5 mart. 2024

Inteligența artificială în comunicații în războiul electronic

de | postat în: Arhiva, Numărul 2, Telecomunicații, Volumul 3 | 0

IT & C - Descarcă PDFSfetcu, Nicolae (2024), Inteligența artificială în comunicații în războiul electronic, IT & C, 3:2, 32-49, DOI: 10.58679/IT20921, https://www.internetmobile.ro/inteligenta-artificiala-in-comunicatii-in-razboiul-electronic/

 

Artificial Intelligence in Communications in Electronic Warfare

Abstract

Artificial intelligence is a critical force multiplier in electronic warfare and can be a highly effective tool when applied to areas such as signal recognition, emission and signal control, emitter classification, threat recognition, and jamming identification. From tactical situational awareness and management, threat recognition and classification, and emission and signature control tactics, to over-the-horizon targeting and non-kinetic sights using non-organic electronic warfare capabilities, AI will be a huge asset in force lethality. Looking ahead, continued research and development in AI technologies, along with strong ethical and regulatory frameworks, will shape the future landscape of electronic warfare communications for years to come.

This article explores the integration of artificial intelligence into electronic warfare communications, its implications, challenges, and potential future directions.

Keywords: artificial intelligence, machine learning, electronic warfare, jamming, threats, communications, telecommunications

Rezumat

Inteligența artificială este un multiplicator de forță critică în războiul electronic și poate fi un instrument extrem de eficient atunci când este aplicat în domenii precum recunoașterea semnalului, controlul emisiilor și semnalului, clasificarea emitenților, recunoașterea amenințărilor și identificarea bruiajului. De la conștientizarea și gestionarea situației tactice, recunoașterea și clasificarea amenințărilor și tacticile de control al emisiilor și semnăturilor, până la țintirea peste orizont și vizările non-cinetice folosind capabilități de război electronic non-organice, inteligența artificială va fi un avantaj enorm în letalitatea forței. Privind în perspectivă, cercetarea și dezvoltarea continuă în tehnologiile inteligenței artificiale, împreună cu cadre etice și de reglementare solide, vor modela peisajul viitor al comunicațiilor de război electronic în anii următori.

Acest articol explorează integrarea inteligenței artificiale în comunicațiile de război electronic, implicațiile sale, provocările și potențialele direcții viitoare.

Cuvinte cheie: inteligența artificială, învățarea automată, război electronic, bruiaj, amenințări, comunicații, telecomunicații

 

IT & C, Volumul 3, Numărul 2, Iunie 2024, pp. 32-49
ISSN 2821 – 8469, ISSN – L 2821 – 8469, DOI: 10.58679/IT20921
URL: https://www.internetmobile.ro/inteligenta-artificiala-in-comunicatii-in-razboiul-electronic/
© 2024 Nicolae Sfetcu. Responsabilitatea conținutului, interpretărilor și opiniilor exprimate revine exclusiv autorilor.

 

Inteligența artificială în comunicații 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

Inteligența artificială/învățarea automată (AI/ML) este un multiplicator de forță critică în războiul electronic (EW) și poate fi un instrument extrem de eficient atunci când este aplicat în domenii precum recunoașterea semnalului, controlul emisiilor și semnalului, clasificarea emitenților, recunoașterea amenințărilor și identificarea bruiajului. De la conștientizarea și gestionarea situației tactice, recunoașterea și clasificarea amenințărilor și tacticile de control al emisiilor și semnăturilor, până la țintirea peste orizont și vizările non-cinetice folosind capabilități EW non-organice, AI/ML va fi un avantaj enorm în letalitatea forței[1].

Tehnica AI/ML pentru integrarea EW este denumită algoritmi de învățare Q, un tip de învățare prin consolidare algoritmică[2]. Majoritatea capabilităților EW nu necesită modele complexe pentru a se integra cu AI/ML.

AI/ML poate să îmbunătățească și tehnica emițătorilor de „amprentare”, prin analiza parametrilor emițătorului și modularea impulsului de la emițător. Dar acești parametri emițători se schimbă adesea în timp sau sunt comutați între platforme, ceea ce constituie o provocare[3].

Inteligența artificială (IA) este definită în general ca un sistem de calcul capabil de o cunoaștere superioară la nivel uman. Sistemele actuale de inteligență artificială sunt clasificate ca „IA îngustă”, instruite pentru a efectua sarcini specifice.

În domeniul războiului modern, semnificația războiului electronic nu poate fi minimizată. Odată cu progresul rapid al tehnologiei, în special în domeniul inteligenței artificiale, peisajul comunicațiilor EW trece printr-o transformare profundă. IA revoluționează modul în care forțele militare se angajează în războiul electronic, oferind capabilități îmbunătățite de detectare, analiză și răspuns.

Contextul istoric

Pentru a înțelege starea actuală a războiului electronic, este necesară o scurtă prezentare istorică, din care rezultă complexitatea tot mai mare a amenințărilor electronice și nevoia de tehnologii avansate pentru a le contracara.

Conform lucrării Evoluția inteligenței artificiale în domeniul securității naționale[4], La finele anilor 1990, Departamentul Apărării SUA a dezvoltat planuri pentru un război „centrat pe rețea” prin integrarea inteligenței artificiale[5]. Exemple de proiecte sunt Nett Warrior (fost Ground Soldier System sau Mounted Soldier System)[6] și Force XXI Battle Command Brigade[7].

