12 oct. 2024

Importanța cercetării big data

de | postat în: Arhiva, Editoriale, Numărul 4, Volumul 3 | 0

IT & C - Descarcă PDFSfetcu, Nicolae (2024), Importanța cercetării big data, IT & C, 3:4, 3-12, DOI: 10.58679/IT46708, https://www.internetmobile.ro/importanta-cercetarii-big-data/

 

The Importance of Big Data Research

Abstract

There is uncertainty regarding user intentions and expectations, and these conceptual deficiencies in the context of big data research led to uncertainties regarding the need for informed consent. Understanding and using this complex and dynamic data ecosystem is impossible without dedicated research. Researchers investigate various aspects of data collection, storage, processing and analysis, seeking to develop new tools, methods and algorithms that can extract meaning from such enormous data sets.

Keywords: research, big data, big data processing, big data analysis, ethics, privacy, security

Rezumat

Există o incertitudine în ceea ce privește intențiile și așteptările utilizatorilor, iar aceste deficiențe conceptuale în contextul cercetărilor big data conduc la incertitudini  în ceea ce privește necesitatea consimțământului informat. Înțelegerea și utilizarea acestui ecosistem de date complex și dinamic este imposibil fără cercetare dedicată. Cercetătorii investighează diverse aspecte ale colectării, stocării, procesării și analizei datelor, căutând să dezvolte noi instrumente, metode și algoritmi care pot extrage semnificație din astfel de seturi de date enorme.

Cuvinte cheie: cercetare, big data, prelucrarea big data, analiza big data, etica, confidențialitate, securitate

 

IT & C, Volumul 3, Numărul 4, Decembrie 2024, pp. 3-12
ISSN 2821 – 8469, ISSN – L 2821 – 8469, DOI: 10.58679/IT46708
URL: https://www.internetmobile.ro/importanta-cercetarii-big-data/
© 2024 Nicolae Sfetcu. Responsabilitatea conținutului, interpretărilor și opiniilor exprimate revine exclusiv autorilor.

 

Importanța cercetării big data

Ing. fiz. Nicolae SFETCU[1], MPhil

nicolae@sfetcu.com

[1] Cercetător – Academia Română – Comitetul Român de Istoria și Filosofia Științei și Tehnicii (CRIFST), Divizia de Istoria Științei (DIS), ORCID: 0000-0002-0162-9973

 

Introducere

În lumea de astăzi, cantitatea mare de informații generate în fiecare secundă de la diferite platforme digitale, senzori, dispozitive și multe altele este denumită ”big data” („megadate”). Acest imens flux de date provine din surse precum rețelele sociale, tranzacțiile de comerț electronic, dispozitivele IoT și cercetarea științifică. Valoarea potențială a acestor date constă în capacitatea lor de a stimula inovația, de a face predicții și de a îmbunătăți procesul decizional în diferite sectoare.

Cercetările big data sunt ceea ce eticianul James Moor ar numi „harababura conceptuală” datorită ”incapacității de a conceptualiza în mod corect valorile etice și dilemele de joc într-un context tehnologic nou.” (Buchanan and Zimmer 2018) În această situație confidențialitatea este asigurată printr-o combinație de diferite tactici și practici (medii controlate sau anonime, limitarea informațiilor personale, anonimizarea datelor, restricții de acces, securizarea datelor, etc.). În general, toate noțiunile conexe devin confuze în cazul Big Data. Astfel, postările sociale sunt considerate publice în rețelele sociale în cazul unei setări corespunzătoare. Dar rețelele sociale sunt medii complexe de interacțiuni socio-tehnice unde utilizatorii nu înțeleg întotdeauna funcționalitatea setărilor și termenii de utilizare. Astfel, există o incertitudine în ceea ce privește intențiile și așteptările utilizatorilor, iar aceste deficiențe conceptuale în contextul cercetărilor big data conduc la incertitudini  în ceea ce privește necesitatea consimțământului informat. Transformarea datelor mari în informații utile necesită cercetări riguroase, algoritmi avansați și noi tehnologii.

Natura big data

Big data se caracterizează prin „3 V”: volum, viteză și varietate. Volumul se referă la cantitatea mare de date produse, cum ar fi miliardele de postări pe rețelele sociale sau terabyte de date de la senzori colectate zilnic. Viteza denotă viteza cu care datele sunt generate și trebuie procesate, în special în aplicații în timp real, cum ar fi tranzacțiile financiare sau sistemele de vehicule autonome. Varietatea reflectă diversele tipuri de date – structurate, semistructurate și nestructurate – de la date numerice la imagini, text și chiar video.

Înțelegerea și utilizarea acestui ecosistem de date complex și dinamic este imposibil fără cercetare dedicată. Cercetătorii investighează diverse aspecte ale colectării, stocării, procesării și analizei datelor, căutând să dezvolte noi instrumente, metode și algoritmi care pot extrage semnificație din astfel de seturi de date enorme.

Studiile de date critice în Big Data reflectă practicile, culturile, politica și economiile specifice. (Dalton, Taylor, and Thatcher 2016) Problemele pot varia de la intimitatea și autonomia indivizilor la etica științei datelor și schimbările instituționale datorate cercetărilor Big Data. Rezultă necesitatea de a analiza practicile Big Data conștiente de relațiile de putere, prejudecăți și inegalități.

O definiție care ar restrânge cercetarea critică la domeniul teoriei normative și critice ar fi contraproductivă.

Domenii cheie în cercetarea big data

Principiile comune ale studiilor de date critice evidențiază interdependențele dintre tehnologiile emergente și actorii (umani) din societățile din ce în ce mai bine prezentate. Big Data sunt și un produs al condițiilor socio-tehnice contemporane, deoarece sunt producătoare de astfel de condiții. (Richterich, 2018)

Domeniul studiilor de știință și tehnologie (STS) are o relație destul de ambiguă cu evaluările normative ale tehnologiei.

În STS, anumite componente sunt preocupate mai mult de abordările descriptive decât de cele normative.

Spre deosebire de idealul STS comun al unui relativism „fără valoare”, (Pels 1996, 277) Pels solicită recunoașterea „pozițiilor a treia” în evaluările producției de cunoștințe științifice care ” [… ] nu sunt exterioare domeniului de controversă studiat, ci sunt incluse și implicate în acesta. […] Ele nu sunt libere de valoare sau dispărute, ci sunt situate, parțial și comise în sens politic și de cunoaștere.” (Pels 1996)

Gestionarea și stocarea datelor

Una dintre cele mai timpurii provocări în cercetarea datelor mari este stocarea eficientă a seturilor de date vaste. Bazele de date tradiționale nu au fost concepute pentru a gestiona petaocteți sau chiar exaocteți de informații. Cercetările în sistemele de stocare distribuite precum Hadoop și soluțiile de stocare în cloud au fost esențiale în depășirea acestui obstacol. Cercetătorii inovează în mod constant pentru a îmbunătăți scalabilitatea, toleranța la erori și eficiența sistemelor de stocare a datelor. Odată cu preocuparea tot mai mare pentru securitatea datelor și confidențialitatea, tehnicile de criptare și metodele de control al accesului sunt, de asemenea, un domeniu critic al cercetării în curs.

Prelucrarea și analiza datelor

Odată ce datele sunt stocate, acestea trebuie procesate pentru a genera informații. Cercetarea în analiza datelor mari se concentrează pe crearea de algoritmi și instrumente care pot procesa și analiza eficient seturi de date mari. Un instrument binecunoscut este Apache Spark, un cadru conceput pentru procesarea datelor în timp real. Cercetătorii continuă să exploreze cum să optimizeze aceste cadre pentru viteză și acuratețe. Un alt obiectiv major este dezvoltarea tehnicilor de învățare automată (ML) și inteligență artificială (AI), care sunt cruciale pentru descoperirea tiparelor ascunse în date. Cercetările în domeniul învățării profunde, al procesării limbajului natural (NLP) și al rețelelor neuronale extind posibilitățile a ceea ce poate realiza analiza big data.

Exploatarea datelor și recunoașterea modelelor

Exploatarea datelor implică descoperirea de modele, corelații și anomalii în seturi mari de date. Acest lucru este esențial în sectoare precum asistența medicală, finanțele și marketingul, unde tiparele pot duce la informații utile. De exemplu, extragerea datelor în asistența medicală ar putea dezvălui modele în simptomele și rezultatele pacientului, permițând diagnosticarea predictivă. Cercetătorii din acest domeniu dezvoltă continuu noi algoritmi pentru gruparea, clasificarea și extragerea regulilor de asociere pentru a îmbunătăți acuratețea și eficiența acestor procese. Cu complexitatea datelor nestructurate, cum ar fi textul sau imaginile, progresele în AI și învățarea profundă au făcut progrese semnificative în îmbunătățirea recunoașterii modelelor.

Scalabilitate și calcul de înaltă performanță

Pe măsură ce seturile de date cresc, crește și cererea de putere de calcul. Cercetarea în sistemele de calcul scalabile și în calculul de înaltă performanță joacă un rol crucial în a permite procesarea datelor la scară largă într-un interval de timp rezonabil. Tehnici precum calculul paralel, procesarea în memorie și sistemele distribuite permit gestionarea sarcinilor de lucru mari de date pe mai multe noduri sau servere. Cercetătorii lucrează, de asemenea, la optimizarea hardware-ului, cum ar fi GPU-urile (Unități de procesare grafică), care sunt mai potrivite pentru tipul de sarcini de procesare paralelă pe care le solicită datele mari.

Experimentele științifice au tendința de a analiza datele utilizând clustere specializate și computere de înaltă performanță, mai degrabă decât cloud, diferind astfel cultural și tehnologic de restul societății.

Utilizarea Big Data, datorită manipulării cantităților mari de date, a dus la neglijarea principiilor științei, precum alegerea eșantioanelor reprezentative, determinând prejudecăți în analiza rezultatelor. Această analiză este adesea superficială în comparație cu analiza seturilor mai mici de date. (Piatetsky 2014) Unele surse de date, precum Twitter, nu sunt reprezentative pentru populația totală. Ioannidis a susținut că în folosirea Big Data, „cele mai multe rezultate publicate în cercetare sunt false” (Ioannidis 2005)  întrucât probabilitatea ca un rezultat „semnificativ” să fie fals crește rapid cu volumul datelor, dar sunt publicate doar rezultatele pozitive.

Etica și confidențialitatea datelor

Pe măsură ce sunt colectate mai multe date, în special informații personale și sensibile, preocupările etice și problemele de confidențialitate ajung în prim-plan. Cercetările privind guvernarea datelor, tehnicile de anonimizare și practicile etice de colectare a datelor urmăresc să atingă un echilibru între inovare și protecția drepturilor persoanelor. Odată cu creșterea reglementărilor, cum ar fi Regulamentul general privind protecția datelor (GDPR) în Europa, asigurarea conformității, utilizând în continuare big data în mod eficient, a devenit o provocare critică în cercetare. Tehnici precum confidențialitatea diferențială și învățarea federată sunt explorate pentru a permite utilizarea datelor fără a compromite confidențialitatea.

