نقش هوش مصنوعي در دفاع سايبري

به گزارش خبرنگار اخبار داغ گروه فضای مجازی باشگاه خبرنگاران جوان؛ سرعت داده ها و حجم داده‎هايي که در دفاع فضاي سايبري استفاده مي‎شود بدون توجه به اتوماسيون و تنها به دست بشر نمي‎تواند کنترل شود. هرچند توسعه نرم افزارها با الگوريتم‎هاي ثابت، براي دفاع موثر در برابر حملات گوناگون در حال توسعه در شبکه ها مشکل است. اين وضعيت مي‎تواند با بکارگيري روش هايي از هوش مصنوعي که قابليت و گنجايش يادگيري را براي نرم‎افزار فراهم مي‎کنند کنترل شود. اين مقاله برآورد خلاصه‎اي از کاربردهاي هوش مصنوعي در دفاع سايبري را ارائه کرده و چشم اندازهايي از افزايش قابليت‎هاي دفاع سايبري را با استفاده از افزايش هوشمندي سيستم هاي دفاعي تحليل مي‎کند.

ما مي‎توانيم پس از بررسي مقالات در مورد کاربردهاي هوش مصنوعي در دفاع سايبري، نرم‎افزارهاي مفيدي که در حال حاضر موجود هستند را شناسايي کنيم. اين واضح است که بسياري از مشکلات دفاع سايبري تنها زماني با موفقيت حل مي‎شود که روش هاي هوش مصنوعي در آن به کار برده شوند.

براي مثال، استفاده‎ي گسترده ازعلوم در تصميم‎گيري‎ها بسيار ضروري بوده، و پشتيباني تصميم‎گيري هوشمند هنوز يکي از مشکلات حل نشده در دفاع سايبري است. اين واضح است که دفاع در برابر سلاح هاي سايبري هوشمند تنها توسط نرم‎افزارهاي هوشمند مي‎تواند به دست آيد، و حوادث دو سال اخير افزايش سريع هوشمندي نرم افزارهاي مخرب و سلاح‎هاي سايبري را نشان مي‎دهد. اجازه دهيد براي مثال کرم Conficker را ذکر کنيم. برخي از تاثير هاي کرم Conficker روي شبکه هاي کامپيوتري پليس و نظامي در اروپا به اين شرح ذکر شده است:

شبکه هاي کامپيوتري نظامي کشور فرانسه (Intramar)، در ژانويه سال ۲۰۰۹ به کرم Conficker آلوده شده بود. متعاقبا شبکه به حالت قرنطينه درآمده، و هواپيماهاي جنگنده‎ي چند فرودگاه به علت دانلود نشدن نقشه هاي پرواز بلااجبار به زمين نشانده شدند.

وزارت دفاع انگلیس اعلام کرد که بخش عمده‎اي از سيستم‎هاي اصلي آنها و کامپيوترهاي روميزي‎شان آلوده به اين ويروس شده. ويروس درتمام دفاتر اداري گسترش يافته بود، کامپيوتر هاي Navi* روي ناوهاي جنگي سلطنتي مختلف و زير دريايي‎هاي جنگي سلطنتي، و بيمارستان‎هاي شهر شيفلد خبر از آلوده شدن حدود ۸۰۰ کامپيوتر مي‎دادند. در دوم ماه فوريه سال ۲۰۰۹، نيروهاي مسلح متحد جمهوري فدرال آلمان خبر از آلوده شدن يکصد کامپيوتر داد، در ژانويه سال ۲۰۱۰ بخش اعظمي از شبکه‎ي کامپبوتري پليس منچستر آلوده شد، و به دنبال آن کامپوتر ملي پليس به عنوان اقدام احتياطي براي ۳ روز پياپي قطع شد. در طول آن زمان، مامورين مي‎بايست براي بررسي معمولي يا روزمره‎ي مردم و ماشين ها از نيروهاي ديگر درخواست کمک مي‎کردند.

نرم افزارهاي کاربردي جنگ محور شبکه، حوادث سايبري را به شکل خاصي خطرناک مي‎کند، و به همين دليل تغييرات در دفاع سايبري به طور ضرور احتياج است. روش‎هاي جديد دفاعي مثل راه اندازي گوناگون محيط هاي ايمن، آگاهي از وضعيت محيط، واکنش کاملا خودکار هنگام حملات در شبکه ها نياز زيادي به استفاده‎ي گسترده از روش‎هاي هوش مصنوعي و ابزار مبتني بر دانش دارد.

