نقش هوش مصنوعی در دفاع سایبری

نقش هوش مصنوعی در دفاع سایبری

سلام دوستان، موضوع امروز ما در‎باره‎ی یکی از مهمترین مسائلی است که روزانه با اون سروکار داریم. یعنی داشتن امنیت در فضای سایبری. پس اگر به این موضوع علاقه دارید، پیشنهاد می‎کنم که با ما همراه باشید.

سرعت داده ها و حجم داده‎هایی که در دفاع فضای سایبری استفاده می‎شود بدون توجه به اتوماسیون و تنها به دست بشر نمی‎تواند کنترل شود. هرچند توسعه نرم افزارها با الگوریتم‎های ثابت، برای دفاع موثر در برابر حملات گوناگون در حال توسعه در شبکه ها مشکل است. این وضعیت می‎تواند با بکارگیری روش هایی از هوش مصنوعی که قابلیت و گنجایش یادگیری را برای نرم‎افزار فراهم می‎کنند کنترل شود. این مقاله برآورد خلاصه‎ای از کاربردهای هوش مصنوعی در دفاع سایبری را ارائه کرده و چشم اندازهایی از افزایش قابلیت‎های دفاع سایبری را با استفاده از افزایش هوشمندی سیستم های دفاعی تحلیل می‎کند.

ما می‎توانیم پس از بررسی مقالات در مورد کاربردهای هوش مصنوعی در دفاع سایبری، نرم‎افزارهای مفیدی که در حال حاضر موجود هستند را شناسایی کنیم. این واضح است که بسیاری از مشکلات دفاع سایبری تنها زمانی با موفقیت حل می‎شود که روش های هوش مصنوعی در آن به کار برده شوند.

برای مثال، استفاده‎ی گسترده ازعلوم در تصمیم‎گیری‎ها بسیار ضروری بوده، و پشتیبانی تصمیم‎گیری هوشمند هنوز یکی از مشکلات حل نشده در دفاع سایبری است.

این واضح است که دفاع در برابر سلاح های سایبری هوشمند تنها توسط نرم‎افزارهای هوشمند می‎تواند به دست آید، و حوادث دو سال اخیر افزایش سریع هوشمندی نرم افزارهای مخرب و سلاح‎های سایبری را نشان می‎دهد. اجازه دهید برای مثال کرم Conficker را ذکر کنیم. برخی از تاثیر های کرم Conficker روی شبکه های کامپیوتری پلیس و نظامی در اروپا به این شرح ذکر شده است:

شبکه های کامپیوتری نظامی کشور فرانسه (Intramar)، در ژانویه سال ۲۰۰۹ به کرم Conficker آلوده شده بود. متعاقبا شبکه به حالت قرنطینه درآمده، و هواپیماهای جنگنده‎ی چند فرودگاه به علت دانلود نشدن نقشه های پرواز بلااجبار به زمین نشانده شدند.

وزارت دفاع بریتانیای کبیر اعلام کرد که بخش عمده‎ای از سیستم‎های اصلی آنها و کامپیوترهای رومیزی‎شان آلوده به این ویروس شده. ویروس درتمام دفاتر اداری گسترش یافته بود، کامپیوتر های Navi* روی ناوهای جنگی سلطنتی مختلف و زیر دریایی‎های جنگی سلطنتی، و بیمارستان‎های شهر شیفلد خبر از آلوده شدن حدود ۸۰۰ کامپیوتر می‎دادند. در دوم ماه فوریه سال ۲۰۰۹، نیروهای مسلح متحد جمهوری فدرال آلمان خبر از آلوده شدن یکصد کامپیوتر داد، در ژانویه سال ۲۰۱۰ بخش اعظمی از شبکه‎ی کامپبوتری پلیس منچستر آلوده شد، و به دنبال آن کامپوتر ملی پلیس به عنوان اقدام احتیاطی برای ۳ روز پیاپی قطع شد. در طول آن زمان، مامورین می‎بایست برای بررسی معمولی یا روزمره‎ی مردم و ماشین ها از نیروهای دیگر درخواست کمک می‎کردند.

نرم افزارهای کاربردی جنگ محور شبکه، حوادث سایبری را به شکل خاصی خطرناک می‎کند، و به همین دلیل تغییرات در دفاع سایبری به طور ضرور احتیاج است. روش‎های جدید دفاعی مثل راه اندازی گوناگون محیط های ایمن، آگاهی از وضعیت محیط، واکنش کاملا خودکار هنگام حملات در شبکه ها نیاز زیادی به استفاده‎ی گسترده از روش‎های هوش مصنوعی و ابزار مبتنی بر دانش دارد.