În secolul XXI, organizațiile din domeniul securității naționale folosesc inteligența artificială pentru a le ajuta să găsească, conform lui Dan Coats în 2017, „modalități inovatoare de a exploata și de a stabili relevanța și de a asigura veridicitatea informațiilor”[8].

În jurul anului 2010 a avut loc o explozie a interesului pentru IA, datorită convergenței a trei evoluții favorabile[9]: (1) disponibilitatea surselor de megadate („big data”), (2) îmbunătățiri ale abordărilor de învățare automată, și (3) creștea puterii de procesare[10]. Astfel s-a dezvoltat forma slabă a IA, cu algoritmi pentru probleme specifice, precum jocul, recunoașterea imaginilor și navigarea. Progresele rapide în IA au declanșat un val de investiții. Investițiile neclasificate ale DoD (SUA) în IA au crescut de la puțin peste 600 de milioane de dolari în exercițiul financiar 2016 la 2,5 miliarde de dolari în exercițiul financiar 2021, cu peste 600 de proiecte active de IA[11][12].

În 2011, Autoritatea Națională de Securitate Cehă (NSA) a fost numită ca autoritate națională pentru agenda cibernetică, cu o strategie specială pentru integrarea inteligenței artificiale și apărarea securității naționale din această perspectivă[13].

La nivelul Uniunii Europene, adoptarea Strategiei de securitate cibernetică în 2013 de către Comisia Europeană[14] a impulsionat eforturile de implementare a inteligenței artificiale. UE finanțează diverse programe și instituții în acest sens, precum Competence Research Innovation (CONCORDIA), care reunește 14 state membre[15] și Cybersecurity for Europe (CSE)[16], care reunește 43 de parteneri care implică 20 de state membre. Rețeaua Europeană a Centrelor de Securitate Cibernetică și Centrul de Competență pentru Inovare și Operațiuni (ECHO)[17] reunesc 30 de parteneri din 15 state membr, iar SPARTA[18] este formată din 44 de parteneri care implică 14 state membre.

În 2016, U.S. Army Research Laboratory (ARL) a creat proiectul Internet of Battlefield Things (IoBT) pentru o mai bună integrare a tehnologiei IoT în operațiunile militare[19].

La 20 iulie 2017, guvernul chinez a lansat o strategie pentru a deveni lider mondial în AI până în 2030[20]. În același an, Vladimir Putin declara că „oricine devine lider în acest domeniu va conduce lumea.”[21]

În 2017, ARL a înființat Internet of Battlefield Things Collaborative Research Alliance (IoBT-CRA) pentru a avansa bazele teoretice ale sistemelor IoBT[22]. {012} De asemenea, DARPA (SUA) a dezvoltat in program numit Ocean of Things, pentru o conștientizare a situației maritime persistente pe zone mari oceanice[23].

În 2018, guvernul german a stabilit o strategie pentru inteligența artificială, prin o colaborare cu francezii, cu sarcini în securitatea cibernetică.În Germania, inteligența artificială este abordată prin securitatea cibernetică, recunoscută ca o sarcină guvernamentală cu responsabilități împărțite în trei ministere: Ministerul Federal de Interne, Ministerul Federal al Apărării și Ministerul de Externe Federal, și mai multe instituții cu obiective specifice[24].

Strategia de Apărare Națională a SUA, lansată în ianuarie 2018, a identificat inteligența artificială drept una dintre tehnologiile cheie care „va asigura că [Statele Unite] vor fi capabile să lupte și să câștige războaiele. a viitorului.”[25] Direcția Națională de Informații din SUA, a emis Inițiativa AIM în 2019[26], o strategie concepută pentru a adăuga informații cu ajutorul mașinilor, permițând serviciilor de informații să proceseze cantități uriașe de date mai rapid decât înainte și să permită ofițerilor de informații umane să se ocupă de alte sarcini. {001} Armata americană a integrat deja sisteme AI în luptă prin Projectul Maven, pentru a identifica țintele insurgenților în Irak și Siria[27]. În ultimii ani, Departamentul Apărării SUA au inițiat mai multe proiecte bazate pe IoMT și inteligența artificială, precum Connected Soldier pentru echipamente individuale inteligente[28].

În Marea Britanie strategia privind inteligența artificială are o relevanță deosebită pentru toți cei implicați în Dezvoltarea Forțelor de Apărare și Transformarea Apărării, pentru un sistem „pregătit pentru IA”. S-a pus în aplicare Strategia digitală pentru apărare (2021)[29] și Strategia de date pentru apărare (2021)[30], creându-se un nou centru digital de IA. Unele elemente vor fi furnizate sau susținute de panDefence, pe baza unei not strategii IA[31].

O utilizare proeminentă a inteligenței artificiale de către Ucraina în conflictul cu Rusia este utilizarea de software de recunoaștere facială pentru a descoperi atacatorii ruși și pentru a identifica ucrainenii uciși în războiul în curs[32].Putin recunoaște puterea și oportunitățile armelor care folosesc IA, afirmând că inteligența artificială este viitorul întregii omeniri[33]. După ce Rusia a invadat Ucraina la 24 februarie 2022, armata ucraineană folosește drone[34] care pot decola, ateriza și naviga în mod autonom, și care ”pot primi informații colectate de operațiunile de supraveghere ale Statelor Unite cu privire la informațiile pe câmpul de luptă și securitatea națională despre Rusia”[35]. Rusia folosește, la rândul ei, IA pentru a analiza datele câmpului de luptă din imaginile de supraveghere.