با نگاه نزديکتر بر فضاي سايبري، پاسخ‎هاي زير را مي‎توان دريافت. هوش مصنوعي اول از همه براي عکس‎العمل سريع به وضعيت‎ها در اينترنت مورد نياز است. يکي بايد قادر به بررسي سريع مقدار زيادي از اطلاعات به منظور توصيف و بررسي حوادثي که در فضاي سايبري روي داده و گرفتن تصميم مناسب باشد. سرعت پردازش‎ها و حجم داده‎هايي که استفاده مي شود نمي‎تواند بدون توجه به اتوماسيون و تنها توسط انسان‎ها به کار آيد. هرچند، توسعه‎ي نرم افزارها با الگوريتم هاي ثابت معمولي براي دفاع موثر در برابر حملات گوناگون در فضاي سايبري به دليل اينکه تهديدات جديد به طور مداوم ظاهر مي‎شوند بسيار سخت است.

هوش مصنوعي به عنوان زمينه اي از تحقيقات علمي( در ابتدا هوش ماشيني نيز ناميده مي‎شد)، تقريبا به قدمت کامپيوتر هاي الکتريکي عمر دارد. امکان ساخت دستگاه‎ها/ نرم افزارها/ سيستم‎هاي هوشمند تر از انسان از همان روزهاي اوليه هوش مصنوعي به عنوان افق‎هاي هوش مصنوعي به شمار مي‎رفت. مشکل آن است که با گذشت زمان افق هاي زماني نيز دورتر مي‎شوند. ما شاهد حل شدن تعدادي از مشکلات سخت هوشمندي توسط کامپيوترها بوديم. مثل بازي خوب شطرنج. براي مثال، در طول روزهاي اوليه از محاسبه، بازي شطرنج به عنوان يک بنچمارک نمونه از هوش واقعي در نظر گرفته مي‎شد. حتي در ۷۰ سال گذشته، زماني که شطرنج کامپيوتر در سطح کارشناسي بود، اين تقريبا غيرممکن بود که يک برنامه ايجاد کرد که بتواند قهرمان جهان را از پيش رو بردارد.

اين اتفاق ۳ دليل داشت:

افزايش قدرت محاسبات، توسعه يک الگوريتم خوب جستجو( که مي‎توانست در برنامه‎هاي کاربردي در رده شطرنج استفاده شود)و پايگاه دانش خوب سازماندهي شده که شامل تمام علوم شطرنج مي‎شد( اول از همه شروع و پايان بازي). ذاتا، مشکل شطرنج مي‎بايست به دليل اينکه آن يک مشکل خاص وابسته به هوش مصنوعي به نام هوش مصنوعي باريک بود، حل مي‎شد. يک موضوع ديگر، ترجمه از يک زبان به زبان ديگر مورد نياز بود که به هوش مصنوعي عام احتياج دارد. در ۶۰ سالٍ قرن گذشته، خصوصا بعد از کارهاي نوآم چامسکي( چامسکي زبان‎شناس، فيلسوف، آنارشيست و نظريه پرداز آمريکايي است که از او به عنوان پدر زبان‌شناسي مدرن ياد مي‌شود) در زبان شناسي ساختاري، انتظار مي‎رفت که مشکل ترجمه‎ي زبان طبيعي به زودي حل شود. اگرچه موفقيت در بعضي نرم افزارهاي کاربردي خاص مانند، زبان شناسي هوش مصنوعي گوگل به چشم مي‎خورد، اما هنوزاين اتفاق نيافتاده است.

علت آن است که اين کار به پردازش هوش عمومي مصنوعي و توانايي دسته بندي حجم بالايي از دانش در هر زمينه‎ي مربوط به فعاليت هاي بشر احتياج دارد.

عموما اين مورد قبول است که هوش مصنوعي مي‎تواند در ۲ راه در نظر گرفته شود: به عنوان هدف علمي در تلاش‎هايي براي پي‎بردن به ذات هوش و توسعه‎ي عمومي ماشين‎هاي هوشمند، يا به عنوان روش هاي ارايه‎ي علم براي حل مشکلات پبچيده که نمي توان بدون اضافه کردن قدري هوش آن را حل کرد مانند بازي شطرنج يا گرفتن تصميم درست هنگامي که با حجم بالايي از داده هاي وضعيت روبه‎رو هستيم. در اين مقاله ما روش دوم را در نظر مي‎گيريم، يعني روشي براي اضافه کردن الگوريتم‎هاي خاص هوش مصنوعي به مشکلات دفاع سايبري.

