خوب یا بد یک مفهوم جدید و مهم
اینترنت رفتارها چیست و قرار است چه تحولاتی به‌وجود آورد
آیا تاکنون فکر کرده‌اید برای انبوه داده‌هایی که توسط دستگاه‌های اینترنت اشیاءء جمع‌آوری می‌شوند، چه اتفاقی می‌افتد؟ اگر از این داده‌ها برای اثرگذاری بر رفتار شما استفاده شود، چه احساسی خواهید داشت؟

اینترنت اشیاء - یک جمع‌بندی کلی

برای آن‌که کاربر معمولی دستگاه‌های اینترنت اشیاء (loT) باشید، دیگر نیاز نیست علاقه‌مند به گجت‌ها یا حتا جزء پذیرندگان اولیه (Early Adopter) باشید، یا این‌که بدانید اینترنت اشیاء چیست. تعداد دستگاه‌های هوشمندی که روزانه استفاده می‌کنیم، پیوسته در حال افزایش‌ هستند. زنگ‌ در اینترنتی، خودروهای متصل به اینترنت، بلندگوهای هوشمند، سیستم‌های امنیتی و ردیاب‌های تناسب اندام، چند نمونه از دستگاه‌های اینترنت اشیاء هستند که امروزه به‌عنوان جریان غالب در نظر گرفته می‌شوند و به‌طور منظم در زندگی روزمره ما مورد استفاده قرار می‌گیرند.

فناوری اینترنت اشیاء تنها به محصولات مصرفی ساده اشاره ندارد، بلکه روندی بسیار بزرگ در صنعت و تجاری است. ردیابی موجودی، مدیریت لجستیک، حس‌گرهای خط تولید، تامین امنیت و حتا تحلیل احساسات یا عقیده‌کاوی از طریق الگوریتم‌های هوشمند، چند نمونه از کاربردهای این فناوری هستند که نشان می‌دهند چگونه انقلاب اینترنت اشیاء فرآیندها را ساده‌سازی کرده و باعث ایجاد تغییرات در بخش‌های مختلف می‌شود. به‌طور کلی، اینترنت اشیاء تغییرات زیادی در زندگی ایجاد کرده که مزیت درک‌‌شده مطابق با وعده‌های داده‌شده، و تولید داده به مقدار زیاد از مهم‌ترین آن‌ها هستند. 

مزیت درک‌شده مطابق با وعده‌های داده‌شده

به‌طور مثال، اگر قرار است 14 میلیون تومان صرف خرید یک دستگاه آبمیوه‌گیری یا مسواکی کنید که به اینترنت وصل می‌شود، انتظار دارید که دستگاه‌های اینترنت اشیاء شما عملکرد مفیدی را همراه با یک مزیت درک‌شده ارائه ‌دهند. این‌که دستگاه تناسب‌اندام فعالیت‌تان را به بازی تبدیل کند و شما را تشویق به ایستادن یا پیاده‌روی کند، چیز خوبی است که زندگی را به‌سمت بهتر شدن سوق می‌دهد. اما این‌که بتوانید به بلندگوی هوشمند خود بگویید شب به‌خیر و با این کار چراغ‌های داخل اتاق خاموش و گزینه تشخیص حرکت در دوربین‌های بیرونی فعال شود، برای بسیاری‌ آرامش و راحتی درک‌شده را به‌ارمغان می‌آورد. مزایای مشابهی نیز در فضای سازمانی، البته در مقیاسی متفاوت، در حال تحقق است.

تولید داده به مقدار زیاد

فروشندگان محصولات اینترنت اشیاء علاوه بر فروش یک دستگاه جدید و جالب که کار به‌ظاهر مفیدی را انجام می‌دهد، حجم عظیمی از داده‌‌ها را که به تعاملات شما با این دستگاه‌ها مرتبط می‌شود، تولید و ضبط می‌کنند. بنابر پیش‌بینی سیسکو، دستگاه‌های اینترنت اشیاء تا پایان سال 2021 بیش از 800 زتابایت داده در سال تولید کرده‌اند و این میزان در سال‌های بعد به‌طور تصاعدی رشد خواهد کرد. یک زتابایت معادل تقریبا یک تریلیون گیگابایت است.