Cursa înarmărilor cu inteligență artificială este în curs de desfășurare, în principal între marile puteri[36]. În prezent există o campanie la nivel global pentru a opri interzicerea roboților ucigași, existând o petiție[37] către Națiunile Unite prin care se solicită noi reglementări privind dezvoltarea și utilizarea tehnologiilor AI[38].

Rolul inteligenței artificiale în comunicațiile EW

Inteligența artificială a devenit un element esențial în progresul comunicațiilor de război electronic în diferite etape, oferind îmbunătățiri semnificative în capacitatea de a detecta, interpreta, răspunde și chiar prezice amenințările din spectrul electromagnetic. Una dintre funcțiile principale ale IA în EW este procesarea și analiza semnalului. Algoritmii IA pot analiza rapid cantități mari de date, identificând modele, anomalii și potențiale amenințări în timp real.

În plus, IA îmbunătățește conștientizarea situației prin procesarea și sintetizarea datelor din mai multe surse, inclusiv senzori, sateliți și avioane de recunoaștere. Prin integrarea sistemelor bazate pe inteligență artificială în rețelele de comunicații, comandanții pot lua rapid decizii informate, adaptându-și strategiile la amenințările în evoluție pe câmpul de luptă.

Includerea AI în sisteme EW le face foarte eficiente ca sisteme autonome[39]. Pentru aplicațiile militare, sistemele de procesare a datelor suportate de IA sunt deja utilizate, iar atributele de comunicare inteligentă au devenit indispensabile[40].

AI este deja implementată prin numeroase aplicații în EW:

  • Inteligența semnalului și învățarea automată: i. Aplicații AI în procesarea semnalului pentru o colectare îmbunătățită de informații. ii. Algoritmi de învățare automată pentru recunoașterea modelelor și detectarea anomaliilor în seturi vaste de date.
  • Operațiuni cibernetice și IA: i. Utilizarea inteligenței artificiale pentru apărare și răspuns cibernetic proactiv. ii. Capacitățile cibernetice autonome și implicațiile lor pentru operațiunile ofensive.
  • Atac electronic și IA: i. Strategii de atac electronic bazate pe inteligență artificială pentru a perturba sistemele de comunicații inamice. ii. Algoritmi adaptivi și de auto-învățare pentru ajustări în timp real în scenariile de atac electronic.

Sistemele EW bazate pe IA se pot clasifica în sisteme EW care afectează nivelul operațional de război, și cele care afectează nivelul strategic. La nivel operațional de luptă IA poate ajuta în atingerea obiectivelor tactice, planificare, eliminarea incertitudinii și pregătirea eficientă, ca de ex.[41]:

  • Colectarea, interpretarea și analiza informațiilor[42]
  • În jocurile de război, crescând puterea simulărilor și a instrumentului de joc.
  • În cazul vehiculelor fără pilot precum UAV pentru dirijare pe câmpul de luptă, sau în combinație cu roboți pentru funcționare autonomă[43].

La nivel strategic, IA poate asista în organizarea ordinei de luptă, atribuirea forțelor, strategiile de război, deciziile cu privire la amploarea și escaladarea, partajarea și interpretarea informațiilor, sfera și natura războiului, consecințele desfășurării unor active etc.[44] Astfel IA se poate folosi în intelligence, supraveghere și recunoaștere (ISR), direcționare și navigare, sau sondarea, cartografierea și piratarea rețelelor de computere[45]. Tehnicile IA pot fi utilizate și în detectarea semnalelor RF de la adversari și prezicerea amenințărilor[46].

Platformele bazate pe inteligență artificială pot executa în mod autonom misiuni predefinite, cum ar fi blocarea comunicațiilor inamice sau efectuarea de operațiuni de colectare a informațiilor electronice (ELINT). În plus, IA permite comportamente de cooperare și colaborare între activele în rețea, facilitând operațiunile EW coordonate cu intervenție umană minimă.

Aplicarea inteligenței artificiale împreună cu EW are potențialul de a reduce decalajul dintre capacitatea de luptă de război dorită și abilitățile dobândite. IA este deja considerată a fi esențială pentru sistemele mobile EW desfășurate împreună cu formațiunile câmpului de luptă[47], datorită capacității IA de asistență eficientă a deciziilor, gestionarea unor cantități mari de date, conștientizarea situației, vizualizarea scenariului în evoluție și generarea de răspunsuri adecvate, și un autocontrol, autoreglare și autoacționare mai bune datorită capacităților inerente a AI de calcul și de luare a deciziilor[48].

În operațiunile de spectru electromagnetic (EMS), obiectivul este de a răspunde imediat. Cu AI și 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[49].

Sistemele moderne de IA sunt capabile să prelucreze informații pentru a face predicții și a atinge obiectivele[50]. Ca urmare, aceste sisteme transformă fundamentele industriei de apărare, ale securității naționale și ale războiului global.

Comunicațiile EW care implică utilizarea spectrului electromagnetic pentru a intercepta, bloca sau falsifică comunicațiile și radarul inamicului, au încorporat tot mai mult IA pentru a îmbunătăți eficiența, acuratețea și procesele de luare a deciziilor.

