SPINET – analiza behawioralna i uczenie maszynowe

Celem projektu jest stworzenie systemu służącego ciągłemu monitorowaniu bezpieczeństwa w urządzeniach IoT. Architektura systemu oraz zgodność z systemami rodziny Android i Linux z założenia będzie umożliwiała implementację w szerokim zakresie urządzeń IoT, ze szczególnym uwzględnieniem urządzeń zdalnego monitorowania sieci gazu, wody, ciepła oraz energii elektrycznej.

Uczenie SPINET maszynowe oraz analiza behawioralna

Detekcja anomalii na urządzeniach IoT

Jednym z podstawowych założeń projektu jest monitorowanie anomalii mogących stanowić zagrożenie bezpośrednio na urządzeniu, a nie, jak to miało miejsce do tej pory, w ruchu sieciowym.

Dzięki temu obniżone zostanie ryzyko infekowania samego urządzenia oraz podwyższona zostanie odporność urządzenia na ataki mające na celu zaburzenie jego pracy.

W ramach projektu zostanie wygenerowana próba danych, na bazie której będzie realizowana analiza behawioralna oraz proces uczenia maszynowego.

Stosowana analiza behawioralna

Jednym z założeń projektu jest zastosowanie wspomaganej analizy behawioralnej.

Zespół badawczy na podstawie wygenerowanej próby będzie identyfikował wzorce stanowiące o anomaliach. Wzorcowanie będzie używane w celu identyfikacji anomalii sprawniej i szybciej.

Uczenie maszynowe​

Uczenie maszynowe będzie również realizowane na bazie wygenerowanej próbki danych.

Dzięki wzorcowaniu oraz znakowaniu anomalii system będzie w stanie uczyć się kolejnych anomalii oraz wskazywać albo eliminować tzw. „false positive”.

Rzeczpospolita Polska