Digitala Vetenskapliga Arkivet

Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Evaluating Zero-Trust Configurations for Machine Learning Services in Edge Systems
KTH, Skolan för elektroteknik och datavetenskap (EECS).
2024 (Engelska)Självständigt arbete på avancerad nivå (masterexamen), 20 poäng / 30 hpStudentuppsats (Examensarbete)Alternativ titel
Utvärdering av nollförtroendekonfigurationer för maskininlärningstjänster i Edge-system (Svenska)
Abstract [en]

The growing use of Internet of Things systems and Edge Computing for real-time data processing and Machine Learning services has created new security challenges in distributed environments. Because traditional security models rely on perimeter-based security measures and trust presumptions, they often fail to address these issues. Zero Trust emerges as a promising cybersecurity paradigm that works on the principle of “never trust, always verify” to secure the network infrastructure. This thesis investigates the integration of Zero Trust principles in an IoT-Edge system supporting Machine Learning service. Examining Zero Trust Architecture’s feasibility in the said system and weighing its performance tradeoffs are the primary goals of the thesis. The study follows a systematic approach that involves creating a Zero Trust proof-of-concept and conducting benchmarks with different Zero Trust configurations to assess their impact on system performance. The results show that integrating Zero Trust enhances the system’s security while keeping performance costs acceptable. These insights extend the understanding of security-performance trade-offs when implementing Zero Trust in edge systems, and offer potential directions for future research in more complex and dynamic environments.

Abstract [sv]

Den ökande användningen av Internet of Things-system och Edge Computing för databehandling i realtid och Machine Learning-tjänster har skapat nya säkerhetsutmaningar i distribuerade miljöer. Eftersom traditionella säkerhetsmodeller förlitar sig på perimeterbaserade säkerhetsåtgärder och förtroendeantaganden misslyckas de ofta med att hantera dessa problem. Zero Trust framstår som ett lovande cybersäkerhetsparadigm som arbetar enligt principen “lita aldrig, verifiera alltid” för att säkra nätverksinfrastrukturen. Denna avhandling undersöker integrationen av Zero Trust-principer i ett IoT-Edge-system som stöder maskininlärningstjänster. Att undersöka Zero Trust-arkitekturens genomförbarhet i det nämnda systemet och väga dess prestandakompromisser är de primära målen för avhandlingen. Studien följer ett systematiskt tillvägagångssätt som innebär att skapa ett Zero Trust proof- of-concept och genomföra benchmarks med olika Zero Trust-konfigurationer för att bedöma deras inverkan på systemets prestanda. Resultaten visar att integreringen av Zero Trust förbättrar systemets säkerhet samtidigt som prestandakostnaderna hålls på en acceptabel nivå. Dessa insikter ökar förståelsen för avvägningar mellan säkerhet och prestanda när Zero Trust implementeras i edge-system, och erbjuder potentiella riktningar för framtida forskning i mer komplexa och dynamiska miljöer.

Ort, förlag, år, upplaga, sidor
2024. , s. 56
Serie
TRITA-EECS-EX ; 2024:988
Nyckelord [en]
Zero Trust, IoT, Edge Computing, Security, Networking, Performance evaluation
Nyckelord [sv]
Zero Trust, IoT, Edge Computing, Säkerhet, Nätverk, Prestandautvärdering
Nationell ämneskategori
Data- och informationsvetenskap
Identifikatorer
URN: urn:nbn:se:kth:diva-361640OAI: oai:DiVA.org:kth-361640DiVA, id: diva2:1947112
Handledare
Examinatorer
Tillgänglig från: 2025-03-27 Skapad: 2025-03-25 Senast uppdaterad: 2025-03-27Bibliografiskt granskad

Open Access i DiVA

fulltext(4552 kB)57 nedladdningar
Filinformation
Filnamn FULLTEXT01.pdfFilstorlek 4552 kBChecksumma SHA-512
4f7c8ece47f04076d4a0f179b97dd2bb62108a19a7b08439c15984dc70548c4add82796eab71274074df385a97f9e801a23809ad2fb81c3cb22e8fc806df949c
Typ fulltextMimetyp application/pdf

Av organisationen
Skolan för elektroteknik och datavetenskap (EECS)
Data- och informationsvetenskap

Sök vidare utanför DiVA

GoogleGoogle Scholar
Totalt: 57 nedladdningar
Antalet nedladdningar är summan av nedladdningar för alla fulltexter. Det kan inkludera t.ex tidigare versioner som nu inte längre är tillgängliga.

urn-nbn

Altmetricpoäng

urn-nbn
Totalt: 322 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf