Kiberbiztonsági kihívások a mezőgazdaság digitalizációjában: Szisztematikus áttekintés Python-alapú elemzéssel
https://doi.org/10.21791/IJEMS.2025.03.
Szerző
Megtekintés
Kulcsszavak
Licenc
Copyright (c) 2025 Zsanett Porkoláb-Angyalos
This work is licensed under a Creative Commons Attribution 4.0 International License.
Hogyan hivatkozzuk
Elfogadott 2025-01-27
Publikált 2025-01-29
Absztrakt
A mezőgazdaság és a kiberbiztonság metszéspontja az IoT (Internet of Things) és a precíziós gazdálkodás gyors térnyerése révén az utóbbi években a kutatás egyik kiemelt területévé vált. Ezek a technológiai innovációk forradalmasították a mezőgazdasági folyamatokat, javítva a hatékonyságot és a fenntarthatóságot, ugyanakkor jelentős biztonsági kockázatokat is hoztak magukkal. Ez a tanulmány szisztematikus irodalomkutatást (Systemeatic Literature Review - SLR) végez a mezőgazdaság kiberbiztonságának kulcskérdéseiről, különös tekintettel az IoT sebezhetőségeire és a fenyegetésekre. A kutatás során Python-alapú szövegelemzési technikák segítségével automatizáltam az absztraktok és teljes szövegek elemzését, lehetővé téve a releváns tanulmányok gyors szűrését és tematikus csoportosítását. Az elemzett 1039 publikáció közül szigorú szűrési kritériumok alapján 40 releváns tanulmányt azonosítottam. A tematikus elemzés eredménye szerint a publikációk 44,9%-a az IoT eszközök sebezhetőségeire, 32,7%-a a mezőgazdasági kiberbiztonsági kihívásokra, míg 22,4%-a az Agriculture 4.0 és precíziós gazdálkodás biztonsági kérdéseire összpontosított. A módszertani megoszlás vizsgálata során kiderült, hogy a kutatásokban a gépi tanulás, a szimulációs modellek és az esettanulmányok dominálnak, míg a felmérések és a kísérleti kutatások kisebb arányban fordulnak elő. Az eredmények rávilágítanak arra, hogy a mezőgazdasági szektorban alapvető fontosságú a kiberbiztonsági stratégiák és technológiák fejlesztése, különösen az IoT eszközök által hordozott kockázatok csökkentése érdekében.
Hivatkozások
- [1] B. Akhigbe, K. Munir, O. Akinadé, L. Akanbi, and L. Oyedele, “IoT Technologies for Livestock Management: A Review of Present Status, Opportunities, and Future Trends,” Big data and cognitive computing, vol. 5, p. 10, 2021, doi: 10.3390/bdcc5010010.
- [2] G. Rosline, P. Rani, and D. Rajesh, Comprehensive Analysis on Security Threats Prevalent in IoT-Based Smart Farming Systems. 2021, pp. 185–194.
- [3] D. Gunawan, C. A. Sembiring, and M. A. Budiman, “The Implementation of Cosine Similarity to Calculate Text Relevance between Two Documents” , Journal of physics: conference series, vol. 978, no. 1, p. 012120, 2018, doi: 10.1088/1742-6596/978/1/012120.
- [4] T. Gebremichael et al., “Security and Privacy in the Industrial Internet of Things: Current Standards and Future Challenges,” IEEE Access, p. 1, 2020, doi: 10.1109/ACCESS.2020.3016937.
- [5] W. Ali, M. Ali, M. Ahmad, S. Dilawar, A. Firdous, and A. Afzal, “Application of Modern Techniques in Animal Production Sector for Human and Animal Welfare,” Turkish Journal of Agriculture-Food Science and Technolog , vol. 8, p. 457, 2020, doi: 10.24925/turjaf.v8i2.457-463.3159.
- [6] O. A. Adebunmi, R. C. Njideka, and N. L. Eyo-Udo, “Cybersecurity in precision agriculture: Protecting data integrity and privacy”, International Journal of Applied Research in Social Sciences vol. 5, no. 10, pp. 693–708, 2023, doi: 10.51594/ijarss.v5i10.1482.
- [7] D. Moher et al., “Preferred reporting items for systematic review and meta-analysis protocols (PRISMA-P) 2015 statement”, Systematic reviews vol. 4, no. 1, p. 1, 2015, doi: 10.1186/2046-4053-4-1.
- [8] O. Adewusi, N. R. Chiekezie, and N. Eyo-Udo, “Securing smart agriculture: Cybersecurity challenges and solutions” in IoT-driven farms, vol. 15, no. 3, pp. 480–489, 2022, doi: 10.30574/wjarr.2022.15.3.0887.
- [9] D. Cahyani and I. Patasik, “Performance comparison of TF-IDF and Word2Vec models for emotion text classification”, Bulletin of Electrical Engineering and Informatics vol. 10, pp. 2780–2788, 2021, doi: 10.11591/eei.v10i5.3157.
- [10] Adewusi, “Cybersecurity in precision agriculture: Protecting data integrity and privacy”, International Journal of Applied Research in Social Sciences pp. 693–708, 2023, doi: 10.51594/ijarss.v5i10.1482.
- [11] Maraveas, M. Rajarajan, K. G. Arvanitis, and A. Vatsanidou, “Cybersecurity threats and mitigation measures in agriculture 4.0 and 5.0”, Smart Agricultural Technology vol. 9, p. 100616, 2024, doi: 10.1016/j.atech.2024.100616.
- [12] H. T. Bui et al., “Agriculture 4.0 and beyond: Evaluating cyber threat intelligence sources and techniques in smart farming ecosystems”, Computers & Security vol. 140, p. 103754, 2024, doi: 10.1016/j.cose.2024.103754.
- [13] Adewusi, N. Chiekezie, and N. Eyo-Udo, “The role of AI in enhancing cybersecurity for smart farms”, World Journal of Advanced Research and Reviews vol. 15, pp. 501–512, 2022, doi: 10.30574/wjarr.2022.15.3.0889.
- [14] Nobles, D. Burrell, T. Waller, and A. Cusak, “Food Sustainability, Cyber-Biosecurity, Emerging Technologies, and Cybersecurity Risks in the Agriculture and Food Industries”, International Journal of Environmental Sustainability and Green Technologies (IJESGT) vol. 13, pp. 1–17, 2022, doi: 10.4018/IJESGT.309744.
- [15] M. Ayaz, A. Uddin, Z. Sharif, A. Mansour, and el-H. Aggoune, “Internet-of-Things (IoT)-Based Smart Agriculture: Toward Making the Fields Talk”, IEEE Access p. 1, 2019, doi: 10.1109/ACCESS.2019.2932609.