چرا نقش نرم‎افزارهای هوشمند در عملیات سایبری به این سرعت افزایش یافته؟

با نگاه نزدیکتر بر فضای سایبری، پاسخ‎های زیر را می‎توان دریافت.

هوش مصنوعی اول از همه برای عکس‎العمل سریع به وضعیت‎ها در اینترنت مورد نیاز است. یکی باید قادر به بررسی سریع مقدار زیادی از اطلاعات به منظور توصیف و بررسی حوادثی که در فضای سایبری روی داده و گرفتن تصمیم مناسب باشد. سرعت پردازش‎ها و حجم داده‎هایی که استفاده می شود نمی‎تواند بدون توجه به اتوماسیون و تنها توسط انسان‎ها به کار آید. هرچند، توسعه‎ی نرم افزارها با الگوریتم های ثابت معمولی برای دفاع موثر در برابر حملات گوناگون در فضای سایبری به دلیل اینکه تهدیدات جدید به طور مداوم ظاهر می‎شوند بسیار سخت است.

این جا مکانی است برای رویش های هوش مصنوعی.

هوش مصنوعی به عنوان زمینه ای از تحقیقات علمی( در ابتدا هوش ماشینی نیز نامیده می‎شد)، تقریبا به قدمت کامپیوتر های الکتریکی عمر دارد. امکان ساخت دستگاه‎ها/ نرم افزارها/ سیستم‎های هوشمند تر از انسان از همان روزهای اولیه هوش مصنوعی به عنوان افق‎های هوش مصنوعی به شمار می‎رفت. مشکل آن است که با گذشت زمان افق های زمانی نیز دورتر می‎شوند. ما شاهد حل شدن تعدادی از مشکلات سخت هوشمندی توسط کامپیوترها بودیم. مثل بازی خوب شطرنج. برای مثال، در طول روزهای اولیه از محاسبه، بازی شطرنج به عنوان یک بنچمارک نمونه از هوش واقعی در نظر گرفته می‎شد. حتی در ۷۰ سال گذشته، زمانی که شطرنج کامپیوتر در سطح کارشناسی بود، این تقریبا غیرممکن بود که یک برنامه ایجاد کرد که بتواند قهرمان جهان را از پیش رو بردارد.

به هر حال این اتفاق زودتر از آنچه که پیش بینی می‎شد افتاد.

این اتفاق ۳ دلیل داشت: افزایش قدرت محاسبات، توسعه یک الگوریتم خوب جستجو( که می‎توانست در برنامه‎های کاربردی در رده شطرنج استفاده شود)و پایگاه دانش خوب سازماندهی شده که شامل تمام علوم شطرنج می‎شد( اول از همه شروع و پایان بازی).

ذاتا، مشکل شطرنج می‎بایست به دلیل اینکه آن یک مشکل خاص وابسته به هوش مصنوعی به نام هوش مصنوعی باریک بود، حل می‎شد. یک موضوع دیگر، ترجمه از یک زبان به زبان دیگر مورد نیاز بود که به هوش مصنوعی عام احتیاج دارد. در ۶۰ سالٍ قرن گذشته، خصوصا بعد از کارهای نوآم چامسکی( چامسکی زبان‎شناس، فیلسوف، آنارشیست و نظریه پرداز آمریکایی است که از او به عنوان پدر زبان‌شناسی مدرن یاد می‌شود) در زبان شناسی ساختاری، انتظار می‎رفت که مشکل ترجمه‎ی زبان طبیعی به زودی حل شود. اگرچه موفقیت در بعضی نرم افزارهای کاربردی خاص مانند، زبان شناسی هوش مصنوعی گوگل به چشم می‎خورد، اما هنوزاین اتفاق نیافتاده.

علت آن است که این کار به پردازش هوش عمومی مصنوعی و توانایی دسته بندی حجم بالایی از دانش در هر زمینه‎ی مربوط به فعالیت های بشر احتیاج دارد.