اول از همه نياز به کاربردهايي از شبکه هاي حسگر عصبي در دفاع محيطي است، از طرف ديگر، اين واضح است که بيشتر مشکلات دفاع سايبري تنها زماني با موفقيت حل مي‎شوند که روش هاي هوش مصنوعي در آن استفاده شود. استفاده از دانش گسترده در تصميم گيري‎ها ضروري است، و پشتيباني از تصميم هوشمند هنوز يکي از مشکلات حل نشده در دفاع سايبري مي‎باشد. تعداد زيادي از روش ها در زمينه هوش مصنوعي براي حل کردن مشکلات سختي که نيازبه هوش از ديدگاه بشر هستند ايجاد شده است. برخي از اين روش‎ها به مرحله‎ي تکاملي رسيده‎اند که الگوريتم‎هاي دقيق موجود بر پايه اين روش ها هستند. حتي برخي از روش‎ها آنقدر به طور گسترده‎اي شناخته شده‎اند که ديگر به عنوان وابسته به هوش مصنوعي در نظر گرفته نمي‎شوند، بلکه به قسمتي از محيط برنامه تبديل شده‎اند. براي مثال: الگوريتم هاي‎ داده‎کاوي که از رشته‎هاي يادگيري هوش مصنوعي پديدار شده‎اند.

اين امتحان غير ممکن خواهد بود که عملا کمتر يا بيشتر بررسي کاملي از تمامي قسمت‎هاي سودمند روش هاي هوش مصنوعي در يک بررسي مختصر داشته باشيم، در عوض، ما روش‎ها و ساختارهايي را در چندين زمينه گروه‎بندي کرديم: شبکه‎هاي حسگر، سيستم هاي خبره، عامل هوشمند، جست و جو، يادگيري ماشيني، داده کاوي و حل محدوديت.

ما اين دسته بندي‎ها را اينجا خلاصه کرديم، و منابعي مشخص کرديم براي استفاده از روش هاي مربوطه در دفاع سايبري.

ما در مورد فهم زبان طبيعي، رباتيک و ديد کامپيوتر که آن را کاربردهاي خاصي از هوش مصنوعي در نظر گرفتيم بحث نخواهيم کرد. رباتيک و ديد کامپيوتر قطعا کاربردهاي نظامي قابل توجهي دارند، اما ما چيز خاصي مربوط به دفاع سايبري در آن نيافتيم.

شبکه هاي عصبي تاريخچه طولاني دارند که با اختراع پرسپترون توسط فرانم روزن بلات در سال ۱۹۵۷ شروع شد. يک سلول عصبي يکي از مهمترين عناصر رايج در شبکه هاي عصبي است. پيش از اين تعداد کمي از پرسپترون هاي ترکيب شده با هم مي‎توانستند ياد بگيرند و مشکلات جالب را حل کنند. اما شبکه هاي عصبي مي‎توانند از تعداد زيادي عصب هاي مصنوعي تشکيل شوند. از اين رو شبکه‎هاي حسگر تابعي از يادگيري موازي سريع و تصميم گيري را فراهم مي‎کنند. ويژگي برجسته آنها سرعت عملکرد آنهاست. اون ها براي يادگيري تشخيص الگو، طبقه بندي، انتخاب پاسخ ها به حملات و… مناسب هستند.

آنها مي‎توانند در هر دوي سخت افزار و نرم افزار اجرا شوند. شبکه‎هاي عصبي در تشخيص نفوذ و ممانعت از نفوذ به خوبي قابل اجرا هستند. براي استفاده از آنها در تشخيص حمالات DDos، تشخيص کرم‎هاي کامپيوتري، تشخيص Spam، تشخيص Zombie، طبقه بندي بدافزارهاي مخرب و تحقيقات قانوني پزشکي پيشنهادهايي وجود دارد. يکي از دلايل محبوب بودن شبکه هاي عصبي در دفاع سايبري، در سخت افزارها و پردازنده هاي گرافيکي بالا بودن سرعت آنها است. پيشرفت هاي جديدي در تکنولوژي شبکه هاي عصبي وجود دارد: شبکه هاي عصبي نسل سوم، شبکه هاي عصبي Spiking که از نورون هاي زيستي واقع بينانه تر تقليد مي‎کند، و فرصت هاي کاربردي بيشتري فراهم مي‎کند. فرصت‎هاي خوب توسط FPGA که توسعه سريع شبکه هاي عصبي و تنظيم آنها براي تغييرات نفوذي را قادر مي‎سازد فراهم مي‎شوند.

