Интеграция технологий искусственного интеллекта в системы мониторинга безопасности

Актуальность исследования

В современном мире безопасность является одним из ключевых аспектов, как для государств, так и для частных компаний. Для обеспечения безопасности используются различные системы мониторинга, которые способствуют своевременному выявлению и предотвращению угроз. Одним из наиболее перспективных направлений в области безопасности является интеграция технологий искусственного интеллекта. Актуальность исследования обусловлена необходимостью развития эффективных и надежных систем обеспечения безопасности в различных сферах жизнедеятельности, включая охрану объектов, обнаружение и предотвращение преступлений, а также обеспечение безопасности информации.

Цель исследования

Целью данного исследования является изучение возможностей интеграции технологий искусственного интеллекта в системы мониторинга безопасности для повышения их эффективности, скорости реакции на угрозы и точности выявления потенциальных опасностей.

Материалы и методы исследования

В рамках исследования были использованы научные статьи, публикации, отчеты о реализованных проектах по интеграции искусственного интеллекта в системы мониторинга безопасности, а также данные и статистика о результатах применения таких технологий. В частности, использование искусственного интеллекта (ИИ) в области безопасности связано преимущественно с распознаванием лиц, эмоций, силуэтов, а также транспортных средств в практических условиях.

Методы, примененные в ходе исследования, включали методы анализа существующих систем мониторинга безопасности, сравнительного анализа технологий искусственного интеллекта, а также моделирования и экспериментов для оценки эффективности интеграции их в существующие системы обеспечения безопасности.

Результаты исследования

Рост индустрии ИИ

В последние годы отечественная индустрия безопасности продолжает демонстрировать стабильный рост на рынке, а ее перспективы являются многообещающими. Интеллектуальная безопасность становится ключевым направлением трансформации и совершенствования отрасли, занимая все более значимую долю в данной сфере. В частности, использование искусственного интеллекта (ИИ) в области безопасности связано преимущественно с распознаванием лиц и транспортных средств, включая биометрическое распознавание, обработку больших данных и структурирование видеоматериалов. Так, по данным правительства РФ, в 2022 г. объем отечественного рынка искусственного интеллекта вырос примерно на 18%, составив порядка 650 млрд руб. В представительстве Центра стратегических разработок утверждают, что ёмкость рынка кибербезопасности будет расти на 24% ежегодно, составив к 2027 г. 559 млрд руб. ИИ и кибербезопасность будут основными трендами цифровизации нашей страны до 2030 г., отметил глава Минцифры РФ Максут Шадаев.

На сегодняшний день интеллектуальная безопасность находит применение в сферах жизни. В сфере транспорта в перспективе технология ИИ может использоваться для анализа городского транспортного потока в режиме реального времени, регулирования светофоров, сокращения времени ожидания транспортных средств и прочего, что позволит эффективно распределить ресурсы для оптимизации дорожного движения. В строительстве технологии ИИ могут применяться для контроля безопасности и энергопотребления зданий, а также для мониторинга людей, транспорта и объектов в режиме реального времени. Городская безопасность является важным аспектом развития городов, и в этом контексте искусственный интеллект играет ключевую роль в повышении уровня безопасности и создании комфортной городской среды.

«За счет автоматизации реагирования на инциденты информационной безопасности сокращается время реакции аналитиков и операторов на атаку и снижаются риски человеческой ошибки», – констатирует менеджер практики кибербезопасности компании «Технологии доверия» Константин Бельцов.

Кибертехнологии на страже

Ключевые технологии искусственного интеллекта в области безопасности:

1. Машинное обучение: используется для создания алгоритмов и моделей, которые способны анализировать и предсказывать потенциальные угрозы и атаки [2, с. 555].
2. Нейронные сети: используются для распознавания образов, анализа текста и других задач, связанных с обнаружением угроз.
3. Анализ больших данных: позволяет собирать, хранить и анализировать большие объемы данных для выявления аномального поведения и предотвращения атак.
4. Биометрическая идентификация: технологии, позволяющие использовать уникальные биологические характеристики человека, такие как отпечатки пальцев, голос или лицо, для доступа к системам безопасности.
5. Глубокое обучение: используется для создания более точных и эффективных моделей машинного обучения, способных обрабатывать сложные и многомерные данные.

Эти виды технологий активно используют в своей практике ведущие российские компании. Так, в социальной сети ВКонтакте внедрены возможности распознавания и скрытия недружественных комментариев, предупреждения о нежелательных звонках в мобильном приложении и подозрительных собеседниках в мессенджерах. В таких случаях нейросеть автоматически предлагает включить режим приватности.

В соцсети «Одноклассники» при восстановлении доступа к аккаунту просят прислать фото со специальным жестом и кодом. Алгоритмы на основе ML-технологий анализируют сходство изображенного на снимке с особенностями владельца страницы, корректность жеста или кода и отправляют запрос на подтверждение сотруднику.

Почтовый сервис Mail.ru использует технологии ML для борьбы с мошеннической активностью: спамом, фишингом, фродом.