Susținătorii protejării vieții private sunt îngrijorați de amenințarea la adresa vieții private datorită creșterii volumului de stocare și integrare a informațiilor de identificare personală. În acest sens, există diferite recomandări politice pentru a conforma practica și viața privată. (Ohm 2012) Folosirea abuzivă a Big Data de mass-media, companii și chiar guvern a dus la pierderea încrederii în instituțiile sociale. Pentru a proteja libertățile individuale, Nayef Al-Rodhan consideră că este necesar un nou tip de contract social, cu monitorizarea și reglementarea mai atentă a Big Data. (Al-Rodhan 2018)

În utilizarea Big Data, UK Data Service evidențiază mai multe probleme etice specifice: (UK Data Service 2017)

  • Au apărut alternative la consimțământul individual informat, de exemplu „consimțământul social”, mult mai permisive.
  • A crescut necesitatea respectării sursei datelor și, în general, „integritatea contextuală”, în cazul reutilizării datelor.
  • Etica de cercetare se bazează în principal pe ideea că entitatea cercetată este o persoană individuală, deci ar fi posibilă de-identificarea pentru protejare. În cazul considerării unui grup ca un întreg, protecția socială scade. În acest caz s-a propus ca datele să fie considerate ca „beneficii publice” sau de „interes public”, dar aceasta nu rezolvă responsabilitatea utilizatorii datelor.

Indiferent de normele etice sau legale oamenii de știință trebuie să fie riguroși în utilizarea tehnicilor și metodologiilor, și foarte precauți în probleme de etică. Ideea că „datele sunt deja publice” (Zimmer 2016) sunt simplificări nejustificate. Datele nu sunt ceva abstract, ele sunt de fapt persoane reale.

Cercetarea responsabilă a Big Data nu vizează restrângerea cercetării, ci asigurarea încrederii, corectitudinii și maximizării aspectelor pozitive, reducând în același timp răul. Big Data oferă oportunități fantastice pentru a înțelege mai bine societatea și lumea, dar trebuie să se țină cont și de responsabilitatea eticii în alegerile, practicile și acțiunile cercetărilor.

Vizualizare și interpretare

Odată ce datele au fost procesate, provocarea finală este interpretarea rezultatelor într-un mod semnificativ și acționabil. Instrumentele și tehnicile de vizualizare permit utilizatorilor să înțeleagă seturi de date complexe prin reprezentări grafice precum diagrame, grafice și tablouri de bord. Cercetarea în vizualizarea datelor se concentrează pe îmbunătățirea modului în care seturile de date vaste și complexe sunt prezentate în moduri care sunt intuitive și ușor de înțeles. Acest domeniu include și cercetarea sistemelor de vizualizare interactivă care permit utilizatorilor să manipuleze datele în timp real și să exploreze diferite scenarii.

Provocări în cercetarea big data

În timp ce cercetarea în big data este foarte promițătoare, se confruntă și cu câteva provocări semnificative:

Calitatea datelor: fiabilitatea și acuratețea datelor mari sunt adesea compromise din cauza prezenței zgomotului, a datelor lipsă sau a inconsecvențelor. Cercetările privind îmbunătățirea metodelor de curățare, imputare și control al calității datelor sunt în curs de desfășurare.

Scalabilitate: pe măsură ce cantitatea de date continuă să crească exponențial, scalabilitatea algoritmilor și a infrastructurii devine o provocare mereu prezentă. Cercetătorii caută în mod constant modalități de a face sistemele mai scalabile, menținând în același timp performanța.

Complexitate interdisciplinară: big data acoperă mai multe discipline, necesitând expertiză în informatică, statistică, cunoștințe specifice domeniului și multe altele. Cercetarea eficientă trebuie să pună în legătură aceste domenii diverse, care pot fi complexe și consumatoare de resurse.

Securitate: Odată cu cantitatea crescută de date sensibile procesate, securitatea este o preocupare majoră. Cercetarea privind criptarea robustă, controlul accesului și mecanismele sigure de partajare a datelor este esențială pentru menținerea încrederii și securității.

O problemă majoră în Big Data este că nu se cunosc prea bine micro-procesele empirice care stau la baza apariției caracteristicilor lor tipice de rețea. (Snijders, Matzat, and Reips 2012) Big Data trebuie întotdeauna contextualizate în contextele sociale, economice și politice ale acestora. (Graham 2012)

Prin noile concepte de „daune algoritmice”, „analize predictive”, etc., algoritmii folosiți în prezent în operațiunile big data depășesc viziunea tradițională a confidențialității. Conform Consiliului Național pentru Știință și Tehnologie al SUA,

””Algoritmii analitici” sunt algoritmi pentru prioritizare, clasificare, filtrare și predicție. Utilizarea acestora poate crea probleme de confidențialitate atunci când informațiile utilizate de algoritmi sunt inadecvate sau inexacte, atunci când apar decizii incorecte, atunci când nu există mijloace rezonabile de recurs, atunci când autonomia unui individ este direct legată de rezultatul algoritmic sau atunci când folosirea algoritmilor predictivi încurajează alte daune asupra vieții private.” (NSTC (National Science and Technology Council) 2016, 18)

Impactul cercetării big data

Asistența medicală: În domeniul sănătății, cercetarea datelor mari a permis progrese în analiza predictivă, medicina personalizată și genomica. Analizând seturi vaste de date din dosarele pacienților, studiile clinice și informațiile genetice, cercetătorii pot identifica tendințele care îmbunătățesc diagnosticul, tratamentul și prevenirea.

Finanțe: Onstituțiile financiare folosesc datele mari pentru a detecta frauda, ​​a evalua riscurile de credit și pentru a prognoza tendințele pieței. Cercetarea în tranzacționarea algoritmică, analiza riscului în timp real și tehnologiile blockchain revoluționează sectorul financiar.

Retail și marketing: Big data permite companiilor să înțeleagă mai bine comportamentul consumatorilor prin analiza modelelor de cumpărare, comportamentului online și feedback. Acest lucru a condus la strategii de marketing extrem de personalizate, servicii îmbunătățite pentru clienți și lanțuri de aprovizionare optimizate.

Planificarea urbană și orașele inteligente: Cercetarea în big data este esențială pentru dezvoltarea orașelor inteligente, unde datele de la senzori, camere și servicii publice sunt folosite pentru a optimiza condițiile de viață urbane, de la gestionarea traficului până la eficiența energetică.

Știința mediului: Big data este folosită pentru a monitoriza schimbările climatice, a analiza modelele meteorologice și a gestiona resursele naturale. Cercetarea în prelucrarea datelor de mediu este cheia pentru a face predicții și a planifica răspunsuri la provocările globale de mediu.

Matthew Zook et al. propune „zece reguli simple” etice în utilizarea Big Data în cercetare. (Zook et al. 2017) Primele cinci reguli privesc modul de reducere a șanselor de vătămare care rezultă din practicile de cercetare, iar celelalte reguli se referă la cele mai bune practici.

  1. Datele sunt oameni și pot face rău: majoritatea datelor reprezintă sau influențează oamenii. Începeți cu presupunerea că datele sunt persoane (până când se dovedește altfel) și ghidați-vă analiza pe această bază.
  2. Confidențialitatea este mai mult decât o valoare binară: confidențialitatea depinde de natura datelor, contextul în care au fost create și obținute, și de așteptările și normele celor afectați. Ea se extinde la grupuri. Contextualizați datele pentru a anticipa încălcarea confidențialității și pentru a minimiza daunele.
  3. Evitați reidentificarea datelor dvs.: de multe ori nu se reușește anonimizarea eficientă a datelor. Datele considerate a fi anonime sunt combinate cu alte variabile care pot duce la re-identificare.  Identificați vectorii posibili de reidentificare și minimizați-i în rezultatele publicate.
  4. Practicați schimbul de date etice: Pentru unele proiecte, precum în genetică, schimbul de date este o necesitate socială, dar rămân în continuare valabile consimțământul informat și de dreptul de retragere. Partajați datele respectând protocoalele de cercetare, dar țineți cont de daunele potențiale generate de datele colectate informal.
  5. Luați în considerare punctele tari și limitele datelor dvs.; mai mare nu înseamnă automat mai bine: seturile de date trebuie fundamentate în contextul lor adecvat, ținând cont inclusiv de conflictele de interese. În achiziția datelor, este important să se înțeleagă sursa datelor, și să se respecte reglementările. În medii cu reglementare slabă, pot fi folosite normele etice. Cercetătorii trebuie să fie sensibili la semnificațiile multiple potențiale ale datelor. Documentați proveniența și evoluția datelor.
  6. Dezbateți alegerile dure, etice: trebuie să se evite lipsa soluțiilor clare și a protocoalelor. Astfel de dezbateri pot produce evaluări inter pares foarte utile. Se pot utiliza serviciile de consultare în domeniul eticii de cercetare din universități. Implicați-vă colegii și studenții în practica etică pentru o cercetare de mare amploare a Big Data.
  7. Elaborați un cod de conduită pentru organizația dvs., comunitatea de cercetare sau industria: „etica falsă”, ca și falsificarea datelor sau rezultatelor, sunt inacceptabile. Este necesară elaborarea de coduri de conduită, care pot oferi îndrumări în evaluarea reciprocă a publicațiilor și în examinarea finanțării. Stabiliți codurile adecvate de conduită etică, împreună cu reprezentanții comunităților afectate.
  8. Proiectați-vă datele și sistemele pentru audit: auditul furnizează un mecanism de verificare a muncii, sporind înțelegerea și replicabilitatea. Planificați și inițiați audituri ale practicilor Big Data.
  9. Implicați-vă cu consecințe mai nari în practicile de date și analiză: este important ca cercetătorii să gândească dincolo de valorile tradiționale. Se poate cere furnizorilor stocarea în cloud, și centrele de prelucrare a datelor pot să treacă la surse de energie durabile și regenerabile. Realizarea unor cercetări de mare amploare are efecte la nivel de societate.
  10. Să știți când să încălcați aceste reguli: trebuie să știți la ce să vă așteptați când vă îndepărtați de aceste reguli, precum în situații de dezastru natural sau de urgență. Cercetarea responsabilă a Big Data depinde de mai multe liste de verificare.

Concluzie

Cercetarea în big data este un domeniu dinamic și în evoluție rapidă, cu implicații profunde în toate industriile. Pe măsură ce continuăm să generăm cantități mari de date, cererea pentru abordări inovatoare pentru stocare, procesare, analiză și vizualizare va crește. Cercetarea care se desfășoară astăzi nu abordează doar provocările legate de lucrul cu seturi de date masive și complexe, dar deblochează și noi posibilități pentru a lua decizii bazate pe date, pentru a rezolva problemele din lumea reală și pentru a conduce progresul tehnologic. Pe măsură ce big data devine din ce în ce mai parte integrantă a fiecărei fațete a vieții moderne, importanța cercetării continue nu poate fi minimizată.