Implicații și beneficii

Avantaje și oportunități ale integrării inteligenței artificiale în războiul electronic:

  • Viteză și eficiență:
    • Capacitatea AI de a procesa cantități mari de date în timp real.
    • Capacități de luare a deciziilor îmbunătățite pentru un răspuns mai rapid în medii electronice dinamice.
  • Precizie și acuratețe:
    • Direcționare îmbunătățită prin analiză bazată pe inteligență artificială.
    • Reducerea daunelor colaterale prin tactici precise de război electronic.

Integrarea inteligenței artificiale în comunicațiile EW oferă câteva beneficii semnificative forțelor militare:

Eficiență sporită: Sistemele bazate pe inteligență artificială pot procesa informații mai rapid și mai precis decât operatorii umani, ceea ce duce la luarea deciziilor și la timpi de răspuns mai rapid în scenariile de război electronic.

Eficacitate îmbunătățită: Prin folosirea inteligenței artificiale pentru procesarea și analiza semnalului, forțele militare își pot îmbunătăți capacitatea de a detecta, identifica și neutraliza amenințările inamice, crescând astfel eficacitatea operațiunilor EW.

Risc redus pentru personal: Sistemele IA autonome și semi-autonome pot întreprinde misiuni EW periculoase fără a pune operatorii umani în pericol, sporind astfel siguranța personalului militar.

Adaptabilitate: Sistemele EW alimentate cu inteligență artificială se pot adapta la condițiile dinamice și imprevizibile ale câmpului de luptă, ajustându-și tacticile și strategiile în timp real pentru a contracara amenințările emergente în mod eficient.

Iată câteva domenii cheie în care IA are un impact semnificativ:

  • Procesarea și analiza semnalului: Algoritmii IA, în special învățarea automată (ML) și modelele de învățare profundă, excelează în analiza datelor complexe și cu zgomot. În comunicațiile EW, IA poate identifica și clasifica rapid semnalele, făcând distincție între comunicațiile dintre prieteni și inamici și discernând informațiile relevante din zgomotul de fundal. Această procesare rapidă permite luarea deciziilor și răspunsul la amenințări mai rapid.
  • Detectarea și identificarea amenințărilor: Sistemele IA pot fi antrenate să recunoască tiparele asociate cu tipuri specifice de amenințări electronice, inclusiv tactici noi și în evoluție. Învățând continuu din date noi, modelele IA se pot adapta la schimbările strategiilor adverse, îmbunătățind capacitatea de a detecta și identifica amenințările mai precis și mai rapid decât metodele tradiționale.
  • Contramăsuri electronice adaptive: IA permite sistemelor EW să selecteze și să implementeze automat cele mai eficiente contramăsuri împotriva amenințărilor identificate. Această adaptabilitate asigură că răspunsurile nu sunt doar mai rapide, ci și mai adecvate tipului specific de amenințare, crescând șansele de neutralizare cu succes.
  • Analiza predictivă: Analizând datele istorice și în timp real, IA poate prezice potențialele amenințări înainte ca acestea să apară, permițând măsuri proactive în comunicațiile EW. Această capacitate de predicție ajută la planificarea și executarea strategiilor de apărare electronică mai eficient, asigurând niveluri mai ridicate de pregătire împotriva acțiunilor inamice.
  • Războiul electronic cibernetic (CEW): Integrarea IA în CEW combină operațiunile cibernetice cu războiul electronic pentru a perturba sau proteja comunicațiile și rețelele digitale. IA îmbunătățește capacitatea de a detecta amenințările cibernetice din spectrul electromagnetic, oferind o abordare mai cuprinzătoare a EW.
  • Managementul resurselor: IA ajută la alocarea optimă a activelor de război electronic, asigurându-se că resursele sunt utilizate în mod eficient. Analizând diferiți factori, inclusiv nivelurile de amenințări și disponibilitatea activelor, IA poate recomanda strategii de implementare care maximizează eficiența operațională.
  • Instruire și simulare: Simulările și mediile de antrenament bazate pe inteligență artificială oferă scenarii realiste pentru practicarea strategiilor de comunicare EW. Aceste instrumente pot simula o gamă largă de amenințări electronice, ajutând personalul militar să se pregătească pentru diverse situații cu tactici și răspunsuri adaptive.

Aplicații specifice

Contramăsurile electronice (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[51], detectarea și clasificarea blocajului de baraj pentru radarul cu deschidere sintetică (SAR) bazată pe CNN[52], predicția tehnicii de bruiaj adecvate pentru un semnal de amenințare recepționat folosind învățarea profundă[53], sau ”pleava” în EW[54].

Contra-contramăsuri electronice (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[55], sau utilizarea de detectoare pentru a menține o probabilitate ridicată de detectare și o rată scăzută a alarmelor false[56]. Dintre tehnicile ML/DL cele mai folosite fac parte[57]:

  • ANN: un analog matematic simplificat al rețelei neuronale umane, folosite pentru procesul de recunoaștere și identificare a emițătorului radar, selectarea stilului de bruiaj etc.[58] Combinate cu alte tehnici AI pot forma algoritmi hibrizi pentru dezvoltarea unui sistem de detectare a bruiajului, recunoaștere a parametrilor de scanare a antenei radar etc.[59]
  • CNN: un tip de DL cu mari avantaje în extragerea caracteristicilor discriminante și statice ale intrărilor, aplicate cu succes în domeniul clasificării semnalelor de bruiaj radar și în procesarea semnalului radar[60].
  • Memoria pe termen lung (LSTM): o arhitectură modificată a RNN, capabilă să învețe dependențe pe termen lung[61], folosită în principal pentru a rezolva problema de predicție a timpului în procesarea semnalului radar și pentru prezicerea tehnicii de bruiaj adecvate[62].
  • Învățarea prin consolidare profundă (DRL): o zonă de învățare automată utilizată pentru a lua măsuri adecvate pentru a maximiza recompensa într-o anumită situație, folosită pentru a găsi cel mai bun comportament sau cale posibilă care ar trebui luată într-o situație specifică[63], în special în dezvoltarea algoritmilor anti-bruiaj pentru radarul cognitiv[64].

