помощью искусственного интеллекта, то можно будет проводить атаки с помощью spear-phishing более эффективно и масштабно.

ИИ и киберзащита

Киберсоревнование, по-видимому, благоприятствует нападению. Иными словами, при равных ресурсах, выделяемых на нападение и защиту, атакующий, как правило, одерживает верх. Потенциальное использование ИИ для усиления наступательных кибер-операций только еще больше усложняет ситуацию с киберзащитой. Однако, как и в других областях военной конкуренции, ИИ работает по обе стороны улицы и способен помочь как обороне, так и наступлению. Как это делается?

Когда кибер-атака осуществляется на ряд конкретных целей, она оставляет после себя криминалистические артефакты или цифровые улики, созданные в ходе атаки. При атаке злоумышленник обычно сначала проводит разведку для выявления слабых мест. Атакующий использует эти слабые места при осуществлении атаки.

Большинство современных средств защиты оптимизированы против известных угроз. Для повышения эффективности киберзащиты необходимо собирать информацию о предыдущих атаках на другие, похожие цели, которая может быть использована для поражения будущих попыток взлома защищаемой системы. Сложные системы киберзащиты основаны на сборе большого количества данных, которые служат сырьем для анализа больших данных. Это очень трудоемкая работа, требующая талантов высококвалифицированных специалистов. Некоторые эксперты считают, что сочетание ИИ и машинного обучения может позволить киберзащитникам не только учиться на предыдущих атаках, но и выявлять аномальное поведение в киберпространстве, чтобы предотвратить еще неизвестные угрозы. Например, анализ больших данных может использоваться для определения базовых параметров сетевого трафика и взаимодействия машин. Эта базовая информация может быть использована с помощью машинного обучения для выявления аномалий в трафике с целью обнаружения ранних признаков вражеского зондирования или готовящейся или готовящейся атаки. Это может позволить ИИ выявлять и блокировать новые атаки, проводить судебно-медицинскую экспертизу, а также осуществлять ремонт или исправления в системе защиты до того, как злоумышленник сможет инициировать модифицированную последующую атаку. И он может делать это со скоростью, которую человек не сможет превзойти, поддерживая свои оборонительные усилия в течение длительного периода времени.

Агентство перспективных оборонных исследовательских проектов США (DARPA), подразделение Пентагона, занимающееся исследованиями и разработками в области передовых технологий, работает над использованием достижений в области аналитики больших данных и машинного обучения для усиления киберзащиты. Программа DARPA под названием Cyber Hunting at Scale (CHASE) объединяет компьютерную автоматизацию и передовые алгоритмы и скорости обработки данных для отслеживания больших объемов данных в режиме реального времени, что позволяет киберзащитникам выявлять сложные атаки, которые иначе могли бы остаться скрытыми среди потока данных, поступающих в систему. Другими словами, ИИ позволяет защите изучать и анализировать гораздо больший процент поступающих данных, чем это было бы возможно. Если усилия DARPA оправдаются, они значительно усилят защиту от более традиционных форм атак, таких как широко распространенные вредоносные программы, фишинг, атаки типа "отказ в обслуживании", а также APT.

Однако использование аналитики больших данных в качестве ключевого элемента киберзащиты сопряжено с рядом проблем, поскольку требует доступа к огромным объемам данных и связанным с ними наборам данных. Это создает уязвимость, поскольку злоумышленник может получить доступ к данным и манипулировать ими, тем самым испортив машинное обучение и созданный на его основе ИИ.

 

Логистика

Сочетание искусственного интеллекта и аддитивного производства может произвести революцию в военной логистике как в отношении перемещения грузов, так и в отношении сокращения запасов. Коммерческий сектор является ведущим в демонстрации того, что возможно. Например, железнодорожная промышленность США создает сеть связанных с Интернетом датчиков колес и путей вагонов, индикаторов скорости, а также визуальных и акустических датчиков, встроенных в тормоза, рельсы, стрелки и ручные планшеты. Эта сеть генерирует большое количество данных о движении поездов по всей стране. Эти данные, проходя через систему машинного обучения на основе анализа больших данных, расширяют возможности искусственного интеллекта в управлении железнодорожным движением. Данные о местоположении поездов и состоянии путей по всей стране анализируются и используются для корректировки маршрутов тысяч поездов в режиме реального времени. В ходе испытаний система смогла направить около 8000 поездов, курсирующих в 23 штатах, в условиях многократного отключения путей, не потребовав остановки ни одного поезда. Подобные улучшения в военных логистических потоках представляются возможными, по крайней мере, в мирное время и в безопасных тыловых районах во время войны.

Другой коммерческий бизнес, Amazon, показывает, как достижения в области аналитики больших данных и машинного обучения, особенно в сочетании с робототехникой, могут улучшить логистику. Компания Amazon хорошо известна тем, что создает модели покупательского поведения своих клиентов, изучая их заказы, поиск товаров, списки желаний и возвраты, чтобы предсказать, что клиент может купить в следующий раз. Крупномасштабное позиционирование складских запасов на основе ожидаемого спроса значительно повысило эффективность. Спрос военных подразделений на поставки в хаотичных ситуациях военного времени, вероятно, будет гораздо сложнее смоделировать, используя подход Amazon; однако военные организации в мирное время могут повысить эффективность логистики, переняв некоторые из лучших практик компании.

Amazon также использует искусственный интеллект для управления роботами, перемещающими товары на складах. Компания изучает возможности использования в грузовиках для доставки товаров аддитивного производства (3D-печати) для печати товаров клиентов по пути доставки, что позволит снизить затраты на хранение и транспортировку и сократить время доставки. Последствия для военной логистики очевидны.

Что касается логистики в военное время, военные могут извлечь пользу из усилий коммерческих розничных компаний по использованию ИИ для преодоления периодов резких колебаний спроса. Например, сеть магазинов бытовой техники Home Depot использует анализ прогнозирования неблагоприятных погодных условий для определения и размещения ключевых пунктов снабжения непосредственно за пределами зон вероятного воздействия урагана. Эти усилия также позволяют прогнозировать изменения спроса после шторма на срок до шести недель и более.

Военные приняли это к сведению. Армия США заключила контракт с Watson компании IBM (чье программное обеспечение с искусственным интеллектом победило двух чемпионов викторины Jeopardy) на разработку подробных графиков технического обслуживания для парка боевых машин Stryker, опираясь на данные с датчиков, установленных на каждой машине. В рамках второго проекта Watson анализирует доставку военных ремонтных деталей, чтобы определить наиболее эффективные с точки зрения времени и затрат способы доставки. Человеческие аналитики, работающие над этой проблемой, экономили армии около 100 миллионов долларов в год, но могли оценить только 10 процентов данных. Watson может изучить всю деятельность по доставке грузов, что потенциально может обеспечить гораздо большую экономию средств, быстрее и с меньшими трудозатратами.

Барьеры искусственного интеллекта

Несмотря на значительные успехи, достигнутые ИИ, автономные системы демонстрируют превосходство лишь в относительно небольшом проценте задач, которые способен выполнить человек. Также нет единого мнения о том, как быстро будет развиваться ИИ. Несколько переменных могут выступать в качестве ускорителей или тормозов