Bibliografie

  • Al-Rodhan, Nayef. 2018. “The Social Contract 2.0: Big Data and the Need to Guarantee Privacy.” OpenMind. June 11, 2018. https://www.bbvaopenmind.com/en/humanities/beliefs/the-social-contract-2-0-big-data-and-the-need-to-guarantee-privacy-and-civil-liberties/.
  • Buchanan, Elizabeth A., and Michael Zimmer. 2018. “Internet Research Ethics.” In The Stanford Encyclopedia of Philosophy, edited by Edward N. Zalta, Winter 2018. Metaphysics Research Lab, Stanford University. https://plato.stanford.edu/archives/win2018/entries/ethics-internet-research/.
  • Dalton, Craig M., Linnet Taylor, and Jim Thatcher. 2016. “Critical Data Studies: A Dialog on Data and Space.” In . https://doi.org/10.1177/2053951716648346.
  • Graham, Mark. 2012. “Big Data and the End of Theory?” The Guardian, March 9, 2012, sec. News. https://www.theguardian.com/news/datablog/2012/mar/09/big-data-theory.
  • Ioannidis, John P. A. 2005. “Why Most Published Research Findings Are False.” PLOS Medicine 2 (8): e124. https://doi.org/10.1371/journal.pmed.0020124.
  • NSTC (National Science and Technology Council). 2016. “National Privacy Research Strategy.” https://obamawhitehouse.archives.gov/sites/default/files/nprs_nstc_review_final.pdf.
  • Ohm, Paul. 2012. “Don’t Build a Database of Ruin.” Harvard Business Review, August 23, 2012. https://hbr.org/2012/08/dont-build-a-database-of-ruin.
  • Pels, Dick. 1996. “The Politics of Symmetry.” Social Studies of Science 26 (2): 277–304. https://doi.org/10.1177/030631296026002004.
  • Piatetsky, Gregory. 2014. “Interview: Michael Berthold, KNIME Founder, on Research, Creativity, Big Data, and Privacy, Part 2.” 2014. https://www.kdnuggets.com/2014/08/interview-michael-berthold-knime-research-big-data-privacy-part2.html, https://www.kdnuggets.com/2014/08/interview-michael-berthold-knime-research-big-data-privacy-part2.html.
  • Richterich, A. 2018. “The Big Data Agenda: Data Ethics and Critical Data Studies.” https://doi.org/10.16997/book14.b.
  • Sfetcu, Nicolae. 2024. “Războiul electronic și inteligența artificială.” MultiMedia. January 8, 2024. https://www.telework.ro/ro/e-books/razboiul-electronic-si-inteligenta-artificiala/.
  • Snijders, Chris, Uwe Matzat, and Ulf-Dietrich Reips. 2012. “‘Big Data’: Big Gaps of Knowledge in the Field of Internet Science.” http://www.ijis.net/ijis7_1/ijis7_1_editorial.pdf.
  • UK Data Service. 2017. “Big Data and Data Sharing: Ethical Issues.” https://www.ukdataservice.ac.uk/media/604711/big-data-and-data-sharing_ethical-issues.pdf.
  • Zimmer, Michael. 2016. “OkCupid Study Reveals the Perils of Big-Data Science.” Wired, May 14, 2016. https://www.wired.com/2016/05/okcupid-study-reveals-perils-big-data-science/.
  • Zook, Matthew, Solon Barocas, Danah Boyd, Kate Crawford, Emily Keller, Seeta Peña Gangadharan, Alyssa Goodman, et al. 2017. “Ten Simple Rules for Responsible Big Data Research.” PLOS Computational Biology 13 (3): e1005399. https://doi.org/10.1371/journal.pcbi.1005399.

CC BY SA 4.0Articol cu Acces Deschis (Open Access) distribuit în conformitate cu termenii licenței de atribuire Creative Commons CC BY SA 4.0 (https://creativecommons.org/licenses/by-sa/4.0/).

13 sept. 2024

Tehnologia radar, coloana vertebrală a sistemelor moderne de apărare în războiul electronic

de | postat în: Arhiva, Numărul 4, Tehnologia Informației, Volumul 3 | 0

IT & C - Descarcă PDFSfetcu, Nicolae (2024), Tehnologia radar, coloana vertebrală a sistemelor moderne de apărare în războiul electronic, IT & C, 3:4, 13-30, DOI: 10.58679/IT31100, https://www.internetmobile.ro/tehnologia-radar-coloana-vertebrala-a-sistemelor-moderne-de-aparare-in-razboiul-electronic/

 

Radar technology, the backbone of modern electronic warfare defense systems

Abstract

This article is an extension of a subchapter in the book „Electronic Warfare and Artificial Intelligence”. (Sfetcu 2024) Electronic warfare is a critical component of modern military strategy, involving a suite of technologies and methods used to manipulate the electromagnetic spectrum to detect, deceive, disrupt, or neutralize enemy equipment while protecting friendly assets. This essay highlights the critical importance of radar technology in electronic warfare, illustrating how it supports and enhances military capabilities in an ever-evolving threat environment. The interplay between technological advances and strategic requirements ensures that radar technology will remain a key area of defense research and development.

Keywords: electronic warfare, electromagnetic spectrum, radar, artificial intelligence, electronic support, electronic attack, electronic protection

Rezumat

Acest articol este o extensie a unui subcapitol din cartea ”Războiul electronic și inteligența artificială”. (Sfetcu 2024) Războiul electronic este o componentă critică a strategiei militare moderne, implicând o suită de tehnologii și metode utilizate pentru a manipula spectrul electromagnetic pentru a detecta, înșela, perturba sau neutraliza echipamentele inamice, protejând în același timp bunurile prietenoase. Acest eseu evidențiază importanța critică a tehnologiei radar în războiul electronic, ilustrând modul în care susține și îmbunătățește capacitățile militare într-un mediu de amenințare în continuă evoluție. Interacțiunea dintre progresele tehnologice și cerințele strategice asigură că tehnologia radar va rămâne un domeniu-cheie în cercetarea și dezvoltarea în domeniul apărării.

Cuvinte cheie: războiul electronic, spectrul electromagnetic, radar, inteligența artificială, suport electronic, atac electronic, protecția electronică

 

IT & C, Volumul 3, Numărul 4, Decembrie 2024, pp. 13-30
ISSN 2821 – 8469, ISSN – L 2821 – 8469, DOI: 10.58679/IT31100
URL: https://www.internetmobile.ro/tehnologia-radar-coloana-vertebrala-a-sistemelor-moderne-de-aparare-in-razboiul-electronic/
© 2024 Nicolae Sfetcu. Responsabilitatea conținutului, interpretărilor și opiniilor exprimate revine exclusiv autorilor.

 

Tehnologia radar, coloana vertebrală a sistemelor moderne de apărare în războiul electronic

Ing. fiz. Nicolae SFETCU[1], MPhil

nicolae@sfetcu.com

[1] Cercetător – Academia Română – Comitetul Român de Istoria și Filosofia Științei și Tehnicii (CRIFST), Divizia de Istoria Științei (DIS), ORCID: 0000-0002-0162-9973

 

Introducere

Războiul electronic (EW) este o componentă critică a strategiei militare moderne, implicând o suită de tehnologii și metode utilizate pentru a manipula spectrul electromagnetic pentru a detecta, înșela, perturba sau neutraliza echipamentele inamice, protejând în același timp bunurile prietenoase. Sfera de aplicare a războiului electronic se extinde pe trei domenii principale: suport electronic (ES), atac electronic (EA) și protecție electronică (EP).

Războiul electronic își are rădăcinile în tehnologiile radio și radar timpurii. În timpul Primul Război Mondial și al Doilea Război Mondial, EW a implicat în primul rând bruiaj radio și decepție radar. În 1939, chiar înainte de declanșarea celui de-al Doilea Război Mondial, .o primă  misiune ELINT a fost efectuată de dirijabilul german Graf Zeppelin de-a lungul coastei de est a Marii Britanii[1].

În al Doilea Război Mondial, Aliații au apelat la EW în „Bătălia Grinzilor” [10], folosind radarele de navigație pentru a dirija bombardierele, adversarii încercând să învingă acele radare de navigație[2]. Pleava” a fost folosită de Royal Air Force (nume de cod Window) în timpul celui de-al Doilea Război Mondial pentru a învinge sistemele radar de urmărire[3].

Evoluțiile Războiului Rece au inclus rachete anti-radiații concepute pentru a se concentra pe transmițătoarele radar inamice[4].

În timpul războiului din Coreea (1950—1953) sub comanda generalului Mac Arthur, SUA au desfășurat 100 de avioane bombardiere grele B-29 Superfortress în teatrul de război. Nord-coreenii au instalat, radare de avertizare timpurie și artilerie antiaeriană (AAA) controlată de radar, astfel încât pierderile aeronavelor au devenit inacceptabile[5].

În Primul Război din Golf (Operațiunea DESERT STORM) din 1991, luptătorii stealth s-au aventurat în spațiul aerian inamic lansând momeli pentru a declanșa radarul inamic în acțiune; unele purtând rachete anti-radiații care s-au activat instantaneu pe măsură ce radarele au apărut[6].

În primele zile ale invaziei rusești a Ucrainei din 2022, EW rusesc a perturbat radarele și comunicațiile adverse, perturbând sistemele de apărare aeriană de la sol dar și propriile lor comunicații[7]. Capacitatea rusă de a perturba semnalele GPS este creditată cu reducerea succesului utilizării ucrainene a bombelor HIMARS și JDAM[8]. Potrivit unui raport al Royal United Services Institute din 19 mai 2023, Ucraina pierduse aproximativ 10.000 de drone pe lună din cauza războiului electronic rusesc[9].

În domeniul războiului electronic, tehnologia radar joacă un rol crucial în formarea deciziilor strategice și tactice pe câmpul de luptă. Evoluția sistemelor radar a fost paralelă cu progresele în tehnicile de război electronic, în care atât măsurile ofensive, cât și cele defensive sunt profund împletite cu capacitățile radar.

Acest eseu evidențiază importanța critică a tehnologiei radar în războiul electronic, ilustrând modul în care susține și îmbunătățește capacitățile militare într-un mediu de amenințare în continuă evoluție. Interacțiunea dintre progresele tehnologice și cerințele strategice asigură că tehnologia radar va rămâne un domeniu-cheie în cercetarea și dezvoltarea în domeniul apărării.

Componentele războiului electronic

Suport electronic (ES)

Suportul electronic implică identificarea, interceptarea și localizarea semnalelor electromagnetice pentru a crea o conștientizare a mediului operațional.

Suportul pentru războiul electronic(ES), prin măsurile de asistență electronică (ESM), implică colectarea și analiza semnalelor electromagnetice emise de adversari pentru a detecta, intercepta, identifica, și/sau localiza sursele de energie electromagnetică radiată.

Măsurile de suport electronic (ESM) măsoară parametrii semnalului radar de intrare în intervalul de frecvență de funcționare: lățimea impulsului, frecvența de repetare a impulsurilor, puterea semnalului, ora de sosire, direcția de sosire, etc.[10], fiind format din: antene, receptoare, procesor de semnal, computer cu bibliotecă de emițători și unitate de afișare[11]. Receptorul ESM are cea mai mare influență asupra caracteristicilor sistemului ESM[12][13].

Radare de suport electronic: Radare electronice de inteligență (ELINT) care culeg informații despre semnalele radar ale inamicului, inclusiv frecvența, intervalul de repetare a pulsului (PRI) și alte caracteristici, și radare de inteligență de semnal (SIGINT) care interceptează și analizează semnale electronice în scopuri de informații.