سيستم‎هاي خبره بي قيد وشرط سريع ترين برنامه هاي مورد استفاده در هوش مصنوعي اند. يک سيستم خبره نرم افزاري جهت پيدا کردن پاسخ براي سوال ها در برخي حوزه هاي نرم افزارهاي کاربرديٍ ارائه شده توسط يک کاربر يا توسط نرم افزار ديگر مي‎باشد. آن مي‎تواند به طور مستقيم براي پشتيباني تصميم‎گيري استفاده شود. براي مثال در تشخيص پزشکي، سرمايه گذاري يا فضاي سايبري. تنوع بزرگي در سيستم‎هاي خبره از سيستم‎هاي تشخيص فني کوچک تا سيستم هاي پيوندي پيشرفته براي حل مشکلات پيچيده وجود دارد. مفهوماً، يک سيستم خبره شامل پايگاه دانش است، جايي که دانش تخصصي در مورد يک فضاي برنامه‎ي کاربردي خاص ذخيره مي‎شود.

در کنار پايگاه دانش، آن شامل يک موتور رابط جهت استخراج پاسخ هايي مبتني بر دانش آن و احتمالاً، دانش فرعي در مورد يک وضعيت مي‎باشد. پايگاه دانش خالي و موتور رابط با هم هسته‎ي سيستم خبره ناميده مي‎شوند. قبل از آنکه بتواند استفاده شود، آن بايد با دانش پر شود. هسته‎ي سيستم خبره بايد با نرم افزار، جهت اضافه کردن دانش در پايگاه دانش پشتيباني شود، و آن مي‎تواند با برنامه ها براي فعل و انفعالات کاربر، و برنامه‎هاي ديگر که ممکن است در پيوند سيستم هاي خبره استفاده شوند توسعه پيدا کند. منظور از توسعه ي يک سيستم خبره، ابتدا انتخاب/ توافق از يک هسته‎ي سيستم خبره و دوم بدست آوردن دانش خبره و پر کردن پايگاه دانش توسط دانش است.

قدم دوم به مراتب پيچيده تر و زمان بر تر از قدم اول مي‎باشد. ابزار زيادي براي توسعه‎ي سيستم‎هاي خبره وجود دارد. عموما يک ابزار شامل يک هسته‎ي سيستم خبره و همچنين يک عملکرد براي اضافه کردن دانش به مخزن دانش است. سيستم هاي خبره مي‎توانند عملکردهاي اضافي براي شبيه سازي،و براي انجام محاسبات داشته باشند. فرم هاي مختلفي جهت نمايش دانش در سيستم هاي خبره وجود دارد. رايج‎ترين آنها يک نمايش قانونمند است. اما بدون سود بودن يک سيستم خبره بستگي اساسي به کيفيت دانش در پايگاه دانش سيستم خبره، و نه خيلي برروي فرم داخلي از نمايش دانش دارد. اين منجر به حاصل شدن مشکل در توسعه ي برنامه هاي کاربردي واقعي مي‎شود که بسيار سخت است. يک نقشه ريزي امنيتي مثالي از يک سيستم خبره‎ي دفاع سايبري است.

اين سيستم خبره انتخاب اقدامات امنيتي را به طور قابل توجهي ساده کرده و راهنمايي‎هايي جهت استفاده‎ي بهينه از منابع محدود را فراهم مي‎کند. کارهاي اوليه‎ي زيادي براي استفاده از سيستم هاي خبره درتشخيص نفوذ وجود دارد.

عوامل هوشمند اجزاي نرم افزاري هستند که داراي برخي ويژگي ها از رفتار هوشمند هستند که آن ها را خاص کرده است. آن‎ها ممکن است قابليت نقشه کشي، قابليت تحريک‎پذيري و بازتاب داشته باشند. در جوامع مهندسي نرم افزار، هنر عامل هاي نرم افزاري وجود دارد که مطرح شده تا به عنوان اشيائي باشد که حداقل فعال بوده و قابليت استفاده در زبان ارتباطات عامل را داشته باشد. با مقايسه عامل‎ها و اشياء، مي‎توان گفت که اشياء ممکن است غيرفعال باشند و آن ها قادر به فهم هيچ زباني نيستند. (اگرچه آن‎ها پيام‎هايي که به نحو خوبي تعريف شده‎اند را قبول مي‎کنند.)