عموما این مورد قبول است که هوش مصنوعی می‎تواند در ۲ راه در نظر گرفته شود: به عنوان هدف علمی در تلاش‎هایی برای پی‎بردن به ذات هوش و توسعه‎ی عمومی ماشین‎های هوشمند، یا به عنوان روش های ارایه‎ی علم برای حل مشکلات پبچیده که نمی توان بدون اضافه کردن قدری هوش آن را حل کرد مانند بازی شطرنج یا گرفتن تصمیم درست هنگامی که با حجم بالایی از داده های وضعیت روبه‎رو هستیم. در این مقاله ما روش دوم را در نظر می‎گیریم، یعنی روشی برای اضافه کردن الگوریتم‎های خاص هوش مصنوعی به مشکلات دفاع سایبری.

اول از همه نیاز به کاربردهایی از شبکه های حسگر عصبی در دفاع محیطی است، از طرف دیگر، این واضح است که بیشتر مشکلات دفاع سایبری تنها زمانی با موفقیت حل می‎شوند که روش های هوش مصنوعی در آن استفاده شود. استفاده از دانش گسترده در تصمیم گیری‎ها ضروری است، و پشتیبانی از تصمیم هوشمند هنوز یکی از مشکلات حل نشده در دفاع سایبری می‎باشد. تعداد زیادی از روش ها در زمینه هوش مصنوعی برای حل کردن مشکلات سختی که نیازبه هوش از دیدگاه بشر هستند ایجاد شده است. برخی از این روش‎ها به مرحله‎ی تکاملی رسیده‎اند که الگوریتم‎های دقیق موجود بر پایه این روش ها هستند. حتی برخی از روش‎ها آنقدر به طور گسترده‎ای شناخته شده‎اند که دیگر به عنوان وابسته به هوش مصنوعی در نظر گرفته نمی‎شوند، بلکه به قسمتی از محیط برنامه تبدیل شده‎اند. برای مثال: الگوریتم های‎ داده‎کاوی که از رشته‎های یادگیری هوش مصنوعی پدیدار شده‎اند.

این امتحان غیر ممکن خواهد بود که عملا کمتر یا بیشتر بررسی کاملی از تمامی قسمت‎های سودمند روش های هوش مصنوعی در یک بررسی مختصر داشته باشیم، در عوض، ما روش‎ها و ساختارهایی را در چندین زمینه گروه‎بندی کردیم: شبکه‎های حسگر، سیستم های خبره، عامل هوشمند، جست و جو، یادگیری ماشینی، داده کاوی و حل محدودیت.

ما این دسته بندی‎ها را اینجا خلاصه کردیم، و منابعی مشخص کردیم برای استفاده از روش های مربوطه در دفاع سایبری .

ما در مورد فهم زبان طبیعی، رباتیک و دید کامپیوتر که آن را کاربردهای خاصی از هوش مصنوعی در نظر گرفتیم بحث نخواهیم کرد. رباتیک و دید کامپیوتر قطعا کاربردهای نظامی قابل توجهی دارند، اما ما چیز خاصی مربوط به دفاع سایبری در آن نیافتیم.

شبکه های عصبی

شبکه های عصبی تاریخچه طولانی دارند که با اختراع پرسپترون توسط فرانم روزن بلات در سال ۱۹۵۷ شروع شد. یک سلول عصبی یکی از مهمترین عناصر رایج در شبکه های عصبی است. پیش از این تعداد کمی از پرسپترون های ترکیب شده با هم می‎توانستند یاد بگیرند و مشکلات جالب را حل کنند. اما شبکه های عصبی می‎توانند از تعداد زیادی عصب های مصنوعی تشکیل شوند. از این رو شبکه‎های حسگر تابعی از یادگیری موازی سریع و تصمیم گیری را فراهم می‎کنند. ویژگی برجسته آنها سرعت عملکرد آنهاست. اون ها برای یادگیری تشخیص الگو، طبقه بندی، انتخاب پاسخ ها به حملات و… مناسب هستند. آنها می‎توانند در هر دوی سخت افزار و نرم افزار اجرا شوند. شبکه‎های عصبی در تشخیص نفوذ و ممانعت از نفوذ به خوبی قابل اجرا هستند. برای استفاده از آنها در تشخیص حمالات DDos، تشخیص کرم‎های کامپیوتری، تشخیص Spam، تشخیص Zombie، طبقه بندی بدافزارهای مخرب و تحقیقات قانونی پزشکی پیشنهادهایی وجود دارد. یکی از دلایل محبوب بودن شبکه های عصبی در دفاع سایبری، در سخت افزارها و پردازنده های گرافیکی بالا بودن سرعت آنها است. پیشرفت های جدیدی در تکنولوژی شبکه های عصبی وجود دارد: شبکه های عصبی نسل سوم، شبکه های عصبی Spiking که از نورون های زیستی واقع بینانه تر تقلید می‎کند، و فرصت های کاربردی بیشتری فراهم می‎کند. فرصت‎های خوب توسط FPGA که توسعه سریع شبکه های عصبی و تنظیم آنها برای تغییرات نفوذی را قادر می‎سازد فراهم می‎شوند.

