Een team van wetenschappers van MIPT en Kazan National Research Technical University ontwikkelt een wiskundig apparaat dat kan leiden tot een doorbraak in netwerkbeveiliging. De resultaten van het werk zijn gepubliceerd in het tijdschrift Wiskunde .

Ingewikkelde systemen, zoals netwerkverkeer of levende organismen, hebben geen deterministische natuurkundige wetten om ze nauwkeurig te beschrijven en toekomstig gedrag te voorspellen. In dit geval, een belangrijke rol wordt gespeeld door correlatieanalyse, die het gedrag van het systeem beschrijft in termen van sets van statistische parameters.

Dergelijke complexe systemen worden beschreven door trendloze sequenties, vaak gedefinieerd als lange termijn tijdreeksen of "ruis". Het zijn fluctuaties die worden veroorzaakt door een combinatie van verschillende bronnen en behoren tot de moeilijkste gegevens om te analyseren en betrouwbaar te extraheren, stabiele informatie.

Een van de metrieken die in de economie en de natuurwetenschappen worden gebruikt bij tijdreeksanalyse is de Hurst-exponent. Het suggereert of de trend in de gegevens zal aanhouden:bijvoorbeeld of de waarden zullen blijven stijgen, of dat de groei zal omslaan in een daling. Deze veronderstelling geldt voor veel natuurlijke processen en wordt verklaard door de traagheid van natuurlijke systemen. Bijvoorbeeld, meer niveau verandering, wat consistent is met voorspellingen die zijn afgeleid van analyse van de Hurst-exponentwaarde, wordt niet alleen bepaald door de huidige hoeveelheid water, maar ook door verdampingssnelheden, neerslag, sneeuw smelten, enz. Al het bovenstaande is een tijdrovend proces.

Een cyberaanval opvangen

De hoeveelheid verkeer die via netwerkapparaten gaat, is enorm. Dit geldt voor de eindapparaten:thuis-pc's, maar vooral voor tussenliggende apparaten zoals routers, evenals servers met een hoog volume. Een deel van dit verkeer, zoals videoconferenties, met de hoogste prioriteit moet worden verzonden, terwijl het verzenden van bestanden kan wachten. Of misschien is het torrent-verkeer dat een smal kanaal verstopt. Of in het slechtste geval er is een netwerkaanval gaande en deze moet worden geblokkeerd.

Verkeersanalyse vereist rekenkracht, opslagruimte (buffer) en tijd - wat zorgt voor latentie bij verzending. Deze zijn allemaal schaars, vooral als het gaat om tussenliggende apparaten met een laag vermogen. Momenteel, het zijn ofwel relatief eenvoudige methoden voor machinaal leren, die lijden aan een gebrek aan nauwkeurigheid, of diepe neurale netwerkmethoden, die vrij krachtige computerstations met grote hoeveelheden geheugen nodig hebben om de infrastructuur in te zetten, laat staan ​​de analyse zelf.

Het idee achter het werk van het team van wetenschappers onder leiding van Ravil Nigmatullin is vrij eenvoudig:generaliseer de Hearst-exponent door meer coëfficiënten toe te voegen om een ​​completere beschrijving van de veranderende gegevens te krijgen. Dit maakt het mogelijk om patronen in de gegevens te vinden die gewoonlijk als ruis worden beschouwd en voorheen onmogelijk te analyseren waren. Op deze manier, het is mogelijk om on-the-fly belangrijke functies te extraheren en rudimentaire machine learning-technieken toe te passen om te zoeken naar netwerkaanvallen. Samen, ze zijn nauwkeuriger dan zware neurale netwerken, en de aanpak kan worden ingezet op tussenliggende apparaten met een laag vermogen.

Lawaai wordt vaak weggegooid, maar het identificeren van patronen in ruis kan erg handig zijn. Bijvoorbeeld, de wetenschappers hebben de thermische ruis van een zender in een communicatiesysteem geanalyseerd. Met dit wiskundige apparaat konden ze uit de gegevens een reeks parameters isoleren die een bepaalde zender kenmerken. Dit zou een oplossing kunnen zijn voor een van de cryptografieproblemen:Alice stuurt berichten naar Bob, Chuck is een indringer die probeert zich voor te doen als Alice en Bob een bericht te sturen. Bob moet een bericht van Alice onderscheiden van een bericht van Chuck.

Gegevensverwerking dringt diep door in alle gebieden van het menselijk leven, met beeld- en spraakherkenningsalgoritmen die al lang van het rijk van sciencefiction zijn verplaatst naar iets dat we dagelijks tegenkomen. Deze beschrijvingsmethode produceert signaalfuncties die kunnen worden gebruikt bij machine learning, herkenningssystemen aanzienlijk vereenvoudigen en versnellen en de nauwkeurigheid van beslissingen verbeteren.

Alexander Ivchenko, een lid van het Multimedia Systems and Technology Laboratory bij MIPT, een van de auteurs van de ontwikkeling, zegt:"De ontwikkeling van dit wiskundige apparaat kan de kwestie van parametrisering en analyse van processen waarvoor geen exacte wiskundige beschrijving bestaat, oplossen. Dit opent enorme perspectieven bij het beschrijven, analyseren en voorspellen van complexe systemen."