根據Juniper Research於2017年的調查研究結果，指出全球駭客攻擊偏好最高的7項物聯網裝置，依序為家用網路路由器、數位錄影機/電視盒、智慧冰箱/智慧家居產品、植入式醫療裝置、SCADA系統/關鍵基礎設施、嬰兒監視器、連網汽車等，這些都與個人資料保護安全與隱私權息息相關。特別是智慧家庭裝置兼顧資安已成為基本配備，才能獲得消費者的信任。本篇為你介紹時下最熱門的AI技術是如何導入智慧家庭的資訊安全保護。
作者：
工研院楊玉奇分析師======
一、智慧家庭裝置常見的安全風險
(一)常成為殭屍網路部署工具
駭客之所以熱衷於攻擊家庭物聯網裝置，最主要原因在於家用路由器的防護性薄弱，且各項智慧家庭設備幾乎都有與之連結，透過家用路由器即可任意接觸想要控制的設備，是部署殭屍攻擊的極佳選擇。根據趨勢科技2018年7月發布的資訊即指出，駭客正利用微軟安全性漏洞MS17-010入侵家用網路，全球超過20個國家單週入侵次數超過519萬次。據估計台灣受影響最劇，不僅受外部攻擊達120萬次，更有許多裝置設備成為駭客的殭屍機器，被利用對外發動攻擊逾32萬次。
(二)產品設計缺乏安全考量
智慧家庭的相關設備中，屬於智慧安防相關的設備如智慧門鎖、網路攝影機等，在智慧家庭市場上佔有相當高的比例。然而，為了提升居家生活安全係數的智慧安防設備，卻被發現其對自身的安全保護能力不堪一擊。2016年的DEFCON中，即證實了市售的智慧門鎖中，75%都可被駭客在數秒內破解。其中，甚至有設備完全沒有對密碼進行加密或去識別化的相關處理，而是直接以明碼型式儲存密碼，對駭客而言幾乎等於沒有保護措施。
使用者未更改家用監視攝影機出廠時的初始密碼，使駭客輕易駭入裝置後，將攝影機變成偷拍工具，對使用者的隱私造成嚴重危害。這一方面顯現出使用者對於安全意識的普遍缺乏，另一方面也表示設備製造商設計產品時，因為缺乏資安思維，雖然產品功能優異，但沒有設想到使用者在連網環境下操作時，OT層面的安全漏洞開始逐一出現，成為駭客入侵的管道。
二、AI在智慧家庭安全強化上扮演的特殊角色
(一)水能載舟亦能覆舟，AI導入卻形成新資安威脅
由於智慧家庭裝置或設備，為能滿足一般家庭中超過一人以上使用者的需求，多有設計身份辨識的功能。最常見的辨識機制就是在裝置上建立個人帳號與密碼，登入裝置前必須輸入，正確無誤後即根據此帳號建立的使用環境與習慣，提供裝置的功能服務。以此類辨識機制為基礎，在影像與語音辨識技術成熟，且搭配AI使準確率大幅提升後，採識別指紋、聲紋、臉部特徵等其他生物特徵資訊的身份驗證方式開始大行其道，大多數使用者也相信安全性因此提高。
然而廠商與使用者似乎還未曾思考到這些關於個人生理特徵的資訊，被記錄在非常容易被入侵的裝置，或者安全更堪慮的雲端時，一旦因遭到攻擊而資料外洩時，即是一起隱私個資外流的資安事件。尤其近期如「刷臉」般的身份辨識方式越來越盛行，這些個人生理特徵資訊如果遭竊，對大眾的傷害應也不低於身份證字號甚至病歷的流出。希望增進安全性和便利性而將資安結合AI，雖然是很好的出發點，另卻也形成了新的資安威脅。
(二)解鈴還需繫鈴人，唯有AI才能改善AI
針對個資與隱私資料的保護，最主要的技術觀點即是將資料「去識別化」，這個概念同樣適用於智慧家庭裝置以生理特徵辨識個人身份的情境。簡單來說，只要在辨識使用者身份時，利用可替代生理特徵亦具唯一識別性的資訊，並且不需將資料存在雲端或裝置中，就可以達成此一目的。在此前提下，目前已有新創AI廠商利用「行為特徵」取代「生理特徵」，以「邊緣運算」取代「雲端運算」的資料分析與運算模式，解決因採用AI技術產生的安全弊端。
採用邊緣運算的解決方案後，AI的分析與辨識能力已透過晶片，安裝在裝置之中，而要辨識的資料，則是家庭成員的行為特徵。雖然為個別家庭成員建立行為模式，需要更多機器學習的時間，但一旦完成訓練，判斷的精準度並不亞於生物特徵。另一方面，除了能夠識別使用者身份外，對於家中成員正常與異常行為的準確判斷能力，更有助於提升居家安防和遠端照護或監控的服務品質。而對於個資與隱私的保護而言，系統的演算法係根據行為模式輔以身高等數據，建構出類似「火柴人」的骨架模型，即可具備判讀身份的能力，過程中完全不涉及任何個資的記錄與使用，如下圖所示。
圖說：邊緣運算型視覺化影像辨識技術示意
資料來源：Cherry Labs(2018/10)
三、雖然十足創新，市場推廣仍有限制
(一)創新商業模式值得我國相關業者參考
台灣的連網設備製造業發達，在物聯網資訊安全議題逐漸受到重視，且日漸熱烈的議論下，部份硬體廠商已發現問題的嚴重性，開始著手改善。華碩推出新一代智慧家庭產品時，即與趨勢科技合作，針對其產品的安全漏洞進行補強。因此，除期待新創公司為產業帶來新的解決方案思維外，台灣或許更適合由硬體廠商主動發起與資安和AI廠商的合作，完全跳脫出既有框架，給予智慧家庭解決方案全新的AI應用方式。
(二)行為特徵建模效率仍受到使用情境考驗
與帳號密碼或生物特徵相比，個人行為特徵雖然也有其獨特性或唯一性，但就辨識個人身份而言，仍然屬於間接性的資訊依據。以一般人而言，記憶帳號與密碼或者辨認臉部與聲音的差異，比起觀察行為的特徵絕對快上許多，對電腦來說也是如此。針對常態的行為模式固然容易捕捉，但例外的行為模式或特徵卻往往需要特定條件才能誘發。在資訊量不足的情況下，可以想見機器完成學習的時間將會很長，而學習期間的辨識能力，也會明顯低於以生物特徵做為辨識基礎的方案。
(三)隱性加值不易形成採用誘因
自從整合雲端、智慧行動裝置、APP的智慧家庭解決方案問世後，硬體搭配服務的月費支付模式，取代了早期系統商完成施工建置，後續只收維護費的準賣斷模式。針對隱私和個資保護而加強的AI功能，難以讓使用者直接感受其差異化，是否能取代既有的智慧家庭解決方案，仍然存在許多市場面的不確定因素，也可能必須等到大眾的資安意識達到一定程度以上時，才會更重視「強化資安」這種隱性的產品價值。