سیستم های خبره

سیستم‎های خبره بی قید وشرط سریع ترین برنامه های مورد استفاده در هوش مصنوعی اند. یک سیستم خبره نرم افزاری جهت پیدا کردن پاسخ برای سوال ها در برخی حوزه های نرم افزارهای کاربردیٍ ارائه شده توسط یک کاربر یا توسط نرم افزار دیگر می‎باشد. آن می‎تواند به طور مستقیم برای پشتیبانی تصمیم‎گیری استفاده شود. برای مثال در تشخیص پزشکی، سرمایه گذاری یا فضای سایبری. تنوع بزرگی در سیستم‎های خبره از سیستم‎های تشخیص فنی کوچک تا سیستم های پیوندی پیشرفته برای حل مشکلات پیچیده وجود دارد. مفهوماً، یک سیستم خبره شامل پایگاه دانش است، جایی که دانش تخصصی در مورد یک فضای برنامه‎ی کاربردی خاص ذخیره می‎شود. در کنار پایگاه دانش، آن شامل یک موتور رابط جهت استخراج پاسخ هایی مبتنی بر دانش آن و احتمالاً، دانش فرعی در مورد یک وضعیت می‎باشد. پایگاه دانش خالی و موتور رابط با هم هسته‎ی سیستم خبره نامیده می‎شوند. قبل از آنکه بتواند استفاده شود، آن باید با دانش پر شود. هسته‎ی سیستم خبره باید با نرم افزار، جهت اضافه کردن دانش در پایگاه دانش پشتیبانی شود، و آن می‎تواند با برنامه ها برای فعل و انفعالات کاربر، و برنامه‎های دیگر که ممکن است در پیوند سیستم های خبره استفاده شوند توسعه پیدا کند. منظور از توسعه ی یک سیستم خبره، ابتدا انتخاب/ توافق از یک هسته‎ی سیستم خبره و دوم بدست آوردن دانش خبره و پر کردن پایگاه دانش توسط دانش است. قدم دوم به مراتب پیچیده تر و زمان بر تر از قدم اول می‎باشد. ابزار زیادی برای توسعه‎ی سیستم‎های خبره وجود دارد. عموما یک ابزار شامل یک هسته‎ی سیستم خبره و همچنین یک عملکرد برای اضافه کردن دانش به مخزن دانش است. سیستم های خبره می‎توانند عملکردهای اضافی برای شبیه سازی،و برای انجام محاسبات داشته باشند. فرم های مختلفی جهت نمایش دانش در سیستم های خبره وجود دارد. رایج‎ترین آنها یک نمایش قانونمند است. اما بدون سود بودن یک سیستم خبره بستگی اساسی به کیفیت دانش در پایگاه دانش سیستم خبره، و نه خیلی برروی فرم داخلی از نمایش دانش دارد. این منجر به حاصل شدن مشکل در توسعه ی برنامه های کاربردی واقعی می‎شود که بسیار سخت است. یک نقشه ریزی امنیتی مثالی از یک سیستم خبره‎ی دفاع سایبری است.

این سیستم خبره انتخاب اقدامات امنیتی را به طور قابل توجهی ساده کرده و راهنمایی‎هایی جهت استفاده‎ی بهینه از منابع محدود را فراهم می‎کند. کارهای اولیه‎ی زیادی برای استفاده از سیستم های خبره درتشخیص نفوذ وجود دارد.

عوامل هوشمند

عوامل هوشمند اجزای نرم افزاری هستند که دارای برخی ویژگی ها از رفتار هوشمند هستند که آن ها را خاص کرده است. آن‎ها ممکن است قابلیت نقشه کشی، قابلیت تحریک‎پذیری و بازتاب داشته باشند. در جوامع مهندسی نرم افزار، هنر عامل های نرم افزاری وجود دارد که مطرح شده تا به عنوان اشیائی باشد که حداقل فعال بوده و قابلیت استفاده در زبان ارتباطات عامل را داشته باشد. با مقایسه عامل‎ها و اشیاء، می‎توان گفت که اشیاء ممکن است غیرفعال باشند و آن ها قادر به فهم هیچ زبانی نیستند. (اگرچه آن‎ها پیام‎هایی که به نحو خوبی تعریف شده‎اند را قبول می‎کنند).