شبيه‎سازي اين را نشان مي‎دهد که عوامل مشترک مي‎توانند به طور موثر در مقابل حملات DDos مقاومت کنند. بعد از حل کردن برخي مشکلات قانوني و تجاري در قوائد اصلي، توسعه‎ي يک پليس سايبري شامل عوامل هوشمند محرک ممکن خواهد بود. اين نيازمند پياده‎سازي زيرساخت‎هايي براي پشتيباني تحريک پذيري عوامل سايبري و ارتباطات است، اما بيشتر بايد براي دشمنان غيرقابل دسترس باشد. اين کار نيازمند همکاري با ISP ها است. ابزار چند عامله مي‎توانند تصوير عملياتي کاملي از فضاي سايبري را فراهم کنند.

جست و جو يک روش جهاني از حل مشکل است که مي‎تواند در تمام جهات وقتي که هيچ روش ديگري قادر به حل مشکل نيست استفاده شود. به طور مداوم مردم در زندگي روزمره خود از اين روش استفاده مي‎کنند، بدون هيچ توجهي به آن. در واقع براي استفاده از الگوريتم‎هاي جست و جوي اصلي به هنگام موقيعت‎هاي رسمي دانش کمي لازم است.

يکي از آن‎ها قادر بودن به معلوم کردن نوعي وضعيت است، و يک پردازنده بايد براي تصميم گرفتن که آيا هدف کانديد شده مي‎تواند پاسخ نيازهاي ما را براي وضعيت برطرف کند بايد در دسترس باشد. اما اگر علوم اضافي بتواند براي راهنمايي در جستجو مورد استفاده قرار گيرد، سپس بازدهي جستجو مي‎تواند به شدت افزايش يابد. الگوريتم جستجو به شکل‎هاي ديگري نيز در هر برنامه هوشمند ارائه شده، و معمولا شدت آن براي کارايي در کل برنامه بسيار مهم است.

انواع بسياري از روش هاي جستجو توسعه يافته‎اند که به عنوان يک علم خاص در مورد مشکلات رايج جستجو که به حساب مي‎آيند. اگر‎چه در هوش مصنوعي روش هاي جستجوي زيادي ايجاد شده، ولي آن ها در برنامه ها به صورت گسترده مورد استفاده قرار مي‎گيرند و به ندرت در هوش مصنوعي استفاده مي‎شوند. جستجو در نرم افزار پنهان است و آن به عنوان يک برنامه کاربردي هوش مصنوعي قابل مشاهده نيست. جستجوي دروني يا درختي، جستجوي βα، جست جوي مينيماکس و جستجوي اتفاقي به صورت گسترده در نرم افزارهاي بازي استفاده شده‎اند، و آن ها در تصميم‎گيري در دفاع سايبري بسيار سودمند هستند.

در الگوريتم جستجوي βα، شرط اصلي براي شطرنج کامپيوتري، اجرا گرفتن از يک ايده‎ي مفيد در حل مشکل، و به طور خاص در تصميم‎گيري است، زماني که ۲ حريف بهترين حرکات ممکن خود را انتخاب کرده‎اند. اين از آورد حداقل ضمانت برد و حداکثر امکان باخت استفاده مي‎کند. اغلب در وهله ي اول اين براي از کار انداختن حجم زيادي از اختيارات و بالا بردن سرعت جستجو استفاده مي‎شود.

توسعه دادن يک سيستم دانش توسط گسترش يا چينش دوباره‎ي پايگاه دانش آن يا از طريق توسعه موتور رابط. اين يکي از بيشترين مشکلات افزايشي از هوش مصنوعي است که آن تحت بررسي شديد است. يادگيري ماشين شامل روش‎هاي محاسباتي براي کسب کردن علوم جديد، مهارت ها و راه‎هاي جديد براي سازماندهي علم مي‎باشد.