Tehnici IA

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

Învățarea automată

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.[65]

Învățarea automată și-a găsit numeroase utilizări în EW[66]:

  • Implicarea emițătorilor de amenințări agile. Senzorii și sistemele de comunicații adverse  se adaptează rapid și funcționează în întregul spectru EM. Programul de învățare comportamentală pentru Adaptive Electronic Warfare (BLADE) și programul adaptiv radar contramăsuri (ARC) au avut succes în depășirea acestor probleme.
  • Detecție în bandă largă. Pentru conștientizarea situației precise a spectrului EM în timp real, senzorii ES trebuie să observe simultan mai mulți gigaherți de spectru. Tehnicile ML pot ajuta în eliminarea detectărilor cu prioritate scăzută mai rapid în lanțul de procesare.
  • Managementul resurselor. Resursele EW trebuie să fie echilibrate pentru a angaja în mod eficient comunicațiile RF și țintele radar. Teoria probabilității bayesiene ne permite să reprezentăm unități de dovezi ca numere reale care pot fi utilizate pentru a consolida sau elimina ipotezele concurente. , oferind o avansare semnificativă a capacității în gestionarea resurselor pentru planificarea EW și luarea deciziilor în timpul operațiunilor EW.

Identificarea informată a emițătorului de recunoașterea automată a modulării (AMR) permite să se distingă între emisiile de amenințări și cele care sunt prietenoase sau neutre. Amenințările de adaptare moderne au determinat nevoia de tehnici ML de detectare care pot recunoaște și caracteriza rapid detecțiile noi la viteza mașinii.

  • Detectarea anomaliei folosind caracteristici învățate. După învățarea unui set de caracteristici de modulare, acestea pot fi utilizate pentru clasificarea sau detectarea anomaliei.

Alocarea autonomă a resurselor oferă un mijloc util de cartografiere a datelor RF observate în emițători de amenințări adverse specifice observate.

  • Problema de alocare a resurselor. O modalitate de a aborda alocarea autonomă a resurselor este prin teoria probabilității bayesiene[67].

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.[68]

Sisteme fuzzy

Logica fuzzy permite urmărirea variațiile finite ale intrărilor, sistemele fuzzy încercând să semene cu metodologia umană de luare a deciziilor[69], 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[70].

Algoritmul genetic

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[71], inclusiv procesarea semnalului radar[72].

Provocări și considerații

În ciuda avantajelor promițătoare ale IA în comunicațiile EW, mai multe provocări și considerații trebuie abordate:

Preocupări etice și juridice: Utilizarea IA în război ridică întrebări etice cu privire la responsabilitate, transparență și aderarea la legile și normele internaționale. Trebuie depuse eforturi pentru a se asigura că sistemele EW bazate pe inteligență artificială respectă standardele legale și etice, în special în ceea ce privește siguranța civilă și drepturile omului.

Vulnerabilități la atacurile cibernetice: Rețelele de comunicații activate de IA sunt susceptibile la amenințări cibernetice, inclusiv hacking, malware și spionaj cibernetic. Trebuie implementate măsuri solide de securitate cibernetică pentru a proteja sistemele AI de intruziunile rău intenționate și pentru a asigura integritatea și confidențialitatea informațiilor sensibile.

Dependența excesivă de tehnologie: Dependența excesivă de inteligența artificială în comunicațiile EW poate duce la mulțumire și dependență de sistemele automate, ceea ce poate diminua gândirea critică și capacitățile de luare a deciziilor ale operatorilor umani. Este esențial să se găsească un echilibru între valorificarea AI pentru eficiență și menținerea supravegherii și controlului uman asupra operațiunilor EW.

Direcții viitoare

Privind în viitor, integrarea inteligenței artificiale în comunicațiile de război electronic este gata să continue să evolueze rapid. Domeniile cheie pentru dezvoltarea viitoare includ:

Progrese în învățarea automată: Cercetarea și dezvoltarea continuă a algoritmilor de învățare automată va duce la sisteme AI mai sofisticate, capabile de învățare adaptivă, auto-îmbunătățire și performanță îmbunătățită în medii complexe de război electronic.

Interoperabilitate și integrare: Eforturile de îmbunătățire a interoperabilității și integrării între sistemele EW conduse de AI și rețelele de comunicații existente vor permite colaborarea și coordonarea fără întreruperi între diversele active militare, inclusiv forțele terestre, aeriene și navale.

Cadre etice și de reglementare: Stabilirea de orientări etice clare și cadre de reglementare care guvernează utilizarea IA în comunicațiile EW este esențială pentru a asigura responsabilității și conduitei responsabile în război.

Concluzie

Inteligența artificială revoluționează comunicațiile de război electronic, oferind capabilități îmbunătățite de detectare, analiză și răspuns. Prin utilizarea sistemelor bazate pe inteligență artificială, forțele militare își pot îmbunătăți eficacitatea, eficiența și adaptabilitatea în scenariile de război electronic.