این مقدار انبوه از داده‌ها، در صورتی که به‌درستی پردازش شوند، می‌توانند دیدگاه‌های عملی را در مورد رفتار جمعی و مشترک ما در شرایط خاص ارائه دهند. این نوع دیدگاه‌ها برای شرکت‌هایی که به‌دنبال ارتقای استراتژی‌های توسعه محصول و بازاریابی هستند، به‌طرز باورنکردنی ارزشمند است. با جمع‌آوری داده‌ها و غربال کردن اطلاعات مفید، شرکت‌ها می‌توانند پیش‌بینی‌های دقیقی از آن‌چه انسان در مواجهه با موقعیت‌های خاص انجام می‌دهد، به‌دست آورند. 

اینترنت رفتار (IoB) چیست؟

پروفسور گوته نایمن (Göte Nyman) از دانشگاه هلسینکی، اولین بار مفهوم اینترنت رفتار (IoB یا Internet of Behavior) را در سال 2012 در وبلاگ خود مورد بررسی قرار داد. او در اولین مقاله خود که الگوهای رفتاری در پس اینترنت رفتارها را مورد بررسی قرار داده بود، این‌گونه نوشت: «معتقدم در آینده نزدیک شاهد رشد انفجاری برنامه‌های کاربردی و سرویس‌هایی هستیم که برای ارائه بهترین پاسخ‌های ممکن، دسترسی به داده‌ها، ارتباطات، اطلاعات، تعامل، سرگرمی، خدمات و عملکرد، به دریافت مستقیم راهنمایی و اطلاعات از افراد و جوامع متکی هستند».

مهم است که بدانید پروفسور نایمن این مفاهیم را خیلی قبل‌تر از این‌که انقلاب اینترنت اشیاء واقعا به‌وجود بیاید و موتورهای زیادی برای جمع‌آوری اطلاعات ما ایجاد شوند، مطرح کرد. مفهوم اینترنت رفتار بر فعالیت انسان از طریق دریچه روان‌شناسی رفتاری متمرکز است. استفاده از کلان‌داده‌ها برای درک این‌که در موقعیت‌های خاص چگونه رفتار خواهیم کرد، برای سازمان‌های بزرگ (از جمله شرکت‌ها و سازمان‌های بزرگ) در سراسر جهان مفید است.

گارتنر در کتاب پیش‌بینی‌های استراتژیک برتر سال 2020 و پس از آن به اینترنت رفتار اشاره کرده و در مورد مفهوم فرا‌شخصی‌سازی (Hyperpersonalization) صحبت می‌کند که در واقع مبتنی بر جمع‌آوری مداوم داده‌ها برای شناسایی احساسات مصرف‌کننده و استفاده از این دانش در جهت افزایش میزان فروش است. بر اساس پیش‌بینی‌ها تا سال 2023، فعالیت‌های افراد به‌صورت دیجیتالی توسط اینترنت رفتار ردیابی می‌شود تا مزایا و واجد شرایط بودن خدمات برای طیف گسترده‌ای از مردم سراسر جهان که بیشتر در ایالات متحده قرار دارند، مشخص شود. 

گارتنر در این خصوص می‌گوید: «با افزایش تکنولوژی‌هایی که غبار دیجیتال زندگی روزمره را جمع‌آوری می‌کنند، یعنی داده‌هایی که هم دنیای دیجیتال و هم دنیای فیزیکی را در بر می‌گیرند، این اطلاعات می‌توانند از طریق حلقه‌های بازخورد برای تغییر رفتارها مورد استفاده قرار گیرند».

بااین‌حال، اینترنت رفتارها چه بخواهیم و چه نخواهیم به داده‌های جمع‌آوری‌شده از الگوریتم‌ها و میلیاردها دستگاه اینترنت اشیاء دسترسی دارد و سازمان‌ها و شرکت‌های بزرگ فناوری از این داده‌ها برای بهبود تجربه‌ کاربری در راستای منافع شخصی خود استفاده خواهند کرد.