مشکلات يادگيري همراه با پيچيدگي تا حد زيادي از آموزش ساده ي پارامتريک که به عنوان يادگيري مقاديري از بعضي پارامترها نيز ياد مي‎شود متفاوت است. براي اشکال پيچيده‎اي از نماد‎ها، به عنوان مثال، يادگيري مفاهيم، دستور زبان، توابع، و حتي يادگيري از رفتار.

هوش مصنوعي براي هر دو نوع روش‎هايي را فراهم کرده. يادگيري تحت نظارت(يادگيري همراه با يک معلم) به خوبي يادگيري بدون نظارت. دومي در صورت وجود حجم زيادي از داده ها بسيار سودمند است، و اين در دفاع سايبري در جايي که گزارش‎هاي بزرگي گردآوري مي‎شوند رايج است. داده‎کاوي دراصل از يادگيري بدون نظارت در هوش مصنوعي به وجود آمده است. يادگيري بدون نظارت مي‎تواند عملکردي از شبکه‎هاي حسگر باشد، به ويژه از نقشه‎هاي خود-سازمان. يک نوع برجسته از روش‎هاي يادگيري توسط الگوريتم‎هاي يادگيري موازي که براي اجرا بر روي سخت‎افزارهاي موازي مناسب هستند تشکيل مي‎شود. اين روش‎هاي يادگيري توسط الگوريتم هاي ژنتيک و منطق فازي نيز بوده‎اند. براي نمونه، بکارگيري در سيستم هاي تشخيص تهديد.

حل محدوديت يک شيوه‎ي توسعه داده شده براي يافتن راه حل‎هايي جهت مشکلاتي که نمايان شده‎اند، توسط ارائه کردن مجموعه‎اي از راه حل هاي مرتبط با محدوديت در هوش مصنوعي مي‎باشد. به عنوان مثال، اظهارات منطقي، جداول، معادلات، نابرابري ها و… راه‎حل مشکل مجموعه‎اي از مقادير که محدوديت ها را به وجود مي‎آورند مي‎باشد. در حقيقت، بر اساس نوع محدوديت ها روش هاي‎حل محدوديت متفاوتي وجود دارند( براي مثال، محدوديت هاي مربوط به مجموعه‎هاي متناهي، محدوديت‎هاي تابعي، درختان منطقي). در بسياري از سطوح انتزاعي، تقريبا هر مشکل مي‎تواند به عنوان يک مشکل حل محدوديت نمايان شود. حل اين مشکلات بخاطر حجم زيادي از جستجو که در کل مورد نياز است سخت است. ت

مام روش‎هاي حل محدوديت ها هدفشان به سوي محدود کردن جستجو توسط در نظر گرفتن اطلاعات خاص در مورد کلاس‎هاي خاص از مشکلات مي‎باشد. حل محدوديت مي‎تواند در تجزيه و تحليل و پشتيباني تصميم در ترکيب با برنامه‎نويسي منطقي مورد استفاده قرار گيرد.

زماني که توسعه وکاربردهاي هوش‎مصنوعي در دفاع سايبري در پژوهش‎هاي آينده برنامه‎ريزي مي‎شوند، يک چيز بايد بين اهداف فوري و چشم‎انداز بلند مدت مشخص شود. روش‎هاي بيشماري از هوش‎مصنوعي وجود دارد که بلافاصله در دفاع سايبري قابل قبول هستند، و مشکلات دفاع سايبري آني وجود دارند که نياز به انحلال هوشمندتري نسبت به ابزار معرفي شده دارند. درآينده، مي‎توان چشم‎انداز اميدوارکننده‎اي از اصول کاملا جديد بکارگيري علوم در مديريت وضعيت و تصميم‎گيري را ديد. اين اصول شامل مقدمه‎اي از يک ساختار علمي سلسله مراتبي و وابسته در يک نرم افزار تصميم‎گيري مي‎باشد.

يک محدوده‎ي کاربردي به چالش کشيده شده، مديريت دانش براي شبکه‎ي جنگ محور مي‎باشد. تنها مديريت دانش خودکار مي‎تواند ارزيابي سريع وضعيتي تضمين کند که بهترين تصميم را به رهبران و تصميم گيرندگان در هر سطح C2 ارائه کند.