Структура и порядок

В настоящее время сеть архитектуры глубокого обучения искусственного интеллекта включает в себя автокодировщик, машину Больцмана и сверточную нейронную сеть. Последняя, напоминая биологическую нейронную сеть, имеет меньший весовой коэффициент и меньшую сложность модели. Нейронная сеть глубокой свертки состоит из трех слоев:

1. Входной слой, в который поступают данные с устройства.
2. Скрытый слой, состоящий из верхнего и нижнего слоев. Верхний слой представляет собой полносвязный уровень, а нижний слой включает слой свертки и слой подвыборки.
3. Выходной слой, в котором может применяться логистическая регрессия, регрессия SoftMax или машина опорных векторов для классификации изображений.

Благодаря технологии глубокого обучения искусственного интеллекта оборудование мониторинга способно автоматически идентифицировать и оценивать изображения, обрабатывать видеоконтент и извлекать множество полезной информации из входных данных.

В Сбербанке, например, с использованием ИИ-моделей совокупную точность ложноположительных и ложноотрицательных срабатываний, которые вычисляют встроенные в системы DLP алгоритмы, удалось повысить с 70% до 95%. Причем из них около 40% атрибутов распознаются с точностью до 99,9%.

Технология интеллектуального видеоанализа на основе глубокого обучения искусственного интеллекта состоит из трех основных этапов: обнаружение цели, отслеживание цели и извлечение целевого атрибута. Вышеупомянутые три этапа объединяют в себе глубокое обучение искусственного интеллекта, машинное зрение, обработку данных и другие технологии для реализации функций автоматического поиска, оценки и реагирования в области технологий безопасности.

По этому принципу Ankey ASAR создала для компании «Газинформсервис» платформу расширенной аналитики событий безопасности. В дальнейшем разработчик обучил нейросеть обнаружению аномалий и профилирования нормального поведения процессов в операционных системах, а также создал подход к обнаружению с использованием топологического анализа данных и глубокого обучения.

С точки зрения различных сценариев практическое применение интеллектуальной безопасности может быть рассмотрено в зависимости от времени события, типа события, методов его предотвращения и реконструкции его процесса. Множество событий происходит в ночное время, в то время как обычные камеры имеют черно-белую цветовую гамму. Видеозаписи, полученные с таких камер, теряют множество цветовой информации и ключевых деталей. Поэтому необходимо достичь 24-часового эффекта полноцветности. При использовании соответствующего оборудования в условиях темноты или слабой освещенности нет необходимости в дополнительной технике для компенсации освещения, что также может восстановить идеальное цветное изображение. Полноценный интеллектуальный продукт безопасности должен быть оборудован звуковой и световой системой сдерживания, чтобы обеспечить возможность активного использования стратегий сдерживания для предотвращения возникновения событий при их прогнозировании.

Предполагаемое развитие области интеллектуальной безопасности в основном проявляется в трех ключевых аспектах:

1. Расширение возможностей систем мониторинга и внедрение передовых вычислительных методов, таких как распознавание изображений человека и транспортных средств, способствует созданию общей архитектуры безопасности искусственного интеллекта. Это не только соответствует потребностям городской безопасности, но и повышает интеллектуальную эффективность всей системы за счет распределения вычислительной нагрузки.
2. Взаимодействие человека и машины, основанное на когнитивных способностях и глобальном планировании, играет важную роль в интеллектуальной безопасности. Совместная работа в области дистанционного управления в чрезвычайных ситуациях и коллективное принятие решений позволяет эффективно реагировать на различные вызовы безопасности.
3. Развитие глобального когнитивного интеллекта позволит обрабатывать масштабные и многочисленные данные для выявления скрытых закономерностей и формулирования оптимальных стратегий [1, с. 35].

Отражение кибератак

Киберпреступники тоже совершенствуются. Злоумышленники генерируют новые результаты на основе данных, которыми была обучена нейросеть, для обхода средств контроля безопасности. Из-за растущего масштаба угроз и их серьезности от программистов компаний требуется еще более активное внедрение передовых эвристических решений. Команды экспертов создают наборы данных с атаками, обучают и апробируют модели, отвечающие за разметку, предобработку, выбор признаков для ML и ИИ.

Специалисты ожидают увеличение затрат на использование ИИ в проектах по защите от киберугроз в связи с развитием и внедрением новых вариантов решений.

Выводы

Применение искусственного интеллекта на основе машинного зрения и глубокого обучения в области общественной безопасности демонстрирует новые возможности в управлении рисками и контроле за безопасностью общества. Автоматизированная система способна самостоятельно анализировать данные, полученные с камер видеонаблюдения, выполняя обнаружение, сегментацию, распознавание и отслеживание целей. Работа с большим объемом разнородной информации из различных источников является ключевой задачей интеллектуальной безопасности. В настоящее время база данных системы общественной безопасности накапливает информацию о транспортном средстве, персонале, социальных контактах и других аспектах [3, с. 138]. Городские камеры, мобильные устройства, датчики постоянно поставляют огромное количество данных о социальной жизни, в которых скрыта ценная информация о безопасности города.

1. Колесникова Г.И. Искусственный интеллект: проблемы и перспективы // Видеонаука: сетевой журнал. – 2018. – № 2(10). – С. 34-39.
2. Котенко И.В., Коломеец М.В., Бушуев С.Н., Гельфанд А.М. Методы человеко-машинного взаимодействия на основе сенсорных экранов в ситуационных центрах безопасности // Информационные технологии в управлении. – 2018. – С. 554-558.
3. Тетеркин М.А., Анисимов А.Р., Томильченко Л.Р. Анализ сценариев использования технологии виртуализации // Инновации и инвестиции. – 2022. – № 5. – С. 136-141.