Security and Machine Learning Adoption in IoT: A Preliminary Study of\n IoT Developer Discussions
Notice bibliographique
Résumé
Internet of Things (IoT) is defined as the connection between places and\nphysical objects (i.e., things) over the internet/network via smart computing\ndevices. Traditionally, we learn about the IoT ecosystem/problems by conducting\nsurveys of IoT developers/practitioners. Another way to learn is by analyzing\nIoT developer discussions in popular online developer forums like Stack\nOverflow (SO). However, we are aware of no such studies that focused on IoT\ndevelopers' security and ML-related discussions in SO. This paper offers the\nresults of preliminary study of IoT developer discussions in SO. We find around\n12% of sentences contain security discussions, while around 0.12% sentences\ncontain ML- related discussions. We find that IoT developers discussing\nsecurity issues frequently inquired about how the shared data can be stored,\nshared, and transferred securely across IoT devices and users. We also find\nthat IoT developers are interested to adopt deep neural network-based ML models\ninto their IoT devices, but they find it challenging to accommodate those into\ntheir resource-constrained IoT devices. Our findings offer implications for IoT\nvendors and researchers to develop and design novel techniques for improved\nsecurity and ML adoption into IoT devices.\n
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».