شبیه‎سازی این را نشان می‎دهد که عوامل مشترک می‎توانند به طور موثر در مقابل حملات DDos مقاومت کنند. بعد از حل کردن برخی مشکلات قانونی و تجاری در قوائد اصلی، توسعه‎ی یک پلیس سایبری شامل عوامل هوشمند محرک ممکن خواهد بود. این نیازمند پیاده‎سازی زیرساخت‎هایی برای پشتیبانی تحریک پذیری عوامل سایبری و ارتباطات است، اما بیشتر باید برای دشمنان غیرقابل دسترس باشد. این کار نیازمند همکاری با ISP ها است. ابزار چند عامله می‎توانند تصویر عملیاتی کاملی از فضای سایبری را فراهم کنند.

جستجو

جست و جو یک روش جهانی از حل مشکل است که می‎تواند در تمام جهات وقتی که هیچ روش دیگری قادر به حل مشکل نیست استفاده شود. به طور مداوم مردم در زندگی روزمره خود از این روش استفاده می‎کنند، بدون هیچ توجهی به آن. در واقع برای استفاده از الگوریتم‎های جست و جوی اصلی به هنگام موقیعت‎های رسمی دانش کمی لازم است.

یکی از آن‎ها قادر بودن به معلوم کردن نوعی وضعیت است، و یک پردازنده باید برای تصمیم گرفتن که آیا هدف کاندید شده می‎تواند پاسخ نیازهای ما را برای وضعیت برطرف کند باید در دسترس باشد. اما اگر علوم اضافی بتواند برای راهنمایی در جستجو مورد استفاده قرار گیرد، سپس بازدهی جستجو می‎تواند به شدت افزایش یابد. الگوریتم جستجو به شکل‎های دیگری نیز در هر برنامه هوشمند ارائه شده، و معمولا شدت آن برای کارایی در کل برنامه بسیار مهم است.

انواع بسیاری از روش های جستجو توسعه یافته‎اند که به عنوان یک علم خاص در مورد مشکلات رایج جستجو که به حساب می‎آیند. اگر‎چه در هوش مصنوعی روش های جستجوی زیادی ایجاد شده، ولی آن ها در برنامه ها به صورت گسترده مورد استفاده قرار می‎گیرند و به ندرت در هوش مصنوعی استفاده می‎شوند. جستجو در نرم افزار پنهان است و آن به عنوان یک برنامه کاربردی هوش مصنوعی قابل مشاهده نیست. جستجوی درونی یا درختی، جستجوی βα، جست جوی مینیماکس و جستجوی اتفاقی به صورت گسترده در نرم افزارهای بازی استفاده شده‎اند، و آن ها در تصمیم‎گیری در دفاع سایبری بسیار سودمند هستند.

در الگوریتم جستجوی βα، شرط اصلی برای شطرنج کامپیوتری، اجرا گرفتن از یک ایده‎ی مفید در حل مشکل، و به طور خاص در تصمیم‎گیری است، زمانی که ۲ حریف بهترین حرکات ممکن خود را انتخاب کرده‎اند. این از آورد حداقل ضمانت برد و حداکثر امکان باخت استفاده می‎کند. اغلب در وهله ی اول این برای از کار انداختن حجم زیادی از اختیارات و بالا بردن سرعت جستجو استفاده می‎شود.

یادگیری

توسعه دادن یک سیستم دانش توسط گسترش یا چینش دوباره‎ی پایگاه دانش آن یا از طریق توسعه موتور رابط. این یکی از بیشترین مشکلات افزایشی از هوش مصنوعی است که آن تحت بررسی شدید است. یادگیری ماشین شامل روش‎های محاسباتی برای کسب کردن علوم جدید، مهارت ها و راه‎های جدید برای سازماندهی علم می‎باشد.

مشکلات یادگیری همراه با پیچیدگی تا حد زیادی از آموزش ساده ی پارامتریک که به عنوان یادگیری مقادیری از بعضی پارامترها نیز یاد می‎شود متفاوت است. برای اشکال پیچیده‎ای از نماد‎ها، به عنوان مثال، یادگیری مفاهیم، دستور زبان، توابع، و حتی یادگیری از رفتار.