شرکت‌هایی که ما را از طریق داده‌های به‌دست‌آمده از دستگاه‌های هوشمند می‌شناسند، اکنون می‌توانند با استفاده از تجزیه‌و‌تحلیل IoB از این داده‌ها، بر رفتار ما تاثیر بگذارند، اما این تاثیرگذاری همیشه اتفاق بدی نیست. به‌طور مثال، برنامه کاربردی یا مچ‌بند سلامتی را در نظر بگیرید که از آن برای بررسی عادات غذایی و خواب، پایش ضربان قلب یا سطح قند خون استفاده می‌کنید. این برنامه یا دستگاه می‌تواند درباره وضعیت خطرناک سلامت به شما هشدار دهد و تغییراتی را در رفتارها و سبک زندگی‌تان پیشنهاد دهد که پیامدهای مثبتی برای‌تان به‌همراه داشته باشد. اگر از اپل بپرسید، داستان‌های بسیاری درباره این‌که چطور ساعت هوشمندش جان کاربران را از مرگ نجات داده است برای شما تعریف خواهد کرد.

عملکرد اینترنت رفتار به چه صورتی است؟

مفهوم اینترنت رفتار را می‌توان در دو مرحله سطح بالا به‌شرح زیر در نظر گرفت:

  • اندازه‌گیری، جمع‌آوری و درک: استفاده مداوم از کلان‌داده‌ها از منابع متعدد (که به هیچ‌وجه محدود به اینترنت اشیاء نیست) برای اندازه‌گیری و درک رفتار جمعی افراد در شرایط خاص.
  • تاثیرگذاری و هدایت رفتار: دیدگاه‌های جمع‌آوری‌شده را می‌توان مورد استفاده قرار داد و به‌عنوان وسیله‌ای برای هدایت رفتار افراد در موقعیت‌های خاص توسعه  داد. رایج‌ترین کاربرد آن در یک محیط تجاری (معمولا خرده‌فروشی) است، اما نمونه‌های جهانی آن مقیاس گسترده‌تری دارند که از طریق فرااتصال (Hyperconnectivity) و دسترسی به چندین نقطه داده توسط سازمان‌های بزرگ و دولتی مورد استفاده قرار می‌گیرند. 

نگرانی‌های آشکار در خصوص امنیت و حریم خصوصی 

در حالی که به باور بسیاری‌، این سطح از بینش نسبت به رفتار افراد یک عامل مثبت برای تغییر (به‌ویژه در حوزه بازاریابی، تجارت و رسانه‌های اجتماعی) تلقی می‌شود، اما نگرانی‌های زیادی در مورد نحوه جمع‌آوری و استفاده از این داده‌ها وجود دارد. مسائل مربوط به حریم خصوصی و اخلاقیات همیشه در تمام مباحث مربوط به جمع‌آوری داده‌ها، تحلیل عقاید و احساسات می‌شوند.

چرا باید به خرده‌فروشان بزرگ، شرکت‌های فعال در رسانه‌های اجتماعی و سایر سازمان‌ها که این همه اطلاعات درباره ما دارند اعتماد کنیم؟ ما شاهد آن بوده‌ایم که شرکت‌های بزرگی مثل فیس‌بوک از داده‌های کاربران خود برای خط‌دهی به دیدگاه‌های عمومی، انتشار اخبار جعلی یا فروختن این اطلاعات به شرکت‌های ثالث سوء‌استفاده کرده‌اند که کمبریج آنالیتیکا تنها یکی از این موارد بود. همچنین، حملات سایبری در مقیاس بزرگ و نقض داده‌ها اتفاقات بسیار رایجی هستند؛ از این‌رو، این احتمال وجود دارد که این داده‌ها به دست افراد نادرست بیفتد. آیا این اتفاق فقط تجاوز به حریم خصوصی ما در سطح شخصی است یا این‌که در حال پیاده‌سازی جهانی یک سیستم اعتبارسنجی اجتماعی هستیم؟ 

رفع نگرانی‌های مربوط به حریم خصوصی

با این حال، یک فرآیند محاسباتی به نام رمزگذاری هم‌ریختی/همومورفیک (Homomorphic Encryption) وجود دارد که امکان انجام محاسبات بر روی داده‌های رمزگذاری‌شده را بدون رمزگشایی اولیه فراهم می‌کند.