در حال حاضر سيستم‎هاي خبره در بسياري از برنامه‎هاي کاربردي استفاده مي شوند، بعضي اوقات در درون نرم‎افزارهاي کاربردي پنهان هستند، مانند نرم‎افزار برنامه ريزي اقدامات امنيتي. هرچند سيستم هاي خبره مي‎توانند کاربردهاي وسيع‎تري داشته باشند، اگر پايگاه‎دانش آن ها توسعه پيدا کند. اين نيازمند سرمايه‎گزاري قابل توجهي در کسب دانش، و توسعه‎ي پايگاه دانش سطح بالا مي‎باشد. همچنين توسعه بيشتر تکنولوژي سيستم خبره نيز مورد نياز است، هم‎پيمان بودن بايد در ابزار سيستم خبره معرفي شود، و پايگاه‎هاي‎دانش سلسله مراتبي بايد مورد استفاده قرار گيرد. با توجه به آينده‎ي دور، حداقل چند دهه‎ي پيش رو، شايد ما، نبايد خودمان را به هوش مصنوعي باريک محدود کنيم. برخي از مردم به اين که هدف اصلي هوش‎مصنوعي توسعه‎ي عمومي هوش‏‎مصنوعي است متقائد شده‎اند. هوش‎مصنوعي عمومي در نيمه‎هاي قرن حاضر به وجود آمد.

محققان درباره‎ي توسعه‎ي سريعتر هوش‎مصنوعي درکامپيوتر‎ها هشدار مي‎دادند. اين توسعه ممکن بود به شگفتي منجر شود. شگفتي، ايجاد فن‎آوريِ هوشمند‎تر از هوش انسان است. چندين فناوري وجود دارد که اغلب در اين راستا نام برده مي‎شود. شايع‎ترين نام برده شدگان احتمالا هوش مصنوعي است. اما چندين شيوه متفاوت ديگري نيز هستند که اگر آنها به آستانه ي کمال برسند، قادر به ايجاد هوش‎مصنوعي هوشمندتر از انسان خواهيم بود. آينده‎اي که شامل هوشي هوشمندتر از هوش انسان باشد واقعا متفاوت است، از اين نظر که Ray Kurzweil(نويسنده و آينده نگر آمريکايي) ارزيابي کرده که روند توسعه تا سال ۲۰۴۵ به شگفتي خواهد رسيد.

نبايد شگفتي را يک تهديد باور داشت، چون توسعه‎ي سريع فناوري اطلاعات ايجاد قابل توجه هوش‎مصنوعي در نرم‎افزارهاي اين دوره را به خوبي قادر خواهد ساخت. (با توجه به کارايي خارق العاده‎ي برنامه ي Watson از شرکت IBM).

در ارائه‎ي وضعيتي از گسترش سريع هوشمندي برنامه هاي مخرب و مهارت‎هاي حملات سايبري، توسعه‎ي روش‎هاي هوش مصنوعي در دفاع سايبري اجتناب ناپذير است. تجربيات در تسکين حملات DDos اين را نشان مي‎دهد که حتي يک مقاومت در برابر حملات بزرگ‎مقياس با کمترين منابع زماني که روش‎هاي هوشمند استفاده مي‎کنند، مي‎تواند موفقيت آميز باشد. تجزيه و تحليل‎ها از انتشارات نشان مي‎دهد که هوش‎مصنوعي به صورت گسترده‎اي در دفاع سايبري توسط پژوهش در شبکه‎هاي حسگر هوشمند فراهم مي‎شود. کاربردهاي شبکه‎هاي حسگر مي‎تواند در دفاع سايبري ادامه يابد. همچنين يک نياز ضروري براي کاربرد روش هاي دفاع سايبري هوشمند در محيط هاي گوناگون، جايي که شبکه‎هاي حسگر فناوري کارآمدي نيستند وجود دارد. آگاهي وضعيت و مديريت دانش، و فناوري سيستم‎هاي خبره از اميد بخش‎ترين روش ها در محيط هاي پشتيباني تصميم هستند.

اين به درستي واضح نيست که چگونه توسعه سريع هوش‎مصنوعي عمومي ادامه مي‎يابد، در هرصورت تهديداتي وجود دارند که يک هوش‎مصنوعي سطح جديد ممکن است سريع تر از اينکه در دسترس باشد، از آن ها توسط عاملان حمله استفاده شود. ظاهرا، پيشرفت هاي جديد در فهم دانش، نمايش و بررسي در يادگيري ماشين مي‎تواند به خوبي توانايي دفاع سايبري سيستم هايي که از آن ها استفاده مي‎کنند باشد.

منبع:تکفارس

انتهای پیام/