هوش مصنوعی برای هر دو نوع روش‎هایی را فراهم کرده. یادگیری تحت نظارت(یادگیری همراه با یک معلم) به خوبی یادگیری بدون نظارت. دومی در صورت وجود حجم زیادی از داده ها بسیار سودمند است، و این در دفاع سایبری در جایی که گزارش‎های بزرگی گردآوری می‎شوند رایج است. داده‎کاوی دراصل از یادگیری بدون نظارت در هوش مصنوعی به وجود آمده است. یادگیری بدون نظارت می‎تواند عملکردی از شبکه‎های حسگر باشد، به ویژه از نقشه‎های خود-سازمان. یک نوع برجسته از روش‎های یادگیری توسط الگوریتم‎های یادگیری موازی که برای اجرا بر روی سخت‎افزارهای موازی مناسب هستند تشکیل می‎شود. این روش‎های یادگیری توسط الگوریتم های ژنتیک و منطق فازی نیز بوده‎اند. برای نمونه، بکارگیری در سیستم های تشخیص تهدید.

حل محدودیت

حل محدودیت یک شیوه‎ی توسعه داده شده برای یافتن راه حل‎هایی جهت مشکلاتی که نمایان شده‎اند، توسط ارائه کردن مجموعه‎ای از راه حل های مرتبط با محدودیت در هوش مصنوعی می‎باشد. به عنوان مثال، اظهارات منطقی، جداول، معادلات، نابرابری ها و…

راه‎حل مشکل مجموعه‎ای از مقادیر که محدودیت ها را به وجود می‎آورند می‎باشد. در حقیقت، بر اساس نوع محدودیت ها روش های‎حل محدودیت متفاوتی وجود دارند( برای مثال، محدودیت های مربوط به مجموعه‎های متناهی، محدودیت‎های تابعی، درختان منطقی). در بسیاری از سطوح انتزاعی، تقریبا هر مشکل می‎تواند به عنوان یک مشکل حل محدودیت نمایان شود. حل این مشکلات بخاطر حجم زیادی از جستجو که در کل مورد نیاز است سخت است. تمام روش‎های حل محدودیت ها هدفشان به سوی محدود کردن جستجو توسط در نظر گرفتن اطلاعات خاص در مورد کلاس‎های خاص از مشکلات می‎باشد. حل محدودیت می‎تواند در تجزیه و تحلیل و پشتیبانی تصمیم در ترکیب با برنامه‎نویسی منطقی مورد استفاده قرار گیرد.

چالش‎ها در دفاع سایبری هوشمند

زمانی که توسعه وکاربردهای هوش‎مصنوعی در دفاع سایبری در پژوهش‎های آینده برنامه‎ریزی می‎شوند، یک چیز باید بین اهداف فوری و چشم‎انداز بلند مدت مشخص شود. روش‎های بیشماری از هوش‎مصنوعی وجود دارد که بلافاصله در دفاع سایبری قابل قبول هستند، و مشکلات دفاع سایبری آنی وجود دارند که نیاز به انحلال هوشمندتری نسبت به ابزار معرفی شده دارند. درآینده، می‎توان چشم‎انداز امیدوارکننده‎ای از اصول کاملا جدید بکارگیری علوم در مدیریت وضعیت و تصمیم‎گیری را دید. این اصول شامل مقدمه‎ای از یک ساختار علمی سلسله مراتبی و وابسته در یک نرم افزار تصمیم‎گیری می‎باشد.

یک محدوده‎ی کاربردی به چالش کشیده شده، مدیریت دانش برای شبکه‎ی جنگ محور می‎باشد. تنها مدیریت دانش خودکار می‎تواند ارزیابی سریع وضعیتی تضمین کند که بهترین تصمیم را به رهبران و تصمیم گیرندگان در هر سطح C2 ارائه کند.