Atacul electronic (EA)

Atacul electronic se referă la utilizarea energiei electromagnetice, a energiei dirijate sau a armelor anti-radiații pentru a ataca personalul, instalațiile sau echipamentele cu intenția de a degrada, neutraliza sau distruge capacitatea de luptă a inamicului.

Bruiajul deceptiv produce poziții și viteze false ale țintei prin pseudo-semnale, prin tehnici manipulative, sau imitative (introducerea de radiații EM în canalele inamice care imită propria lor emisie se numește decepție imitativă)[14]. Tehnicile manipulative modifică radiațiile electromagnetice prietenoase pentru a păcăli adversarul, prin generarea de ținte false, falsificarea gamei de frecvențe, a vitezei și unghiului[15][16]. Generarea țintelor false se folosește împotriva radarelor, avertizare timpurie și interceptarea controlului la sol, pentru a deruta operatorul de radar inamic[17] care nu va putea face distincția între ținte false și ținte reale[18]. Falsificarea razei, vitezei și unghiului exploatează vulnerabilitățile de monitorizare ale inamicului[19].

În cazul radarelor, strategiile ECM includ interferența radarului, modificările țintei și modificarea proprietăților electrice ale aerului, prin tehnici de interferență precum bruiajul și decepția[20]. Bruiajul radio sau blocajul comunicațiilor perturbă comunicațiile prin scăderea raportului semnal-zgomot.

Radare de atac electronic (EA): Radare de bruiaj care emit semnale pentru a interfera cu radarul inamic, sistemele de comunicație și de navigație, și radare de înșelăciune care trimit semnale false pentru a deruta radarele inamice, creând informații înșelătoare despre forțele prietene.

Protecție electronică (EP)

Protecția electronică implică măsuri luate pentru a asigura utilizarea prietenoasă a spectrului electromagnetic, în ciuda eforturilor inamicului de a-l perturba sau de a-l utiliza.

Protecția electronică (EP) este „acea diviziune a războiului electronic care implică mijloace pasive

Protecția electronică, cunoscută și sub numele de contra-contramăsuri electronice (ECCM), folosește tactici de război electronic (EWTR) și tehnici încorporate în proiectarea echipamentelor electronice pentru a anihila ECM inamice care implică tehnici de bruiaj și decepție.

Radare de protecție electronică (EP): Radare de contrablocare concepute pentru a funcționa eficient în prezența eforturilor de bruiaj ale inamicului, și radare cu probabilitate scăzută de interceptare (LPI) care utilizează tehnici pentru a evita detectarea prin măsurile de asistență electronică inamice (ESM).

Sisteme EW

Sistemele de război electronic se pot clasifica în:

Sisteme de comunicații și legături de date: sisteme de comunicații securizate (criptarea comunicațiilor pentru a preveni interceptarea) și sisteme de legătură de date (facilitarea schimbului securizat de date între platforme și sisteme).

Sisteme de război cibernetic: pentru apărarea cibernetică (protejează sistemele electronice de atacuri cibernetice), și atacuri cibernetice (perturbă sau distruge sistemele informaționale inamice prin mijloace cibernetice).

Sisteme fără pilot: drone și UAV-uri (echipate cu încărcături utile EW pentru bruiaj, interceptare și recunoaștere) și capcane (imitații ale semnăturilor platformelor mai mari pentru a induce în eroare senzorii și armele inamice).

Platforme terestre și aeriene: avertizare timpurie și control aeropurtat (AEW&C – aeronave echipate cu radar și sisteme de comunicații pentru supraveghere și control) și sisteme EW la sol (sisteme mobile sau staționare pentru bruiaj, interceptare și protecție).

Sisteme EW din spațiu: sateliți de recunoaștere (colectează informații electronice din spațiu) și sateliți de comunicații (furnizează canale de comunicare sigure și rezistente).

Sisteme EW integrate: sisteme multifuncționale (combină diferite capacități EW într-o singură platformă pentru operațiuni cuprinzătoare de război electronic)

Aceste sisteme funcționează în comun pentru a câștiga și a menține controlul asupra spectrului electromagnetic, asigurând eficacitatea operațiunilor militare în timp ce refuză aceleași capacități adversarilor.

O configurație tipică pentru un sistem EW depinde de aplicația particulară, dar în general include următoarele elemente[21]:

Controlul sistemului: poate fi realizat cu un singur computer (control centralizat) sau mai multe computere.

Antene: folosite pentru a extrage energia electromagnetică (EM) din mediul de propagare, sau pentru conversia energiei electrice în energie electromagnetică care poate fi propagată prin atmosferă.

Antenele convertesc semnalele electrice în unde EM care se propagă și invers, convertesc undele EM care se propagă în semnale electrice. De obicei, antenele pentru EW trebuie să fie în bandă largă, și prezintă aceleași caracteristici, indiferent dacă sunt utilizate pentru transmitere sau recepție. Cele mai importante caracteristici ale antenelor sunt răspunsul în frecvență (determină lățimea de bandă ), direcționalitatea (determină modul în care o antenă concentrează energia în anumite direcții) și caracteristicile de impedanță (să se potrivească cu cea a antenei). Cele mai populare tipuri de antene utilizate pentru EW în gamele de frecvență inferioare sunt dipolul, monopolul și log periodic. Pe măsură ce frecvențele de interes cresc, sunt folosite alte tipuri de antene.

Distribuția semnalului: se realizează în mod normal la ieșirea antenelor și înaintea receptorilor.

Receptor de căutare: caută în spectrul de frecvență semnale de interes.

Receptorul conectat: pentru analiza pe termen relativ lung a semnalelor detectate prin alte mijloace.

Receptoarele pentru interceptarea semnalelor de comunicație depind de tipul de semnal care urmează să fie interceptat. Pentru semnalele în bandă îngustă, cel mai popular tip de receptor a fost superhetrodina. Acolo unde frecvența instantanee de funcționare a emițătorului este necunoscută, sunt necesare receptoare de bandă largă. Funcția fundamentală a unui receptor este de a converti un semnal de la antenă într-unul care se poate utiliza, de obicei demodulat, prin conversie și demodulare.

Procesarea semnalului: detectarea prezenței energiei la o anumită frecvență și într-o lățime de bandă specificată, determinarea modulației unui semnal și măsurarea vitezei de transmisie a unui semnal de comunicație digitală.

Procesarea semnalului de căutare a direcției: localizarea sursei de emisie a semnalelor de comunicație, de obicei prin triangulare.

Procesarea semnalelor în EW implică procesarea semnalelor pentru a extrage informații din ele.

Geolocalizarea (fixarea poziției): determinarea locației unei ținte emitente, pe baza unor parametri temporali asociați cu semnalul de intrare.

Ca metode se folosesc ora de sosire și/sau diferența de frecvență de sosire sau efectul Doppler diferențial, cu doi sau mai mulți senzori prin triangulație.

Excitator: un amplificator de mare putere, filtre și o antenă,. în esență un generator de semnal RF cu capacitatea de a modula semnalele generate.

Amplificator de putere: amplifică semnalul de la excitator.

Excitatoarele și amplificatoarele de putere sunt incluse într-un sistem EW atunci când se apelează la EA. Semnalele generate astfel interferează cu comunicațiile adversarului. De cele mai multe ori este necesar să se injecteze mai multă energie decât cea a emițătorului vizat. Excitatorul generează semnalul care este apoi mărit în putere de amplificatorul de putere.

Filtre: limitează energia în afara canalului (nedorită) pe care o emite sistemul.

Comunicații: subsistemul de comunicații poate fi compus din mai multe tipuri de capabilități, pentru comanda și controlul sistemului.

Radare: concepute pentru a furniza avertizare de atac, informații despre implicarea țintei, și pentru a furniza informații suficient de precise privind raza de acțiune, azimutul și altitudinea țintei.

Tehnologia radar

Sistemele radar detectează, localizează și urmăresc obiecte prin emiterea de unde radio și analizând ecourile returnate de la acestea. În contextul aplicațiilor militare, radarele sunt esențiale pentru supraveghere, achiziție de ținte și evaluarea amenințărilor. Componentele cheie ale sistemelor radar includ transmițătorul, receptorul, antena și unitatea de procesare, fiecare parte integrantă a performanței generale a sistemului în scenariile EW.

„RADAR” este un acronim pentru RAdio Detection And Ranging, bazat pe reflexia undelor electromagnetice. În 1903, reflexia undelor radio a fost folosită în Germania pentru a demonstra detecția navelor pe mare. Dezvoltarea practică a radarului cu puls a început în anii 1930, în principal în Statele Unite, Marea Britanie și Germania. Radarul poate „vedea” mai departe decât ochiul uman și poate evalua cu mai multă precizie distanța sau distanța unui obiect. Sistemele radar trebuie să utilizeze discriminatori țintă pentru a izola returul dorit de țintă: intervalul, viteza și unghiul. Prezența unui ecou indică detectarea țintei[22].

Un radar transmite și primește radiații electromagnetice, denumite radiații de radiofrecvență (RF). Frecvența RF transmisă afectează capacitatea unui sistem radar de a analiza ținta, capacitatea antenei de transmisie de a focaliza energia RF într-un fascicul îngust, și propagarea semnalului prin atmosferă.

Fiecare radar produce un semnal de radiofrecvență (RF) cu caracteristici specifice care îl diferențiază de toate celelalte semnale și îi definesc capacitățile și limitările. Lățimea pulsului (durata pulsului), timpul de recurență a pulsului (interval de repetare a pulsului), frecvența de repetare a pulsului și puterea sunt caracteristicile semnalului radar determinate de transmițătorul radar, oferind o semnătură unică pentru a identifica un anumit semnal radar. Timpul de ascultare, timpul de odihnă și timpul de recuperare sunt caracteristicile receptorului radar. Componentele individuale ale unui radar determină capacitățile și limitările unui anumit sistem radar. Caracteristicile acestor componente determină și contramăsurile care vor fi eficiente împotriva unui anumit sistem radar.

Scopul principal al sistemelor radar este de a determina intervalul, azimutul, elevația sau viteza unei ținte. Capacitatea unui sistem radar de a determina și rezolva acești parametri depinde de caracteristicile semnalului radar transmis.

Funcția antenei în timpul transmisiei este de a concentra energia radar de la transmițător într-un fascicul modelat spre direcția dorită. În timpul recepției sau a timpului de ascultare, funcția antenei este de a colecta energia radar care revine prin ecou, transmițând aceste semnale la receptor. Metoda folosită de antenele radar pentru eșantionarea mediului este o caracteristică critică de proiectare a sistemului radar. Orizontul radar, mascarea directă a terenului și mascarea indirectă a terenului sunt limitări pentru toate scanările radar.

Un radar de urmărire a țintei (TTR) furnizează informațiile necesare pentru a ghida o rachetă sau pentru a ținti cu o armă pentru a distruge o țintă. Un TTR obișnuit are bucle de urmărire individuale pentru a urmări o țintă în rază, azimut, altitudine sau viteză. Antena TTR este îndreptată către o singură țintă. Odată ce o țintă a fost identificată, etapa finală a angajării este de a ghida o rachetă sau proiectil pentru a distruge ținta.

