程以及應用介面入侵。其中,儘管透過硬體入侵的方式相對較為困難,但是在硬體開發過程中,多半會留下接口以供往後工程人員除錯與監控之用,因此勢必會留下安全漏洞。正因如此,在物聯網架構上,從前端的應用層、運作及控制物聯網的架構、連線層、收集器,一直到終端設備中的分散感應器及執行器皆是維護資訊安全需要考量的重點。 李柏厚也提到,在物聯網設備的發展中,許多開發商專注於功能面的開發,像是推出物聯網設備的新功能、新應用,卻往往忽略了在開發過程中會有安全性的問題。 在物聯網資訊的傳輸過程中,端點設備的安全維護格外重要。在軟體與硬體的拋轉過程中,韌體與系統核心功能的原始碼設定扮演維護資訊安全的關鍵角色。 為維護物聯網安全,必須同時維護設備安全與平台安全性。透過源碼掃描(白箱測試)與網站滲透(黑箱測試),能預防應用程式所產生的問題;儲存資料、連線與應用程式的加密更不容忽略。而針對韌體開發、各式檢驗測試與系統操作分析,Micro Focus皆有提供相對應的解決方案,協助企業做到完整的安全防護。 Micro Focus企業資訊安全資深技術顧問李柏厚認為,若IoT設備有通過基本的安全驗證,往後的資安維護便會相對簡單許多。  
0
- Advertisement -
- Advertisement -

最新文章

- Advertisement -

熱門文章

- Advertisement -

編輯推薦

- Advertisement -