Forskere genkender ubudne gæster i støj

Et team af forskere fra MIPT og Kazan National Research Technical University er ved at udvikle et matematisk apparat, der kan føre til et gennembrud inden for netværkssikkerhed. Resultaterne af arbejdet er blevet offentliggjort i tidsskriftet Matematik .

Komplekse systemer, netværkstrafik eller levende organismer, har ikke deterministiske fysiske love til nøjagtigt at beskrive dem og forudsige fremtidig adfærd. I dette tilfælde, en vigtig rolle spilles af korrelationsanalyse, som beskriver systemets opførsel i form af sæt af statistiske parametre.

Sådanne komplekse systemer er beskrevet af trendløse sekvenser, ofte defineret som langsigtede tidsserier eller "støj". De er fluktuationer produceret af en kombination af forskellige kilder og er blandt de mest vanskelige data at analysere og udtrække pålidelige, stabil information.

En af de målinger, der bruges i økonomi og naturvidenskab i tidsserieanalyse, er Hurst-eksponenten. Det antyder, om tendensen i dataene vil fortsætte:f.eks. om værdierne vil fortsætte med at stige, eller om væksten vil vende til aftagende. Denne antagelse gælder for mange naturlige processer og forklares af naturlige systemers inerti. For eksempel, ændring af søniveau, som er i overensstemmelse med forudsigelser afledt af analyse af Hurst-eksponentværdien, bestemmes ikke kun af den aktuelle mængde vand, men også af fordampningshastigheder, nedbør, snesmeltning, osv. Alt ovenstående er en tidskrævende proces.

Fange et cyberangreb

Mængden af ​​trafik, der passerer gennem netværksenheder, er enorm. Dette gælder for slutenhederne - hjemme-pc'er, men især for mellemliggende enheder såsom routere, samt højvolumenservere. Noget af denne trafik, såsom videokonferencer, skal sendes med højeste prioritet, mens afsendelse af filer kan vente. Eller måske er det torrenttrafik, der tilstopper en smal kanal. Eller i værste fald, der er et netværksangreb i gang, og det skal blokeres.

Trafikanalyse kræver beregningsressourcer, lagerplads (buffer) og tid - hvad der bringer latens i transmissionen. Alle disse er en mangelvare, især når det kommer til laveffekt mellemliggende enheder. I øjeblikket, det er enten relativt simple maskinlæringsmetoder, som lider af mangel på nøjagtighed, eller dybe neurale netværksmetoder, som kræver ret kraftige computerstationer med store mængder hukommelse bare for at implementere infrastrukturen til at køre, endsige selve analysen.

Ideen bag arbejdet i teamet af videnskabsmænd ledet af Ravil Nigmatullin er ret simpel:generaliser Hearst-eksponenten ved at tilføje flere koefficienter for at få en mere fuldstændig beskrivelse af de skiftende data. Dette gør det muligt at finde mønstre i dataene, der normalt betragtes som støj og tidligere var umulige at analysere. På denne måde, det er muligt at udtrække væsentlige funktioner på farten og anvende rudimentære maskinlæringsteknikker til at søge efter netværksangreb. Sammen, de er mere nøjagtige end tunge neurale netværk, og tilgangen kan implementeres på mellemliggende enheder med lav effekt.

Støj kasseres almindeligvis, men det kan være meget nyttigt at identificere mønstre i støj. For eksempel, forskerne har analyseret den termiske støj fra en sender i et kommunikationssystem. Dette matematiske apparat tillod dem at isolere fra dataene et sæt parametre, der karakteriserer en bestemt sender. Dette kunne være en løsning på et af kryptografiproblemerne:Alice sender beskeder til Bob, Chuck er en ubuden gæst, der forsøger at efterligne Alice og sende Bob en besked. Bob skal skelne en besked fra Alice fra en besked fra Chuck.

Datahåndtering trænger dybt ind i alle områder af menneskelivet, med billed- og talegenkendelsesalgoritmer, der for længst er flyttet fra science fiction-området til noget, vi møder dagligt. Denne beskrivelsesmetode producerer signalfunktioner, der kan bruges i maskinlæring, i høj grad forenkle og fremskynde anerkendelsessystemerne og forbedre nøjagtigheden af ​​beslutninger.

Alexander Ivchenko, medlem af Multimedia Systems and Technology Laboratory ved MIPT, en af ​​forfatterne til udviklingen, siger:"Udviklingen af ​​dette matematiske apparat kan løse problemet med parametrisering og analyse af processer, som der ikke er nogen nøjagtig matematisk beskrivelse af. Dette åbner enorme perspektiver i beskrivelsen af, analysere og forudsige komplekse systemer."