Bruiajul radar este radiația sau re-radierea intenționată a semnalelor de radiofrecvență pentru a interfera cu funcționarea unui radar prin saturarea receptorului acestuia cu ținte false sau informații false despre ținte. Cele mai utilizate tipuri de bruiaj radar sunt zgomotul și decepția. Raportul semnal-zgomot al radarului de victimă determină vulnerabilitatea receptorului radar la bruiaj, în timp ce raportul bruiaj-semnal este un indiciu al capacității sistemului de bruiaj de a bloca eficient radarul victimei.

Radarele joacă un rol crucial în războiul electronic (EW), oferind atât capacități ofensive, cât și defensive. Iată câteva tipuri cheie și utilizări ale radarelor în războiul electronic:

Tipuri de radare în războiul electronic

Radar de supraveghere: Avertizare și control timpuriu aeropurtat (AEW&C), folosit pentru detectarea și urmărirea aeronavelor, navelor și altor vehicule la distanțe mari, și radare de supraveghere la sol, desfășurate la sol pentru a monitoriza activitățile aeriene și terestre, oferind avertizare timpurie și conștientizare a situației.

Radar de control al focului: Radare de urmărire a țintei care furnizează informații precise de urmărire pentru ghidarea armelor, cum ar fi rachetele și artileria, și radare de ghidare a rachetelor utilizate pentru a ghida rachetele sol-aer sau aer-aer către țintele lor.

Principalele utilizări ale radarelor în războiul electronic:

Detectare și urmărire: Detectarea aeronavelor, navelor și vehiculelor terestre inamice, și urmărirea mișcării și a locației acestor ținte pentru a oferi cunoaștere a situației.

Achiziția și implicarea țintei: Obținerea de informații precise privind ținta pentru sistemele de arme, și ghidarea rachetelor și a altor muniții către țintele lor cu precizie ridicată.

Colectarea de informații: Colectarea și analizarea semnalelor radar și de comunicație pentru informații strategice și tactice, și monitorizarea operațiunilor radar inamice și identificarea potențialelor amenințări.

Bruiaj și înșelăciune: Perturbarea radarului și a sistemelor de comunicații inamice pentru a le degrada capacitățile operaționale, și Crearea de ținte false și informații înșelătoare pentru a deruta și a induce în eroare inamicul.

Contramăsuri: Implementarea tehnicilor pentru a proteja radarele prietenoase împotriva bruiajului inamic și a atacurilor electronice, și asigurarea fiabilității și eficacității operațiunilor radar în medii contestate.

 Aplicații ale radarului în războiul electronic

Supraveghere și recunoaștere: radarele oferă capabilități de supraveghere pe orice vreme, zi și noapte. Radarele de înaltă rezoluție sunt desfășurate pentru a monitoriza mișcările inamicului și pentru a colecta informații, jucând un rol strategic în pregătirile de dinainte de conflict.

Direcționare și îndrumare: sistemele radar sunt folosite pentru a ghida armele și rachetele de precizie. Tehnicile active de orientare a radarului permit rachetelor să se blocheze și să urmărească ținte în mod autonom, o capacitate crucială în medii ostile.

Evaluarea amenințărilor și contramăsuri: radarele moderne analizează spectrul electromagnetic pentru a clasifica și prioritiza amenințările. Aceasta presupune detectarea emisiilor radarului inamic și implementarea unor contramăsuri precum bruiaj sau înșelăciune pentru a perturba operațiunile acestora.

Provocări în tehnologia radar în cadrul războiului electronic

Tehnologie Stealth: Dezvoltarea tehnologiei stealth în aeronave și nave pune provocări semnificative pentru sistemele radar. Design-urile și materialele ascunse absorb sau deviază undele radar, ceea ce face dificilă detectarea.

Bruiaj și înșelăciune: Adversarii folosesc tehnici de bruiaj pentru a perturba operațiunile radar prin emiterea de semnale de frecvență radio care pot deruta sau supraîncărca receptoarele radar. Tacticile de înșelăciune, cum ar fi folosirea momelilor, complică și mai mult capacitatea radarului de a identifica și urmări cu precizie țintele.

Progrese tehnologice rapide: Ritmul schimbărilor tehnologice necesită actualizări și adaptări continue în sistemele radar pentru a gestiona noile amenințări și tehnici de contramăsuri.

Tehnologii radar avansate în EW:

Radare active cu scanare electronică (AESA): oferă o direcție mai rapidă a fasciculului și o capacitate mai mare de urmărire a țintei, și o rezistență îmbunătățită la bruiaj și o fiabilitate mai mare.

Radare cu locație coerentă pasivă (PCL): utilizează surse de transmisie necooperante (cum ar fi semnalele de difuzare comerciale) pentru detectarea țintei; sunt dificil de detectat și blocat de către inamic.

Radare multistatice: utilizează mai multe transmițătoare și receptoare răspândite pe o zonă largă, și îmbunătățesc detectarea țintei și acuratețea urmăririi, reducând în același timp vulnerabilitatea la bruiaj.

Radare de detectare ascunse: capabile să detecteze avioane ascunse și ținte puțin observabile, utilizează benzi de frecvență joasă și tehnici avansate de procesare a semnalului.

Aceste radare sunt parte integrantă a strategiilor moderne de război electronic, permițând forțelor să detecteze, să înșele și să învingă sistemele adverse, protejându-le în același timp pe ale lor.

Evoluție și direcții viitoare

Progresele în tehnologia radar sunt strâns legate de evoluțiile procesării digitale, științei materialelor și inteligenței artificiale. Radarele cu matrice în fază, cu capacitatea lor de a direcționa fasciculul electronic fără a muta componentele fizice, oferă o viteză și o precizie mai mare, esențiale pentru operațiunile EW. În plus, integrarea algoritmilor de învățare automată ajută la clasificarea automată a țintelor și amenințărilor, îmbunătățind procesele de luare a deciziilor în situații de luptă în timp real.

În operațiunile EMS, obiectivul este de a răspunde imediat. Cu inteligența artificială (AI) și învățarea automată (ML), computerul decide următorii pași. Datorită comportamentului imprevizibil al sistemului, chiar și persoanele responsabile de sistem nu pot prezice comportamentul său exact. Dacă un radar încearcă să urmărească un jet, de exemplu, contramăsurile adversarului îl pot face să eșueze. Folosind ML, acel radar va încerca în mod repetat noi abordări pentru a obține succesul[23].

Aplicații specifice

ECM: ECM sunt dependente de timp și de locație, putând fi asistate de o gamă largă de instrumente ML/DL, precum utilizarea rețelelor neuronale convolutive (CNN) pentru clasificarea semnalului de bruiaj radar[24], detectarea și clasificarea blocajului de baraj pentru radarul cu deschidere sintetică (SAR) bazată pe CNN[25], predicția tehnicii de bruiaj adecvate pentru un semnal de amenințare recepționat folosind învățarea profundă[26], sau ”pleava” în EW[27].

ECCM: Utilizarea radarului cu frecvență agilă (FA) în modelele anti-bruiaj radar cu un algoritm de salt de frecvență anti-bruiaj bazat pe întărire pentru radar cognitiv[28], sau utilizarea de detectoare pentru a menține o probabilitate ridicată de detectare și o rată scăzută a alarmelor false[29].

Tehnici care folosesc inteligența artificială

Tehnicile IA utilizate în mod obișnuit sunt învățarea automată (ML), sistemele fuzzy, și algoritmul genetic.

Rețeaua neuronală artificială (ANN) poate fi antrenată pentru recunoașterea modelelor, clasificarea, gruparea datelor etc., prin învățare supravegheată sau nesupravegheată. Se folosește, printre altele, pentru identificarea și clasificarea semnalului emițătorului, recunoașterea parametrului de scanare a antenei radar, selectarea adecvată a stilului de bruiaj, etc.[30]

Rețeaua neuronală profundă (DNN), are o expresie mai bună a caracteristicilor față de ANN, și o capacitate de a se potrivi cartografierii complexe. Există trei modele DNN utilizate în mod obișnuit: Deep Belief Networks (DBN), Stacked Autoencoder (SAE), și Deep Convolution Neural Networks (DCNN). Se folosește în sistemele EW pentru procesarea semnalului radar, identificarea și clasificarea emițătorilor, dezvoltarea unor metode îmbunătățite anti-bruiaj, detecția bruiajului și a caracteristicilor acestuia etc.[31]

Sisteme fuzzy: Logica fuzzy permite urmărirea variațiile finite ale intrărilor, sistemele fuzzy încercând să semene cu metodologia umană de luare a deciziilor[32], dar fără capacitatea de învățare sau memorie. Se folosește în combinație cu alte tehnici pentru a forma sisteme hibride pentru aplicații radar și de procesare a semnalelor conexe[33].

Algoritmul genetic: Încearcă să reproducă procesele de evoluție care apar în mod natural, o tehnică iterativă bazată pe probabilitate. Este folosit în probleme de optimizare, în combinație ANN și DNN pentru mai multe medii dinamice[34], inclusiv procesarea semnalului radar[35].

Tendințe în evoluția EW

Diferiți algoritmi de inteligență artificială pot fi utilizați prin tehnici de neuro-computing și de învățare profundă[36]:

  • O metodă de recunoaștere a modulării impulsului semnalului radar pe baza codificatorului automat de eliminare a zgomotului convoluțional și rețeaua neurală convoluțională profundă (DCNN) este discutat de Qu et al.[37].
  • Un sistem automat de clasificare a modulației pentru semnalele radar bazat pe algoritmul hibrid bazat pe AI, inclusiv bayesian naiv și SVM, este prezentat de Wang et al.[38].
  • O metodă bazată pe învățare profundă este propusă de Elbir, Mishra, și Eldar[39] pentru a selecta antenele într-un scenariu cognitiv radar.
  • MASINT pentru a analiza semnăturile radarului țintă[40] ajută la detecția, urmărirea, identificarea și descrierea caracteristicilor distinctive ale emițătorilor.
  • Un sistem de recunoaștere a semnalului radar bazat pe rețeaua de factorizare a matricei nenegative și învățarea ansamblului este prezentat de Gao et al.[41].
  • O metodă de identificare și clasificare a semnalului emițătorului radar bazată pe clustering și rețelele neuronale probabilistice este discutată de Liao, Li, și Yang[42].
  • Petrov, Jordanov, și Roe[43] prezintă metoda bazată pe ANN pentru recunoașterea în timp util și fiabilă a emițătorilor de semnal radar.
  • Un sistem automat de recunoaștere a formei de undă radar pentru detectarea, urmărirea și localizarea radarelor cu probabilitate scăzută de interceptare este discutat de Zhang et al.[44].
  • Un alt sistem de clasificare a semnalelor radar bazat pe rețele neuronale este prezentat de Shao, Chen, și Wei[45].
  • O metodă care combină graficul de vizibilitate cu învățarea automată pentru recunoașterea modelului de scanare a antenei radar este discutată de Wan et al.[46].
  • Un alt algoritm pentru estimarea perioadei de scanare a antenei radar (ASP) și recunoașterea tipului de scanare a antenei radar în mediul EW este prezentat de Barshan și Eravci[47].

EW cognitiv

Conceptele radio cognitive există cel puțin din 1999, când Joe Mitola III[48] a introdus termenul, iar ideea de radar cognitiv există din cel puțin 2006[49].