این فناوری مهم به سازمان‌ها امکان می‌دهد تا داده‌ها را به‌صورت ایمن به اشخاص ثالثی که در تجزیه‌و‌تحلیل و پردازش کلان‌داده‌ها تخصص دارند برون‌سپاری کنند، در حالی که این داده‌ها رمزگذاری‌شده هستند. این امر می‌تواند باعث صرفه‌جویی در هزینه شود، زیرا شرکت‌ها می‌توانند بدون نیاز به توسعه مهارت و تبحر درون‌سازمانی در حوزه کلان‌داده به‌شکل ایمن اطلاعات مشتریان را در اختیار شرکت‌های ثالث قرار دهند تا آن‌ها را تحلیل کنند. 

همچنین، مشتریان و شرکا مطمئن خواهند بود که داده‌های جمع‌آ‌‌وری‌شده، رمزگذاری‌شده و ناشناس هستند که افزایش اعتماد و وفاداری به برند را به‌همراه دارد.

چه این اطلاعات صد‌در‌صد ناشناس باشند یا نباشند، بحث در مورد اخلاق و استفاده از داده‌های رفتاری در مقیاس بزرگ که از منابع مختلفی به‌دست می‌آیند و بیان‌گر دیدگاه‌های واقعی افراد در موقعیت‌های خاص است، موضوعی نیست که بتوان به‌سادگی از کنار آن عبور کرد. 

بزرگ‌ترین مانع برای پذیرفتن رمزگذاری همومورفیک در مقیاس وسیع، کند بودن آن است. این فناوری به اندازه‌ای کند است که استفاده از آن برای بسیاری از برنامه‌ها هنوز عملی نیست. با این حال، برخی از شرکت‌ها و محققان در تلاش هستند با کاهش سربار محاسباتی مورد نیاز برای رمزگذاری همومورف، این فرآیند را سرعت ببخشند.

سازمان‌ها باید زمانی که داده‌های مشتریان‌شان ناشناس و رمزگذاری‌شده است، شفاف‌تر عمل کنند. این شفاف‌سازی باید در معرض دید افراد قرار داشته باشد، نه این‌که به‌شکل یک یا چند پاراگراف‌ به آن اشاره شود و کمتر کسی به آن توجه کند. اگر این موضوع به یک هنجار تبدیل شود، مشتریان و حتا کارمندان آن سازمان اطلاع دقیقی درباره استراتژی‌های آن سازمان به‌دست می‌آورند.

رمزگذاری همومورفیک چرا تحول‌آفرین است؟ 

مشکل داده‌های رمزگذاری‌شده این است که برای کار با آن‌ها، ابتدا باید رمزگشایی شوند. با انجام این رمزگشایی، شما داده‌ها را در برابر چیزهایی که سعی می‌کردید با رمزگذاری از آن‌ها محافظت کنید، آسیب‌پذیر می‌کنید. یک راه‌حل قدرتمند برای این سناریو رمزگذاری همومورفیک است. رمزگذاری همومورفیک ممکن است در نهایت راه‌حل و پاسخی برای سازمان‌هایی باشد که نیاز به پردازش اطلاعات در عین حفظ حریم خصوصی و امنیت دارند.