Viitorul IA în EW este direct legat de capacitatea de a proiecta sisteme autonome cu raționament independent bazat pe cunoștințe și expertize. Majoritatea UAV-urilor (drone) militare necesită în prezent o intervenție umană semnificativă pentru a-și executa misiunile. Sistemele operaționale actuale sunt mai mult automate decât autonome, dar există eforturi globale semnificative în cercetarea și dezvoltarea sistemelor autonome, deși există probleme de costuri și probleme organizaționale care limitează implementarea operațională a sistemelor autonome.

Viitorul războaielor este legat de IA, în ciuda tuturor problemelor specifice instituțiilor militare, precum capacitatea de a dezvolta și testa sisteme autonome sigure și controlabile și atractivitatea mai scăzută în sectorul aerospațial și apărare datorită finanțării mai mici față de industria privată.

Capacitățile viitoare ale IA includ IA generală (instruite pentru a îndeplini inclusiv sarcini din afara domeniului sau programării lor inițiale) și superinteligența artificială (care depășește abilitățile cognitive ale oamenilor în toate sferele de operare, cu viteze care depășesc cu mult capacitatea umană), introducând provocări pentru metodele tradiționale de planificare operațională.

Integrarea IA în comunicațiile de război electronic transformă domeniul prin îmbunătățirea procesării semnalului, detectarea amenințărilor, eficacitatea contramăsurilor și capacitățile strategice generale. Pe măsură ce tehnologia IA continuă să evolueze, rolul său în comunicațiile EW este de așteptat să crească, conducând la mecanisme de apărare mai sofisticate și mai rezistente împotriva amenințărilor electronice.

Cu toate acestea, provocările legate de etică, securitate cibernetică și supraveghere umană trebuie abordate pentru a valorifica întregul potențial al IA în comunicațiile EW în mod responsabil. Privind în perspectivă, cercetarea și dezvoltarea continuă în tehnologiile IA, împreună cu cadre etice și de reglementare solide, vor modela peisajul viitor al comunicațiilor de război electronic în anii următori.