Reprogramarea digitală a modulării frecvenței și a formei de undă în tehnologia radar este o tendință în evoluție. Acest lucru va face emițătorii adversari mai greu de clasificat și identificat[50]. Sistemele cognitive EW sunt sisteme de învățare și gândire în timp real. Implementarea lor necesită microprocesoare cu putere redusă și instrumente software capabile să direcționeze sistemele AI/ML în procesarea și recunoașterea semnalului și să ghideze procesele de gândire ale sistemelor în conformitate cu algoritmii construiți pentru analiza și procesarea semnalului[51]. Odată cu extinderea EW și radio. -instrumentele și sistemele de spectru de frecvență, sistemele cognitive EW vor fi marginea tactică în păstrarea superiorității spectrului electromagnetic[52].

Concluzie

Sistemele folosite în războiul electronic sunt complexe și multifațetate, concepute pentru a asigura avantaje în spectrul electromagnetic care pot fi critice în lupta modernă. Pe măsură ce tehnologia evoluează, la fel evoluează și sofisticarea acestor sisteme, conducând la evoluții continue în tacticile și echipamentele de război electronic. Interacțiunea componentelor ES, EA și EP asigură o abordare cuprinzătoare a controlului mediului electromagnetic, esențială pentru atingerea și menținerea superiorității tehnologice în operațiunile militare contemporane.

Sistemele EW bazate pe inteligență artificială joacă un rol foarte important în adaptarea rapidă la mediul electromagnetic în război, crescând conștientizarea situației și fiabilitatea deciziilor. Un sistem EW asistat de inteligența artificială poate fi eficient în identificarea emițătorilor radar ostili, astfel încât să determine gradul de letalitate a amenințării, putându-se formula astfel o strategie adecvată de contracarare pentru a anula amenințarea ostilă. Informațiile adunate pot fi folosite pentru a elabora o bibliotecă de amenințări pentru un eventual ordin electronic de luptă (EOB). Astfel, inteligența artificială poate oferi planificatorilor instrumente fiabile pentru elaborarea planurilor de război.

Tehnologia radar rămâne în fruntea războiului electronic, oferind capabilități esențiale care modelează rezultatele angajamentelor militare. Pe măsură ce adversarii își îmbunătățesc capacitățile de ascuns și atac electronic, rolul radarului devine mai complex și mai vital. Cercetarea și dezvoltarea în curs de desfășurare în tehnologia radar promit nu numai să contracareze provocările actuale, ci și să redefinească peisajul viitor al războiului electronic.

Bibliografie

  • * * *. 2000. “Electronic Warfare Fundamentals.” https://falcon.blu3wolf.com/Docs/Electronic-Warfare-Fundamentals.pdf.
  • Adams, Charlotte. 2018. “Cognitive Electronic Warfare: Radio Frequency Spectrum Meets Machine Learning.” 2018. //interactive.aviationtoday.com/avionicsmagazine/august-september-2018/cognitive-electronic-warfare-radio-frequency-spectrum-meets-machine-learning/.
  • Akhtar, Jabran, and Karl Erik Olsen. 2018. “A Neural Network Target Detector with Partial CA-CFAR Supervised Training.” In 2018 International Conference on Radar (RADAR), 1–6. https://doi.org/10.1109/RADAR.2018.8557276.
  • Barshan, Billur, and Bahaeddin Eravci. 2012. “Automatic Radar Antenna Scan Type Recognition in Electronic Warfare.” IEEE Transactions on Aerospace and Electronic Systems 48 (4): 2908–31. https://doi.org/10.1109/TAES.2012.6324669.
  • Bronk, Justin, Nick Reynolds, and Jack Watling. 2022. “The Russian Air War and Ukrainian Requirements for Air Defence.” https://static.rusi.org/SR-Russian-Air-War-Ukraine-web-final.pdf.
  • Browne, J. P. R., and Michael T. Thurbon. 1998. Electronic Warfare. Brassey’s.
  • Browne, Jack. 2017. “Cognitive EW Provides Computer-Powered Protection.” Microwaves & RF. May 10, 2017. https://www.mwrf.com/markets/defense/article/21848321/cognitive-ew-provides-computerpowered-protection.
  • Brunt, Leroy B. Van. 1978. Applied ECM. EW Engineering.
  • Butt, Faran, and Madiha Jalil. 2013. An Overview of Electronic Warfare in Radar Systems. https://doi.org/10.1109/TAEECE.2013.6557273.
  • Campen, Alan D. 1992. The First Information War: The Story of Communications, Computers, and Intelligence Systems in the Persian Gulf War. AFCEA International Press.
  • DOD. 2020. “DoD Data Strategy.” https://media.defense.gov/2020/Oct/08/2002514180/-1/-1/0/DOD-DATA-STRATEGY.PDF.
  • Dudczyk, Janusz, and A. Kawalec. 2013. “Specific Emitter Identification Based on Graphical Representation of the Distribution of Radar Signal Parameters.” Jokull 63 (November):408–16.
  • EASA. 2020. “Concepts of Design Assurance for Neural Networks (CoDANN).” https://www.easa.europa.eu/sites/default/files/dfu/EASA-DDLN-Concepts-of-Design-Assurance-for-Neural-Networks-CoDANN.pdf.
  • Elbir, Ahmet M., Kumar Vijay Mishra, and Yonina C. Eldar. 2019. “Cognitive Radar Antenna Selection via Deep Learning.” arXiv. https://doi.org/10.48550/arXiv.1802.09736.
  • Friedrich, Nancy. 2020. “AI and Machine Learning Redefine the EW Landscape | 2020-12-08 | Microwave Journal.” 2020. https://www.microwavejournal.com/articles/35107-ai-and-machine-learning-redefine-the-ew-landscape.
  • Gannon, Brian P. 2023. “Implement AI in Electromagnetic Spectrum Operations.” U.S. Naval Institute. August 1, 2023. https://www.usni.org/magazines/proceedings/2023/august/implement-ai-electromagnetic-spectrum-operations.
  • Gao, Jingpeng, Yi Lu, Junwei Qi, and Liangxi Shen. 2019. “A Radar Signal Recognition System Based on Non-Negative Matrix Factorization Network and Improved Artificial Bee Colony Algorithm.” IEEE Access 7:117612–26. https://doi.org/10.1109/ACCESS.2019.2936669.
  • Hamilton, Serena, A.J. Jakeman, and John Norton. 2008. “Artificial Intelligence Techniques: An Introduction to Their Use for Modelling Environmental Systems.” Mathematics and Computers in Simulation 78 (July):379–400. https://doi.org/10.1016/j.matcom.2008.01.028.
  • Jankowicz, Mia. 2023. “Ukraine Is Losing 10,000 Drones a Month to Russian Electronic-Warfare Systems That Send Fake Signals and Screw with Their Navigation, Researchers Say.” Business Insider. 2023. https://www.businessinsider.com/ukraine-losing-10000-drones-month-russia-electronic-warfare-rusi-report-2023-5.
  • Junfei, Yu, Li Jingwen, Sun Bing, and Jiang Yuming. 2018. “Barrage Jamming Detection and Classification Based on Convolutional Neural Network for Synthetic Aperture Radar.” In IGARSS 2018 – 2018 IEEE International Geoscience and Remote Sensing Symposium, 4583–86. https://doi.org/10.1109/IGARSS.2018.8519373.
  • Kang, Li, Jiu Bo, Liu Hongwei, and Liang Siyuan. 2018. “Reinforcement Learning Based Anti-Jamming Frequency Hopping Strategies Design for Cognitive Radar.” In 2018 IEEE International Conference on Signal Processing, Communications and Computing (ICSPCC), 1–5. https://doi.org/10.1109/ICSPCC.2018.8567751.
  • Kucukozyigit, Ali. 2006. “Electronic Warfare (EW) Historical Perspectives and Its Relationship to Information Operations (IO) – Considerations for Turkey.”
  • Lee, Gyeong-Hoon, Jeil Jo, and Cheong Hee Park. 2020. “Jamming Prediction for Radar Signals Using Machine Learning Methods.” Security and Communication Networks 2020 (January):e2151570. https://doi.org/10.1155/2020/2151570.
  • Li, Xueqiong, Zhitao Huang, Fenghua Wang, Xiang Wanga, and Tianrui Liu. 2018. “Toward Convolutional Neural Networks on Pulse Repetition Interval Modulation Recognition.” IEEE Communications Letters PP (August):1–1. https://doi.org/10.1109/LCOMM.2018.2864725.
  • Liao, Xiaofeng, Bo Li, and Bo Yang. 2018. “A Novel Classification and Identification Scheme of Emitter Signals Based on Ward’s Clustering and Probabilistic Neural Networks with Correlation Analysis.” Computational Intelligence and Neuroscience 2018 (November):e1458962. https://doi.org/10.1155/2018/1458962.
  • Liu, Yemin, Shiqi Xing, Y. Li, Dong Hou, and Wang Xuesong. 2017. “Jamming Recognition Method Based on the Polarization Scattering Characteristics of Chaff Clouds.” IET Radar, Sonar & Navigation 11 (August). https://doi.org/10.1049/iet-rsn.2017.0121.
  • Martino, Andrea De. 2012. Introduction to Modern EW Systems. Artech House.
  • McArthur, Charles W. 1990. Operations Analysis in the United States Army Eighth Air Force in World War II. American Mathematical Soc.
  • Mizokami, Kyle. 2023. “Why Ukraine’s GPS-Guided Bombs Keep Missing Their Targets.” Popular Mechanics. April 20, 2023. https://www.popularmechanics.com/military/weapons/a43591694/russian-jamming-gps-guided-bombs/.
  • Petrov, Nedyalko, Ivan Jordanov, and Jon Roe. 2013. “Radar Emitter Signals Recognition and Classification with Feedforward Networks.” Procedia Computer Science, 17th International Conference in Knowledge Based and Intelligent Information and Engineering Systems – KES2013, 22 (January):1192–1200. https://doi.org/10.1016/j.procs.2013.09.206.
  • Poisel, Richard. 2008. Introduction to Communication Electronic Warfare Systems. Artech House.
  • Polmar, Norman. 1979. “The U. S. Navy: Electronic Warfare (Part 2).” U.S. Naval Institute. November 1, 1979. https://www.usni.org/magazines/proceedings/1979/november/u-s-navy-electronic-warfare-part-2.
  • Qiang, Xing, Zhu Wei-gang, and Bo Yuan. 2018. “Jamming Style Selection for Small Sample Radar Jamming Rule Base.” 2018 IEEE International Conference on Signal Processing, Communications and Computing (ICSPCC), September, 1–5. https://doi.org/10.1109/ICSPCC.2018.8567613.
  • Qu, Zhiyu, Wenyang Wang, Changbo Hou, and Chenfan Hou. 2019. “Radar Signal Intra-Pulse Modulation Recognition Based on Convolutional Denoising Autoencoder and Deep Convolutional Neural Network.” IEEE Access 7:112339–47. https://doi.org/10.1109/ACCESS.2019.2935247.
  • Rahman, H. 2019. Introduction to Electronic Defense Systems. Boca Raton, FL, USA: CRC Press.
  • Rambo. 2009. “Information Warfare: History of Electronic Warfare.” INFORMATION WARFARE (blog). December 7, 2009. https://ew30.blogspot.com/2009/12/such-is-reliance-on-electromagnetic-em.html.
  • Sfetcu, Nicolae. 2024. “Războiul electronic și inteligența artificială.” MultiMedia. January 8, 2024. https://www.telework.ro/ro/e-books/razboiul-electronic-si-inteligenta-artificiala/.
  • Shankar, M., and B. Mohan. 2013. “Recent Advances in Electronic Warfare-ESM Systems.” In . https://www.semanticscholar.org/paper/RECENT-ADVANCES-IN-ELECTRONIC-WARFARE-ESM-SYSTEMS-Shankar-Mohan/bf6e4c372514695dd167eebf6f9dfb78ca120f6a.
  • Shao, Guangqing, Yushi Chen, and Yinsheng Wei. 2020. “Convolutional Neural Network-Based Radar Jamming Signal Classification With Sufficient and Limited Samples.” IEEE Access 8:80588–98. https://doi.org/10.1109/ACCESS.2020.2990629.
  • Sharma, Purabi, Kandarpa Kumar Sarma, and Nikos E. Mastorakis. 2020. “Artificial Intelligence Aided Electronic Warfare Systems- Recent Trends and Evolving Applications.” IEEE Access 8:224761–80. https://doi.org/10.1109/ACCESS.2020.3044453.
  • Singh, Mohinder. 1988. “Electronic Warfare.” https://www.drdo.gov.in/sites/default/files/publcations-document/Electronic%20Warfare.pdf.
  • Waghray, Namrita, and P. M. Menghal. 2011. “Simulation of Radar Topology Networks to Evolve the Electronic Warfare Survivability Metrics.” 2011 3rd International Conference on Electronics Computer Technology, April, 355–59. https://doi.org/10.1109/ICECTECH.2011.5941622.
  • Wan, Tao, Xinying Fu, Kaili Jiang, Yuan Zhao, and Bin Tang. 2019. “Radar Antenna Scan Pattern Intelligent Recognition Using Visibility Graph.” IEEE Access 7:175628–41. https://doi.org/10.1109/ACCESS.2019.2957769.
  • Wang, Feng, Shanshan Huang, Hao Wang, and Chenlu Yang. 2018. “Automatic Modulation Classification Exploiting Hybrid Machine Learning Network.” Mathematical Problems in Engineering 2018 (December):e6152010. https://doi.org/10.1155/2018/6152010.
  • Wei, Dongxu, Shuning Zhang, Si Chen, Huichang Zhao, and Linzhi Zhu. 2019. “Research on Deception Jamming of Chaotic Composite Short-Range Detection System Based on Bispectral Analysis and Genetic Algorithm–Back Propagation.” International Journal of Distributed Sensor Networks 15 (5): 1550147719847444. https://doi.org/10.1177/1550147719847444.
  • Zhang, Ming, Ming Diao, Lipeng Gao, and Lutao Liu. 2017. “Neural Networks for Radar Waveform Recognition.” Symmetry 9 (5): 75. https://doi.org/10.3390/sym9050075.