در حال حاضر سیستم‎های خبره در بسیاری از برنامه‎های کاربردی استفاده می شوند، بعضی اوقات در درون نرم‎افزارهای کاربردی پنهان هستند، مانند نرم‎افزار برنامه ریزی اقدامات امنیتی. هرچند سیستم های خبره می‎توانند کاربردهای وسیع‎تری داشته باشند، اگر پایگاه‎دانش آن ها توسعه پیدا کند. این نیازمند سرمایه‎گزاری قابل توجهی در کسب دانش، و توسعه‎ی پایگاه دانش سطح بالا می‎باشد. همچنین توسعه بیشتر تکنولوژی سیستم خبره نیز مورد نیاز است، هم‎پیمان بودن باید در ابزار سیستم خبره معرفی شود، و پایگاه‎های‎دانش سلسله مراتبی باید مورد استفاده قرار گیرد. با توجه به آینده‎ی دور، حداقل چند دهه‎ی پیش رو، شاید ما، نباید خودمان را به هوش مصنوعی باریک محدود کنیم. برخی از مردم به این که هدف اصلی هوش‎مصنوعی توسعه‎ی عمومی هوش‏‎مصنوعی است متقائد شده‎اند. هوش‎مصنوعی عمومی در نیمه‎های قرن حاضر به وجود آمد.

محققان درباره‎ی توسعه‎ی سریعتر هوش‎مصنوعی درکامپیوتر‎ها هشدار می‎دادند. این توسعه ممکن بود به شگفتی منجر شود. شگفتی، ایجاد فن‎آوریِ هوشمند‎تر از هوش انسان است. چندین فناوری وجود دارد که اغلب در این راستا نام برده می‎شود. شایع‎ترین نام برده شدگان احتمالا هوش مصنوعی است. اما چندین شیوه متفاوت دیگری نیز هستند که اگر آنها به آستانه ی کمال برسند، قادر به ایجاد هوش‎مصنوعیِ هوشمندتر از انسان خواهیم بود. آینده‎ای که شامل هوشی هوشمندتر از هوش انسان باشد واقعا متفاوت است، از این نظر که Ray Kurzweil(نویسنده و آینده نگر آمریکایی) ارزیابی کرده که روند توسعه تا سال ۲۰۴۵ به شگفتی خواهد رسید.

نباید شگفتی را یک تهدید باور داشت، چون توسعه‎ی سریع فناوری اطلاعات ایجاد قابل توجه هوش‎مصنوعی در نرم‎افزارهای این دوره را به خوبی قادر خواهد ساخت. (با توجه به کارایی خارق العاده‎ی برنامه ی Watson از شرکت IBM).

در ارائه‎ی وضعیتی از گسترش سریع هوشمندی برنامه های مخرب و مهارت‎های حملات سایبری، توسعه‎ی روش‎های هوش مصنوعی در دفاع سایبری اجتناب ناپذیر است. تجربیات در تسکین حملات DDos این را نشان می‎دهد که حتی یک مقاومت در برابر حملات بزرگ‎مقیاس با کمترین منابع زمانی که روش‎های هوشمند استفاده می‎کنند، می‎تواند موفقیت آمیز باشد. تجزیه و تحلیل‎ها از انتشارات نشان می‎دهد که هوش‎مصنوعی به صورت گسترده‎ای در دفاع سایبری توسط پژوهش در شبکه‎های حسگر هوشمند فراهم می‎شود. کاربردهای شبکه‎های حسگر می‎تواند در دفاع سایبری ادامه یابد. همچنین یک نیاز ضروری برای کاربرد روش های دفاع سایبری هوشمند در محیط های گوناگون، جایی که شبکه‎های حسگر فناوری کارآمدی نیستند وجود دارد. آگاهی وضعیت و مدیریت دانش، و فناوری سیستم‎های خبره از امید بخش‎ترین روش ها در محیط های پشتیبانی تصمیم هستند.

پایان

این به درستی واضح نیست که چگونه توسعه سریع هوش‎مصنوعی عمومی ادامه می‎یابد، در هرصورت تهدیداتی وجود دارند که یک هوش‎مصنوعی سطح جدید ممکن است سریع تر از اینکه در دسترس باشد، از آن ها توسط عاملان حمله استفاده شود. ظاهرا، پیشرفت های جدید در فهم دانش، نمایش و بررسی در یادگیری ماشین می‎تواند به خوبی توانایی دفاع سایبری سیستم هایی که از آن ها استفاده می‎کنند باشد.

0

ارسال یک دیدگاه

نشانی ایمیل شما منتشر نخواهد شد.

لطفاً حاصل جمع زیر را به عدد را قرار بدهید. *
Time limit is exhausted. Please reload CAPTCHA.

همچنین ممکن است دوست داشته باشید

آموزش مفاهیم اولیه شبکه Network+ (بخش دوم)

سلام امروز بخش دوم مفاهیم اولیه‎ی شبکه را