Hardware Security Modules for Secure Communications in the Industrial Internet of Things
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The Industrial Internet of Things (IIoT) offers transformative potential but introduces critical security risks, including unauthorized access, data breaches, and privacy compromise. Hardware Security Modules (HSMs) have emerged as robust solutions to protect IIoT ecosystems by enabling secure cryptographic operations, providing tamperresistant hardware and creating trusted execution environments. This work presents the first comprehensive review of HSMs tailored for secure IIoT communications, addressing their architectural foundations, operational mechanisms, and deployment scenarios. It first outlines the IIoT security landscape and HSM deployment architectures, including cloud-based, edge-integrated, and distributed models. Next, cutting-edge HSM implementations are analyzed, emphasizing their effectiveness in authentication, secure communication protocols, and physical tamper resistance. It then explores attack surfaces and vulnerabilities, such as firmware exploits, logical flaws, and network-based threats, along with mitigation strategies. Case studies from smart manufacturing, energy grids, and logistics demonstrate practical HSM applications, while a comparative evaluation assesses commercial and open-source solutions based on performance, compliance, and scalability. Emerging trends such as AI-driven threat detection, post-quantum cryptography, and decentralized HSMs are also discussed. Finally, key challenges are highlighted, including latency in real-time systems, supply chain risks, and regulatory hurdles, and future directions for research and industry adoption are proposed. This work serves as a roadmap for securing IIoT deployments, offering actionable insights for researchers, practitioners, and policymakers.
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.
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 | 0,007 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,010 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle