Jautri informacijos apsauga naudojant dirbtinį intelektą
Informacijos saugumo sritis vaidina labai svarbų vaidmenį įmonių kritinių duomenų, asmeninių reikalų ir įmonių paslapties apsaugoje nuo nukrypimo į klaidingas rankas. Ši sritis gintis nuo duomenų nutekėjimų, įsilaužimų, failų korupcijos ir įvairių rūšių kibernetinių atakų. Tie ir komerciniai, ir vyriausybės subjektai privalo apsaugoti savo duomenis nuo šnipų ir galimai kenksmingų subjektų savo gretose.
Egzistuojančios metodai, skirti neįtikėtiniems vartotojams aptikti, dažnai yra laiko gaištantys ir neefektyvūs. Laimei, dirbtinio intelekto (DI) pažanga siūlo perspektyvų sprendimą, suteikiantį galimybę greitai atlikti duomenų analizę.
Permės Nacionalinio Mokslo Politechnikos Universiteto (PNIPU) tyrėjai išmokė neuroninę tinklą greitai ir tiksliai identifikuoti nelegalius tinklo vartotojus, sustiprindami Rusijos informacijos nepriklausomybę. Ši plėtra, paskelbta žurnale „Magistras”, yra dalis „Prioritetas 2030” strateginės akademinių lyderių programos.
Renginiai kaip įrankiai kibernetinei saugumui
Renginių žurnalų failai yra esminiai užtikrinant įmonių informacijos saugumą. Šios duomenų bazės turi informaciją apie įvairius sistemos ar tinklo įvykius, susijusius su saugumu, leidžiančią analizuoti ir stebėti veiklą, atpažinti galimus grasinimus ir aptikti abnormalias klaidas siekiant apsaugoti duomenis.
Didelėse įmonių sistemose, generuojant iki milijono registrų įrašų per dieną, automatizuoti tokių didelių nematomų duomenų analizę pasirodė resursų intensyvi ir dažnai užtrunkant. Realaus laiko stebėjimas sistemos žurnaluose būtinas norint aptikti anomalijas ir nedelsiant reaguoti į saugumo įvykius, mažinant susijusius rizikos veiksnius.
Norint spręsti šią iššūkį, Permės Politechnikos mokslininkai siūlo naudoti DI. Analizuodami išsamius vartotojų veiklos duomenis informacinėse sistemose, jie išmokė neuroninį tinklą atpažinti nelegalių naudotojų išskirtinį elgesį palyginti su teisėtais naudotojais.
Efektyvus ir patikimas įsilaužimo aptikimo DI modelis
Politechnikos tyrėjai pasirinko perceptrono pagrįstą kompiuterinį modelį, paprastą, bet efektyvų neurono tinklo tipą. Binariniai duomenys, kuriuos reiškia sisteminių vartotojų padedami įvesties parametrų, su ‘0’ nurodydamas teisėtus vartotojus ir ‘1’ nurodydamas nelegalius subjektus. Neuroninis tinklas buvo mokomas naudojant daugiau nei 700 duomenų tipų iš daugiau nei 1 500 vartotojų.
Lyginamoji analizė su kitu neurono tinklo tipu parodė, kad perceptronų pagrįstas tinklas tiksliau skiria tarp nelegalių ir teisėtų vartotojų. Šis naujoviškas DI metodas įrodė ženkliai sumažinti abiejų tipų klaidų tikimybę – teisėtą vartotoją painiojant su įsilaužėliu ir atvirkščiai – 20%. Ši plėtra pažada stiprinti patikimumą ir padėti aptikti neleistinus vartotojus informacinėse sistemose.
Permės Politechnikos plėtra parodo, kad DI pagrįstas metodas yra ypač tinkamas įmonių taikymui. Jis reikalauja minimalių atminties resursų, veikia greitai ir gali efektyviai analizuoti didelius duomenų kiekius.
The source of the article is from the blog revistatenerife.com