Advanced trust evaluation and estimation solutions for the internet of things

Abstract

The rapid proliferation of the Internet of Things (IoT) across critical infrastructure and various aspects of daily life, coupled with the growing sophistication and dynamic nature of cyber threats, highlights the urgent need for effective trust assessment within IoT ecosystems. This thesis begins by outlining the fundamental challenges associated with establishing and maintaining trust among IoT ecosystem entities. To address these challenges, it introduces a set of comprehensive trust evaluation, prediction, and management solutions. The current research defines novel trust evaluation and prediction methodologies and identifies key factors that influence trust in IoT devices, particularly those providing services within the ecosystem. Furthermore, the thesis investigates adversarial strategies that aim to undermine trust assessment mechanisms—either directly, by corrupting the evaluation process, or indirectly, by manipulating predictive models. To counter these threats, this dissertation integrates mathematical methods and statistical models in conjunction a suite of advanced technologies, including Few Shot Learning (FSL), Transfer Learning (TL), Machine Learning (ML), Intrusion Detection System (IDS), Distributed Ledger Technology (DLT), Physical Unclonable Function (PUF), and Trusted Execution Environment (TEE). This approach serves a dual purpose: (a) to reliably evaluate and forecast device trustworthiness in IoT environments, and (b) to detect and mitigate trust management-related attacks, as well as broader threats—such as Distributed Denial of Service (DDoS) attacks—targeting the components of the trust management system. Finally, this thesis presents a suite of trust evaluation and prediction mechanisms specifically designed to meet the unique requirements of IoT ecosystems. It also provides a comprehensive assessment of the proposed methods in terms of security effectiveness and system performance.

Η ραγδαία εξάπλωση του Διαδικτύου των Πραγμάτων (Internet of Things) στις κρίσιμες υποδομές και σε ποικίλες πτυχές της καθημερινής ζωής, σε συνδυασμό με τη διαρκώς αυξανόμενη πολυπλοκότητα και τη δυναμική φύση των κυβερνοαπειλών, αναδεικνύει την επιτακτική ανάγκη για αποτελεσματική αξιολόγηση και διαχείρηση εμπιστοσύνης στα οικοσυστήματα IoT. Η παρούσα διατριβή ξεκινά με την παρουσίαση των βασικών προκλήσεων που σχετίζονται με την εγκαθίδρυση και διατήρηση της εμπιστοσύνης μεταξύ των οντοτήτων του οικοσυστήματος IoT. Για την αντιμετώπιση αυτών των προκλήσεων, προτείνεται ένα σύνολο ολοκληρωμένων λύσεων διαχείρισης εμπιστοσύνης καθώς και αξιολόγησης και πρόβλεψης αξιοπιστίας. Η παρούσα έρευνα ορίζει καινοτόμες μεθόδους αξιολόγησης και πρόβλεψης αξιοπιστίας, ενώ εντοπίζει κρίσιμους παράγοντες που επηρεάζουν την εμπιστοσύνη σε συσκευές IoT, ιδίως εκείνες που παρέχουν υπηρεσίες εντός του οικοσυστήματος. Επιπλέον, η διατριβή εξετάζει εχθρικές στρατηγικές που αποσκοπούν στην υπονόμευση των μηχανισμών αξιολόγησης εμπιστοσύνης — είτε άμεσα, μέσω αλλοίωσης της διαδικασίας αξιολόγησης αξιοπιστίας, είτε έμμεσα, μέσω χειραγώγησης των μοντέλων πρόβλεψης. Για την αντιμετώπιση αυτών των απειλών, αυτή η διατριβή ενσωματώνει μαθηματικές μεθόδους και στατιστικά μοντέλα σε συνδυασμό με ένα σύνολο προηγμένων τεχνολογιών, όπως Few Shot Learning, Machine Learning, Intrusion Detection Systems, Distributed Ledger Technology, Physically Unclonable Functions, και Trusted Execution Environments. Η συγεκριμένη προσέγγιση εξυπηρετεί έναν διττό σκοπό: (α) την αξιολόγηση και πρόβλεψη της αξιοπιστίας των συσκευών στα περιβάλλοντα IoT και (β) την ανίχνευση και αντιμετώπιση επιθέσεων έναντι συστημάτων διαχείρησης εμπιστοσύνης, καθώς και γενικότερων απειλών — όπως οι επιθέσεις άρνησης παροχής υπηρεσίας (Distributed Denial-of-Service) — που στοχεύουν τα επιμέρους στοιχεία της αρχιτεκτονικής διαχείρισης εμπιστοσύνης. Τέλος, η διατριβή παρουσιάζει μια σειρά μηχανισμών αξιολόγησης και πρόβλεψης αξιοπιστίας, ειδικά σχεδιασμένων για να ανταποκρίνονται στις ιδιαίτερες απαιτήσεις των οικοσυστημάτων IoT. Παράλληλα, παρέχεται αναλυτική αξιολόγηση της ασφάλειας και της απόδοσης των προτεινόμενων μεθόδων.