رمزگذاری همومورفیک چیست؟

رمزگذاری همومورفیک امکان تجزیه‌وتحلیل یا دستکاری داده‌های رمزگذاری‌شده را بدون افشای داده‌ها برای افراد به‌وجود می‌آورد. چیزی به‌سادگی جست‌وجوی کافی‌شاپ وقتی خارج از شهر هستید، به شرکت‌ها اجازه می‌دهد به کلان‌داده‌هایی فراتر از حد انتظار دست پیدا کنند. آن‌ها بر مبنای این اطلاعات به شما نشان می‌دهند نزدیک‌ترین کافی‌شاپ چقدر با شما فاصله دارد و وقتی در حال جست‌وجو هستید، ساعت چند است (چه زمانی تمایل به نوشیدن قهوه دارید). این مورد تنها گوشه‌ای از اطلاعات ارزشمندی هستند که شما در اختیار شرکت‌ها قرار می‌دهید. اگر رمزگذاری همومورفیک برای جست‌وجویی نظیر این موارد اعمال شود، هیچ یک از این اطلاعات برای هیچ یک از اشخاص ثالث یا ارائه‌دهندگان خدمات مثل گوگل قابل مشاهده نخواهد بود. همچنین، قادر نیستند پاسخ شما به محل کافی‌شاپ و نحوه رسیدن شما به آن مکان را متوجه شوند. 

با این حال، زمانی که حریم خصوصی یک شخص در اولویت باشد، رمزگذاری همومورفیک در حوزه‌های مرتبط  با داده‌های شخصی و حساس مانند خدمات مالی یا مراقبت‌های بهداشتی، ظرفیت بسیار زیادی پیدا می‌کند. در این موارد، رمزگذاری همومورفیک می‌تواند از جزئیات حساس و محرمانه داده‌های واقعی محافظت کند، اما همچنان فرآیند تجزیه‌و‌تحلیل و پردازش اطلاعات را امکان‌پذیر کند. 

یکی دیگر از مزایای رمزگذاری همومورفیک این است که بر خلاف سایر مدل‌های رمزگذاری که امروزه مورد استفاده قرار می‌گیرند، از رمزگشایی شدن توسط رایانه‌های کوانتومی در امان است.

درست مانند سایر اشکال رمزگذاری، رمزگذاری همومورفیک از یک کلید عمومی برای رمزگذاری داده‌ها استفاده می‌کند. اما برخلاف سایر اشکال رمزگذاری، از یک سیستم جبری استفاده می‌کند تا امکان انجام عملیات روی داده‌ها را در حالی که هنوز رمزگذاری‌شده‌ هستند، به‌وجود آورد. سپس، تنها فردی که دارای کلید خصوصی منطبق است، قادر است پس از تکمیل عملیات و دستکاری‌ها، به داده‌های رمزگذاری‌نشده دسترسی پیدا کند. این راهکار باعث می‌شود تا داده‌ها حتا زمانی که شخصی از آن‌ها استفاده می‌کند، امن و خصوصی باشند و امن و خصوصی باقی بمانند.

سه نوع رمزگذاری اصلی همومورفیک وجود دارند، رمزگذاری نیمه‌همومورفیک (که تنها با پذیرفتن انجام برخی عملیات ریاضی انتخابی بر روی داده‌های رمزگذاری‌شده، داده‌های محرمانه را ایمن نگاه می‌دارد)، رمزگذاری تا حدودی همومورفیک (از عملیات محدودی پشتیبانی می‌کند که فقط می‌توانند چند بار انجام شوند) و رمزگذاری کاملا همومورفیک (این استاندارد طلایی رمزگذاری همومورفیک است که اطلاعات را ایمن و در دسترس نگه می‌دارد).

دکتر کریگ جنتری رمزگذاری همومورفیک را به‌عنوان یک گلاوباکس (Glovebox) توصیف می کند که در آن هر کسی می‌تواند دست خود را داخل گلاوباکس ببرد و آنچه را که در داخل آن است دستکاری کند، اما قادر به استخراج  محتویات درون آن نیست. آن‌ها فقط می‌توانند مواد اولیه را بگیرند و تغییری در جعبه ایجاد کنند. هنگامی که کار آن‌ها تمام می‌شود، شخصی که کلید را در اختیار دارد، قادر است مواد (داده‌های پردازش‌شده) را حذف کند.