Bibliografie

  • AIM. 2019. „The AIM Initiative: A Strategy for Augmenting Intelligence Using Machines”. 2019. https://www.dni.gov/index.php/newsroom/reports-publications/reports-publications-2019/3286-the-aim-initiative-a-strategy-for-augmenting-intelligence-using-machines.
  • Akhtar, Jabran, și Karl Erik Olsen. 2018. „A Neural Network Target Detector with Partial CA-CFAR Supervised Training”. În 2018 International Conference on Radar (RADAR), 1–6. https://doi.org/10.1109/RADAR.2018.8557276.
  • Allen, John, și Giampiero Massolo. 2020. The Global Race for Technological Superiority. Discover the Security Implication. Ediție de Fabio Rugge. Milan: Ledizioni.
  • Brooks, Risa. 2018. „Technology and Future War Will Test U.S. Civil-Military Relations”. War on the Rocks. 26 noiembrie 2018. https://warontherocks.com/2018/11/technology-and-future-war-will-test-u-s-civil-military-relations/.
  • BSI. 2023. „Federal Office for Information Security”. Federal Office for Information Security. 6 noiembrie 2023. https://www.bsi.bund.de/EN/Home/home_node.html.
  • Casterline, Kyle A., Nicholas J. Watkins, Jon R. Ward, William Li, și Matthew J. Thommana. 2022. „Applications of Machine Learning for Electronic Warfare Emitter Identification and Resource Management”. https://secwww.jhuapl.edu/techdigest/content/techdigest/pdf/V36-N02/36-02-Casterline.pdf.
  • Coats, Daniel. 2021. „Intelligence Community Information Environment (IC IE) – Data Strategy”. https://www.dni.gov/files/documents/CIO/Data-Strategy_2017-2021_Final.pdf.
  • Congressional Research Service. 2020. „Artificial Intelligence and National Security (R45178)”. 2020. https://crsreports.congress.gov/product/details?prodcode=R45178.
  • CRA. 2017. „Internet of Battlefield Things (IoBT) CRA – DEVCOM Army Research Laboratory”. 2017. https://arl.devcom.army.mil/cras/iobt-cra/.
  • CS Europe. 2023. „Cyber Security Europe | Cyber Security Insight for Boardroom and C-Suite Executives.” Cyber Security Europe. 2023. https://www.cseurope.info/.
  • Davenport, Thomas, și Ravi Kalakota. 2019. „The Potential for Artificial Intelligence in Healthcare”. Future Healthc J 6 (2): 94–98. https://doi.org/10.7861/futurehosp.6-2-94.
  • Davis, Zachary. 2019. „Artificial Intelligence on the Battlefield: Implications for Deterrence and Surprise”. PRISM 8 (2): 114–31.
  • Day, Peter. 2016. „Peter Day’s World of Business Podcast”. 2016. http://downloads.bbc.co.uk/podcasts/radio/worldbiz/worldbiz_20150319-0730a.mp3.
  • De Spiegeleire, Stephan, Matthijs Maas, și Tim Sweijs. 2017. Artificial Intelligence and the Future of Defense.
  • Department of Defense. 2018. „Summary of the 2018 National Defense Strategy”. https://dod.defense.gov/Portals/1/Documents/pubs/2018-National-Defense-Strategy-Summary.pdf.
  • Elbir, Ahmet M., Kumar Vijay Mishra, și Yonina C. Eldar. 2019. „Cognitive Radar Antenna Selection via Deep Learning”. arXiv. https://doi.org/10.48550/arXiv.1802.09736.
  • EMK, SU. 2023. „ECHO Network”. 2023. https://echonetwork.eu/.
  • 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.
  • Gambrell, Dorothy, și Charissa Isidro. 2022. „A Visual Guide to the World’s Military Budgets”. Bloomberg.Com, 11 martie 2022. https://www.bloomberg.com/news/features/2022-03-11/the-largest-militaries-visualized.
  • Gannon, Brian P. 2023. „Implement AI in Electromagnetic Spectrum Operations”. U.S. Naval Institute. 1 august 2023. https://www.usni.org/magazines/proceedings/2023/august/implement-ai-electromagnetic-spectrum-operations.
  • Gigova, Radina. 2017. „Who Putin thinks will rule the world | CNN”. 2017. https://edition.cnn.com/2017/09/01/world/putin-artificial-intelligence-will-rule-world/index.html.
  • Goodfellow, Ian, Yoshua Bengio, și Aaron Courville. 2016. Deep Learning: Adaptive Computation and Machine Learning Series. MIT Press.
  • Gulhane, Tejaswi Singh and Amit. 2018. „8 Key Military Applications for Artificial Intelligence”. 2018. https://blog.marketresearch.com/8-key-military-applications-for-artificial-intelligence-in-2018.
  • Hamilton, Serena, A.J. Jakeman, și John Norton. 2008. „Artificial Intelligence techniques: An introduction to their use for modelling environmental systems”. Mathematics and Computers in Simulation 78 (iulie): 379–400. https://doi.org/10.1016/j.matcom.2008.01.028.
  • Junfei, Yu, Li Jingwen, Sun Bing, și Jiang Yuming. 2018. „Barrage Jamming Detection and Classification Based on Convolutional Neural Network for Synthetic Aperture Radar”. În IGARSS 2018 – 2018 IEEE International Geoscience and Remote Sensing Symposium, 4583–86. https://doi.org/10.1109/IGARSS.2018.8519373.
  • Kadlecová, Lucie, Nadia Meyer, Rafaël Cos, și Pauline Ravinet. 2020. „Mapping the Role of Science Diplomacy in the Cyber Field”.
  • Kang, Li, Jiu Bo, Liu Hongwei, și Liang Siyuan. 2018. „Reinforcement Learning based Anti-jamming Frequency Hopping Strategies Design for Cognitive Radar”. În 2018 IEEE International Conference on Signal Processing, Communications and Computing (ICSPCC), 1–5. https://doi.org/10.1109/ICSPCC.2018.8567751.
  • Lee, Gyeong-Hoon, Jeil Jo, și Cheong Hee Park. 2020. „Jamming Prediction for Radar Signals Using Machine Learning Methods”. Security and Communication Networks 2020 (ianuarie): e2151570. https://doi.org/10.1155/2020/2151570.
  • Li, Huiqin, Yanling Li, Chuan He, Jianwei Zhan, și Hui Zhang. 2021. „Cognitive Electronic Jamming Decision-Making Method Based on Improved Q -Learning Algorithm”. International Journal of Aerospace Engineering 2021 (decembrie): 1–12. https://doi.org/10.1155/2021/8647386.
  • Li, Yangyang, Ximing Wang, Dianxiong Liu, Qiuju Guo, Xin Liu, Jie Zhang, și Yitao Xu. 2019. „On the Performance of Deep Reinforcement Learning-Based Anti-Jamming Method Confronting Intelligent Jammer”. Applied Sciences 9 (7): 1361. https://doi.org/10.3390/app9071361.
  • Liao, Xiaofeng, Bo Li, și 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 (noiembrie): e1458962. https://doi.org/10.1155/2018/1458962.