Note

[1] (Kucukozyigit 2006)

[2] (Rambo 2009)

[3] (McArthur 1990)

[4] (Polmar 1979)

[5] (J. P. R. Browne and Thurbon 1998, 26)

[6] (Campen 1992, XIV)

[7] (Bronk, Reynolds, and Watling 2022)

[8] (Mizokami 2023)

[9] (Jankowicz 2023)

[10] (Li et al. 2018)

[11] (Shankar and Mohan 2013)

[12] (Martino 2012)

[13] (Sharma, Sarma, and Mastorakis 2020)

[14] (Singh 1988)

[15] (Martino 2012)

[16] (Butt and Jalil 2013)

[17] (Rahman 2019)

[18] (Brunt 1978)

[19] (Martino 2012)

[20] (Polmar 1979)

[21] (Poisel 2008)

[22] (* * * 2000)

[23] (Friedrich 2020)

[24] (Shao, Chen, and Wei 2020)

[25] (Junfei et al. 2018)

[26] (Lee, Jo, and Park 2020)

[27] (Liu et al. 2017)

[28] (Kang et al. 2018)

[29] (Akhtar and Olsen 2018)

[30] (Qiang, Wei-gang, and Yuan 2018)

[31] (Elbir, Mishra, and Eldar 2019)

[32] (Hamilton, Jakeman, and Norton 2008)

[33] (Waghray and Menghal 2011)

[34] (Wei et al. 2019)

[35] (Waghray and Menghal 2011)

[36] (Sharma, Sarma, and Mastorakis 2020)

[37] (Qu et al. 2019)

[38] (Wang et al. 2018)

[39] (Elbir, Mishra, and Eldar 2019)

[40] (Dudczyk and Kawalec 2013)

[41] (Gao et al. 2019)

[42] (Liao, Li, and Yang 2018)

[43] (Petrov, Jordanov, and Roe 2013)

[44] (Zhang et al. 2017)

[45] (Shao, Chen, and Wei 2020)

[46] (Wan et al. 2019)

[47] (Barshan and Eravci 2012)

[48] (EASA 2020)

[49] (DOD 2020)

[50] (Adams 2018)

[51] (J. Browne 2017)

[52] (Gannon 2023)

 

CC BY SA 4.0Articol cu Acces Deschis (Open Access) distribuit în conformitate cu termenii licenței de atribuire Creative Commons CC BY SA 4.0 (https://creativecommons.org/licenses/by-sa/4.0/).

9 sept. 2024

Considerații de securitate în rețelele de telecomunicații 5G

de | postat în: Arhiva, Numărul 4, Telecomunicații, Volumul 3 | 0

IT & C - Descarcă PDFSfetcu, Nicolae (2024), Considerații de securitate în rețelele de telecomunicații 5G, IT & C, 3:4, 41-47, DOI: 10.58679/IT27992, https://www.internetmobile.ro/consideratii-de-securitate-in-retelele-de-telecomunicatii-5g/

 

Security Considerations in 5G Telecommunications Networks

Abstract

The advent of 5G networks represents a revolutionary change in telecommunications, offering significantly improved data speeds, but its development also introduces new and complex security challenges. The integration of different technologies and the various use cases of 5G amplify the potential vulnerabilities, requiring a comprehensive approach to securing 5G networks. The 5G Core network function specifications were developed to remove known vulnerabilities in the existing network.

This essay explores the key security considerations in 5G telecommunications, examining the risks, challenges and safeguards required to ensure the integrity and reliability of these networks.

Keywords: 5G Core, 5G, vulnerabilities, security, telecommunications networks, network functions, 5G architecture

Rezumat

Apariția rețelelor 5G reprezintă o schimbare revoluționară în telecomunicații, oferind viteze semnificativ îmbunătățite ale datelor, dar dezvoltarea sa introduce și provocări noi și complexe de securitate. Integrarea diferitelor tehnologii și diversele cazuri de utilizare ale 5G amplifică potențialele vulnerabilități, necesitând o abordare cuprinzătoare pentru securizarea rețelelor 5G. Specificațiile funcțiilor de rețea 5G Core au fost dezvoltate pentru a elimina vulnerabilitățile cunoscute din rețeaua existentă.

Acest eseu explorează considerentele cheie de securitate în telecomunicațiile 5G, examinând riscurile, provocările și garanțiile necesare pentru a asigura integritatea și fiabilitatea acestor rețele.

Cuvinte cheie: 5G Core, 5G, vulnerabilități, securitate, rețele de telecomunicații, funcții de rețea, arhitectura 5G

 

IT & C, Volumul 3, Numărul 4, Decembrie 2024, pp. 41-47
ISSN 2821 – 8469, ISSN – L 2821 – 8469, DOI: 10.58679/IT27992
URL: https://www.internetmobile.ro/consideratii-de-securitate-in-retelele-de-telecomunicatii-5g/
© 2024 Nicolae Sfetcu. Responsabilitatea conținutului, interpretărilor și opiniilor exprimate revine exclusiv autorilor.

 

Considerații de securitate în rețelele de telecomunicații 5G

Ing. fiz. Nicolae SFETCU[1], MPhil

nicolae@sfetcu.com

[1] Cercetător – Academia Română – Comitetul Român de Istoria și Filosofia Științei și Tehnicii (CRIFST), Divizia de Istoria Științei (DIS), ORCID: 0000-0002-0162-9973

 

Introducere

Apariția rețelelor 5G reprezintă o schimbare revoluționară în telecomunicații, oferind viteze semnificativ îmbunătățite ale datelor, latență ultra-scăzută și capacitatea de a conecta un număr mare de dispozitive simultan. Deoarece 5G promite să aducă plusvaloare tehnologiilor emergente, cum ar fi Internetul obiectelor (IoT), vehiculele autonome și orașele inteligente, dezvoltarea sa introduce, de asemenea, provocări noi și complexe de securitate. Integrarea diferitelor tehnologii și diversele cazuri de utilizare ale 5G amplifică potențialele vulnerabilități, necesitând o abordare cuprinzătoare pentru securizarea rețelelor 5G.

Specificațiile funcțiilor de rețea 5G Core au fost dezvoltate pentru a elimina vulnerabilitățile cunoscute din rețeaua existentă. (2)(3) Efortul este continuu; de exemplu, cea mai recentă versiune a specificației arhitecturii 5G (1) îmbunătățește și mai mult contracararea unei vulnerabilități cunoscute User Plane Integrity Protection, prin adăugarea de noi cerințe pentru UE pentru a suporta User Plane Integrity Protection la maximum.

Oricum, funcțiile de bază 5G se bazează pe o infrastructură subiacentă de hardware, software și procese care vin cu amenințările și vulnerabilitățile lor de securitate. Acest eseu explorează considerentele cheie de securitate în telecomunicațiile 5G, examinând riscurile, provocările și garanțiile necesare pentru a asigura integritatea și fiabilitatea acestor rețele.

Arhitectură bazată pe servicii

Funcțiile 5G Core sunt menite să fie compuse în mare parte din aplicații care rulează pe hardware de uz general care comunică prin interfețe de programare a aplicațiilor (API). (2)(3) Integritatea software-ului, în special din locațiile open-source și din lanțul general de aprovizionare a software-ului, este o zonă de vulnerabilitate. Deoarece serviciile pot fi create, distruse și comunicate între ele dinamic, sistemele trebuie autentificate corespunzător și comunicațiile protejate pentru a preveni executarea neautorizată a funcțiilor sau accesul la date (4).

Suprafață de atac crescută

Arhitectura rețelelor 5G diferă semnificativ de generațiile anterioare, în primul rând datorită proliferării dispozitivelor IoT și utilizării tehnologiilor de virtualizare și cloud computing. Această complexitate crescută extinde suprafața de atac, expunând mai multe puncte potențiale de intrare pentru atacurile cibernetice.

În rețelele tradiționale, comunicațiile au avut loc în principal între dispozitive fixe, cum ar fi telefoanele mobile și stațiile de bază. Cu toate acestea, rețelele 5G acceptă o gamă diversă de dispozitive conectate, inclusiv senzori, vehicule, drone și mașini industriale. Fiecare dispozitiv poate introduce vulnerabilități care ar putea fi exploatate, în special în mediile IoT unde dispozitivele pot avea capacități de securitate limitate. În plus, rețelele 5G folosesc rețele definite de software (SDN) și virtualizarea funcției de rețea (NFV), permițând rețele dinamice și scalabile. În timp ce aceste tehnologii sporesc flexibilitatea, ele prezintă și noi vectori de atac care pot fi exploatate dacă nu sunt securizate corespunzător.