کاربردهای عملی رمزگذاری همومورفیک

در حالی که رمزنگاران از سال 1978 مفهوم رمزگذاری همومورفیک را می‌دانستند، اما این رمزگذاری زمانی پیشرفت کرد که دکتر جنتری برای پایان‌نامه فارغ‌التحصیلی خود، سیستم رمزگذاری جبری همو‌مورفیک را ایجاد و اولین طرح رمزگذاری همومورفیک را در سال 2009 طراحی کرد. رمزگذاری همومورفیک می‌تواند نحوه وارد کردن جست‌وجوها در موتورهای جست‌وجو را خصوصی‌تر کند، اما کاربردهای عملی دیگری برای آن در هنگام استفاده از داده‌ها یا در حال انتقال وجود دارد.

در مورد صنایعی که تحت نظارت شدید قرار دارند، برون‌سپاری امن داده‌ها در محیط‌های ابری یا شرکایی که بتوان داده‌ها را جهت تحقیق و تحلیل با آن‌ها به‌اشتراک گذاشت، یک چالش مهم محسوب می‌شود. رمزگذاری همومورفیک می‌تواند این وضعیت را تغییر دهد، زیرا امکان تجزیه‌و‌تحلیل داده‌ها را بدون به خطر انداختن حریم خصوصی به‌وجود می‌آورد. این نوع رمزگذاری در صنایع مختلفی مثل خدمات مالی، فناوری اطلاعات، مراقبت‌های بهداشتی و غیره تاثیرگذار است. 

موانع استفاده از رمزگذاری همومورفیک چیست؟

بزرگ‌ترین مانع برای پذیرش رمزگذاری همومورفیک در مقیاس وسیع، کند بودن آن است؛ به‌گونه‌ای که استفاده از آن برای بسیاری از برنامه‌ها هنوز عملی نیست. با این حال، شرکت‌هایی مانند آی‌بی‌ام و مایکروسافت و محققانی مانند دکتر جنتری در تلاش هستند با کاهش سربار محاسباتی مورد نیاز برای رمزگذاری همومورفیک، این روند را تسریع کنند.

کلام آخر

از یک سو، موفقیت چشم‌گیر و روز‌افزون شبکه‌های اجتماعی، خرید‌های اینترنتی، دستیارهای دیجیتال و فناوری‌هایی که به اطلاعات شخصی کاربر نیاز دارند، نشان می‌دهد که بیشتر کاربران مشکل چندانی با در اختیار گذاشتن داده‌های خود ندارند، از سوی دیگر، قوانین و استانداردها نیز نقش مهمی در نحوه‌ استفاده از داده‌ها توسط سازمان‌های بزرگ برای تغییر الگوهای رفتاری بازی خواهند کرد. گارتنر بر این باور است که اگر پروژه‌های مبتنی بر اینترنت-‌رفتارها ارزش افزوده‌ای به کاربر ارائه ندهند، کل مفهوم IoB با شکست رو‌به‌رو می‌شود. دغدغه‌های حریم شخصی نیز لازم است به‌شکل درستی برطرف شود تا IoB بتواند در آینده در سطح گسترده‌تری پذیرفته شود.

ماهنامه شبکه را از کجا تهیه کنیم؟
ماهنامه شبکه را می‌توانید از کتابخانه‌های عمومی سراسر کشور و نیز از دکه‌های روزنامه‌فروشی تهیه نمائید.

ثبت اشتراک نسخه کاغذی ماهنامه شبکه     
ثبت اشتراک نسخه آنلاین

 

کتاب الکترونیک +Network راهنمای شبکه‌ها

  • برای دانلود تنها کتاب کامل ترجمه فارسی +Network  اینجا  کلیک کنید.

کتاب الکترونیک دوره مقدماتی آموزش پایتون

  • اگر قصد یادگیری برنامه‌نویسی را دارید ولی هیچ پیش‌زمینه‌ای ندارید اینجا کلیک کنید.

ایسوس

نظر شما چیست؟