Stivă de protocol pe bază de IP

5GC trece la o stivă de protocol bazată pe IP, permițând interoperabilitatea cu un număr mai mare de servicii și tehnologii în viitor. (2)(3) Următoarele protocoale, scheme și procese sunt adoptate în 5GC:

  • HTTP/2 și JSON ca strat de aplicație și protocoale de serializare, înlocuind protocolul Diameter peste punctul de referință S6a
  • TLS ca strat suplimentar de protecție care asigură comunicații criptate între toate funcțiile de rețea (NF) din interiorul unei rețele mobile de telefonie publică (PLMN)
  • TCP ca protocol de strat de transport
  • Cadrul RESTful cu OpenAPI 3.0.3 ca limbaj de definiție a interfeței (IDL).

Deoarece aceste protocoale sunt utilizate în industria IT mai largă, vor duce probabil la o vulnerabilitate mai scurtă în cronologia exploatării și la un impact mai mare al vulnerabilităților în cadrul acestor protocoale. Schemele de raportare a vulnerabilității vor trebui să gestioneze domeniul de aplicare extins al acestor protocoale. Odată localizat, timpul de corecție pentru vulnerabilități ar trebui să fie scurt.

Segmentarea rețelei și implicațiile sale de securitate

O caracteristică critică a 5G este segmentarea rețelei, care permite operatorilor să creeze mai multe rețele virtuale pe o infrastructură fizică partajată. Fiecare segment este proiectat pentru a satisface cerințele specifice ale diverselor aplicații, cum ar fi comunicațiile cu latență scăzută pentru conducere autonomă sau nevoile de lățime de bandă mare pentru serviciile de streaming.

Cu toate acestea, flexibilitatea oferită de segmentarea rețelei introduce și riscuri de securitate. Dacă un actor rău intenționat compromite o porțiune, ar putea să îi afecteze pe alții, mai ales dacă mecanismele de izolare a securității dintre secțiuni sunt inadecvate. Provocarea este de a asigura izolarea robustă între secțiunile de rețea, menținând în același timp eficiența operațională. Acest lucru necesită protocoale de securitate avansate și monitorizare continuă pentru a detecta și a atenua amenințările înainte ca acestea să se răspândească în rețea.

Securitatea lanțului de aprovizionare

Rețelele 5G se bazează pe un lanț global de aprovizionare pentru hardware, software și servicii. Deoarece componentele de rețea provin de la mai mulți furnizori din întreaga lume, integritatea lanțului de aprovizionare devine un aspect critic de securitate. Actorii rău intenționați ar putea introduce uși din spate, programe spion sau alte vulnerabilități în timpul producției, livrării sau instalării echipamentelor.

Una dintre cele mai mediatizate preocupări în acest sens este implicarea potențială a guvernelor sau organizațiilor străine în dezvoltarea infrastructurii 5G. De exemplu, unele guverne și-au exprimat îngrijorarea cu privire la utilizarea echipamentelor de la anumiți furnizori, invocând riscuri de securitate națională. Prin urmare, securitatea lanțului de aprovizionare trebuie abordată prin procese stricte de verificare a furnizorilor, cicluri de viață sigure de dezvoltare și transparență în aprovizionarea componentelor critice ale rețelei.

Confidențialitatea datelor

Rețelele 5G permit transferul de date în timp real la viteze și volume fără precedent. Deși acest lucru deschide noi oportunități pentru întreprinderi și consumatori, ridică și îngrijorări cu privire la confidențialitatea datelor. Cantitatea imensă de date generate și transmise prin rețelele 5G creează ținte atractive pentru infractorii cibernetici care doresc să intercepteze, să fure sau să manipuleze informații sensibile.

Natura descentralizată a 5G, cuplată cu faptul că datele pot fi procesate la marginea rețelei prin multi-access edge computing (MEC), crește riscul de acces neautorizat sau de încălcare a datelor. Mecanismele puternice de criptare, anonimizarea datelor și practicile de stocare sigură a datelor sunt esențiale pentru a proteja confidențialitatea utilizatorilor în mediile 5G. În plus, conformitatea cu reglementările, cum ar fi aderarea la Regulamentul general privind protecția datelor (GDPR) în Europa, adaugă un alt nivel de complexitate gestionării datelor în cadrul rețelelor 5G.

Autentificarea și managementul identității

Într-un ecosistem 5G cu milioane de dispozitive interconectate, mecanismele robuste de autentificare și de gestionare a identității sunt esențiale pentru a se asigura că numai dispozitivele și utilizatorii legitimi au acces la rețea. Protocoalele de autentificare slabe ar putea permite dispozitivelor neautorizate să se conecteze, ducând la încălcări ale datelor sau la exploatarea resurselor rețelei.

Metodele tradiționale de autentificare bazată pe SIM sunt completate cu noi tehnici de gestionare a identității, potrivite gamei diverse de dispozitive compatibile 5G. Acestea includ certificate specifice dispozitivului, autentificare biometrică și sisteme de detectare a anomaliilor bazate pe inteligență artificială. Cu toate acestea, implementarea autentificării securizate într-o rețea diversă și distribuită necesită o planificare și o coordonare atentă pentru a preveni potențialele vulnerabilități.

Atacurile de tip Denial-of-Service (DoS) și rezistența rețelei

Rețelele 5G, datorită dependenței lor de virtualizare și de gama largă de dispozitive conectate, sunt deosebit de vulnerabile la atacurile de tip Denial-of-Service (DoS). (2)(3) Astfel de atacuri pot copleși resursele rețelei, provocând întreruperi ample ale serviciului. Natura distribuită a infrastructurii 5G, inclusiv nodurile edge computing și celulele mici, înseamnă că un atac DoS ar putea avea efecte în cascadă, perturbând nu numai dispozitivele individuale, ci și serviciile critice, cum ar fi sistemele de asistență medicală, de transport sau de răspuns la urgențe.

Pentru a atenua riscul atacurilor DoS, rețelele 5G necesită mecanisme de rezistență încorporate, cum ar fi filtrarea traficului, echilibrarea încărcăturii și sisteme avansate de detectare a amenințărilor. Operatorii de rețea trebuie, de asemenea, să acorde prioritate sistemelor de redundanță și failover pentru a se asigura că serviciile critice rămân operaționale chiar și în timpul unui atac.

Rolul inteligenței artificiale și al învățării automate în securitate

Cantitatea mare de date care circulă prin rețelele 5G creează oportunități de utilizare a inteligenței artificiale (AI) și a învățării automate (ML) pentru a îmbunătăți securitatea. Algoritmii AI și ML pot ajuta la monitorizarea tiparelor de trafic, la detectarea anomaliilor și la răspuns la amenințări în timp real. Aceste tehnologii pot fi folosite și pentru automatizarea operațiunilor de securitate, reducând timpii de răspuns și minimizând erorile umane.

Cu toate acestea, AI și ML își introduc și propriile riscuri. Actorii rău intenționați ar putea manipula sistemele de securitate bazate pe inteligență artificială, furnizându-le date false sau exploatând vulnerabilitățile algoritmilor de bază. Prin urmare, deși AI și ML prezintă soluții de securitate promițătoare, acestea trebuie implementate cu prudență, cu proceduri robuste de validare și monitorizare pentru a se asigura că nu sunt compromise.

Respectarea cerințelor generale de asigurare a securității

Securitatea asigurată de funcțiile 5G Core și securitatea 5G Core în sine se bazează pe actualizarea permanentă a cerințelor de asigurare a securității pentru componentele de rețea critice precum UDM, AUSF, SEPP, NRF, NEF, SMF, AMF și UPF.

Cu toate acestea, va exista inevitabil un decalaj de actualizare a securității între noile cerințe de securitate și implementarea versiunilor actualizate ale funcțiilor de rețea în sistemele operaționale. Există doi factori majori în reducerea acestui decalaj: a) sensibilitatea furnizorilor la emiterea și validarea de noi versiuni ale funcțiilor de rețea care răspund cerințelor actualizate, și b) actualitatea și eficacitatea proceselor MNO pentru actualizarea sistemelor operaționale la recentele versiuni lansate și evaluate SCAS.

Concluzie

Tranziția la rețelele de telecomunicații 5G oferă un potențial extraordinar de inovare și conectivitate, dar vine și cu considerații semnificative de securitate. Complexitatea crescută a arhitecturii 5G, gama largă de dispozitive conectate și dependența de lanțurile globale de aprovizionare prezintă noi provocări care trebuie abordate pentru a asigura siguranța și integritatea rețelei. Strategiile de securitate cuprinzătoare – inclusiv mecanisme de autentificare îmbunătățite, criptare puternică, rezistență a rețelei și transparență a lanțului de aprovizionare – sunt esențiale pentru atenuarea acestor riscuri.

Pe măsură ce 5G continuă să evolueze, colaborarea dintre guverne, operatorii de rețea, producătorii de echipamente și experții în securitate cibernetică va fi esențială în dezvoltarea și implementarea protocoalelor de securitate eficiente. Numai abordând aceste provocări multiple de securitate, întregul potențial al 5G poate fi atins fără a compromite siguranța și confidențialitatea utilizatorilor săi.

Bibliografie

 

CC BY SA 4.0Articol cu Acces Deschis (Open Access) distribuit în conformitate cu termenii licenței de atribuire Creative Commons CC BY SA 4.0 (https://creativecommons.org/licenses/by-sa/4.0/).

6 aug. 2024

A apărut revista ”IT & C, Volumul 3, Numărul 3, Septembrie 2024”

de | postat în: Știri | 0

Revista IT & C, Volumul 3, Numărul 3, Septembrie 2024ISSN 2821-8469 ISSN-L 2821-8469, DOI: 10.58679/IT23696. Preț: 9,99 lei
IT & C (PDF, EPUB, MOBI pentru Kindle) https://www.internetmobile.ro/revista/revista-it-c-volumul-3-numarul-3-septembrie-2024/

Revista IT & C este o publicație trimestrială din domeniile tehnologiei informației și comunicații, și domenii conexe de studiu și practică.

Cuprins:

EDITORIAL / EDITORIAL

Tools Used in AI Development – The Turing Test
Instrumente utilizate în dezvoltarea IA – Testul Turing

TEHNOLOGIA INFORMAȚIEI / INFORMATION TECHNOLOGY

Trends in the Evolution of Artificial Intelligence – Intelligent Agents
Tendințe în evoluția inteligenței artificiale – Agenți inteligenți

TELECOMUNICAȚII / TELECOMMUNICATIONS

Security in 5G Telecommunications Networks with 5G Core
Securitatea în rețelele de telecomunicații 5G cu 5G Core

PROGRAMARE / PROGRAMMING

Alignment, Explainability and Confinement as Goals of Artificial Intelligence
Alinierea, explicabilitatea și confinarea ca obiective ale inteligenței artificiale

SECURITATE CIBERNETICĂ / CYBER SECURITY

Threats of Artificial Intelligence for Cybersecurity
Amenințări ale inteligenței artificiale pentru securitatea cibernetică

1 … 15 16 17 18 19 20 21 … 44