  • Liu, Yemin, Shiqi Xing, Y. Li, Dong Hou, și 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.
  • Magrassi, Paolo. 2002a. Why a Universal RFID Infrastructure Would Be a Good Thing.
  • ———. 2002b. A World of Smart Objects: The Role of Auto-Identification Technologies.
  • MeriTalk. 2018. „DARPA Floats a Proposal for the Ocean of Things”. 2018. https://www.meritalk.com/articles/darpa-floats-a-proposal-for-the-ocean-of-things/.
  • Microwaves, Microwaves & RF. 2019. „BAE Bets on Use of Artificial Intelligence in Electronic Warfare”. Microwaves & RF. 15 iulie 2019. https://www.mwrf.com/markets/defense/article/21849838/bae-systems-bae-bets-on-use-of-artificial-intelligence-in-electronic-warfare.
  • Ministry of Defence. 2021a. „Data Strategy for Defence”. GOV.UK. 2021. https://www.gov.uk/government/publications/data-strategy-for-defence.
  • ———. 2021b. „Digital Strategy for Defence”. GOV.UK. 2021. https://www.gov.uk/government/publications/digital-strategy-for-defence-delivering-the-digital-backbone-and-unleashing-the-power-of-defences-data.
  • ———. 2022. „Defence Artificial Intelligence Strategy”. GOV.UK. 2022. https://www.gov.uk/government/publications/defence-artificial-intelligence-strategy/defence-artificial-intelligence-strategy.
  • Petrov, Nedyalko, Ivan Jordanov, și 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 (ianuarie): 1192–1200. https://doi.org/10.1016/j.procs.2013.09.206.
  • Polit, Kate. 2018. „Army Takes on Wicked Problems With the Internet of Battlefield Things”. 2018. https://www.meritalk.com/articles/army-takes-on-wicked-problems-with-the-internet-of-battlefield-things/.
  • Qiang, Xing, Zhu Wei-gang, și Bo Yuan. 2018. „Jamming Style Selection for Small Sample Radar Jamming Rule Base”. 2018 IEEE International Conference on Signal Processing, Communications and Computing (ICSPCC), septembrie, 1–5. https://doi.org/10.1109/ICSPCC.2018.8567613.
  • Sfetcu, Nicolae. 2023. „Evoluția inteligenței artificiale în domeniul securității naționale”. Intelligence Info. 10 noiembrie 2023. https://www.intelligenceinfo.org/evolutia-inteligentei-artificiale-in-domeniul-securitatii-nationale/.
  • Shao, Guangqing, Yushi Chen, și 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, și 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.
  • Simonite, Tom. 2017. „Artificial Intelligence Fuels New Global Arms Race”. Wired, 2017. https://www.wired.com/story/for-superpowers-artificial-intelligence-fuels-new-global-arms-race/.
  • Smith, Craig. 2019. „Eye On AI”. Eye On AI. 28 august 2019. https://www.eye-on.ai.
  • SPARTA. 2023. „SPARTA Consortium”. 2023. https://www.cybersecurityintelligence.com/sparta-consortium-5594.html.
  • Stackpole, Beth. 2016. „Keeping the Connected Soldier Connected with Simulation”. Digital Engineering. 1 septembrie 2016. https://www.digitalengineering247.com/article/keeping-the-connected-soldier-connected-with-simulation.
  • State Council. 2017. „A Next Generation Artificial Intelligence Development Plan”. China Copyright and Media (blog). 20 iulie 2017. https://chinacopyrightandmedia.wordpress.com/2017/07/20/a-next-generation-artificial-intelligence-development-plan/.
  • Tang, Author: Hazel. 2020. „Preparing for the Future of Artificial Intelligence. Executive Office of the President: National Science and Technology Council and Committee on Technology. October, 2016.” AIMed (blog). 9 aprilie 2020. https://ai-med.io/executive/preparing-for-the-future-of-artificial-intelligence-executive-office-of-the-president-national-science-and-technology-council-and-committee-on-technology-october-2016/.
  • Tegler, Eric. 2022. „The Vulnerability of AI Systems May Explain Why Russia Isn’t Using Them Extensively in Ukraine”. Forbes. 2022. https://www.forbes.com/sites/erictegler/2022/03/16/the-vulnerability-of-artificial-intelligence-systems-may-explain-why-they-havent-been-used-extensively-in-ukraine/.
  • Tegmark, Max. 2018. „Life 3.0: Being Human in the Age of Artificial Intelligence | Mitpressbookstore”. 31 iulie 2018. https://mitpressbookstore.mit.edu/book/9781101970317.
  • Tucker, Patrick. 2022. „AI Is Already Learning from Russia’s War in Ukraine, DOD Says”. Defense One. 21 aprilie 2022. https://www.defenseone.com/technology/2022/04/ai-already-learning-russias-war-ukraine-dod-says/365978/.
  • Vincent, James. 2017. „Elon Musk and AI Leaders Call for a Ban on Killer Robots”. The Verge. 21 august 2017. https://www.theverge.com/2017/8/21/16177828/killer-robots-ban-elon-musk-un-petition.
  • Waghray, Namrita, și P. M. Menghal. 2011. „Simulation of radar topology networks to evolve the electronic warfare survivability metrics”. 2011 3rd International Conference on Electronics Computer Technology, aprilie, 355–59. https://doi.org/10.1109/ICECTECH.2011.5941622.
  • Wan, Tao, Xinying Fu, Kaili Jiang, Yuan Zhao, și 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.
  • Wei, Dongxu, Shuning Zhang, Si Chen, Huichang Zhao, și 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.
  • Weisgerber, Marcus. 2017. „The Pentagon’s New Algorithmic Warfare Cell Gets Its First Mission: Hunt ISIS”. Defense One. 14 mai 2017. https://www.defenseone.com/technology/2017/05/pentagons-new-algorithmic-warfare-cell-gets-its-first-mission-hunt-isis/137833/.

Note

[1] (Gannon 2023)

[2] (H. Li et al. 2021)

[3] (Gannon 2023)

[4] (Sfetcu 2023)

[5] (Day 2016)

[6] (Magrassi 2002a)

[7] (Magrassi 2002b)

[8] (Coats 2021)

[9] (Congressional Research Service 2020)

[10] (Tang 2020)

[11] (Smith 2019)

[12] (Congressional Research Service 2020)

[13] (Kadlecová et al. 2020)

[14] (Kadlecová et al. 2020)

[15] (Davenport și Kalakota 2019)

[16] (CS Europe 2023)

[17] (EMK 2023)

[18] (SPARTA 2023)

[19] (CRA 2017)

[20] (State Council 2017)

[21] (Simonite 2017)

[22] (Polit 2018)

[23] (MeriTalk 2018)

[24] (Kadlecová et al. 2020)

[25] (Department of Defense 2018)

[26] (AIM 2019)

[27] (Weisgerber 2017)

[28] (Stackpole 2016)

[29] (Ministry of Defence 2021b)

[30] (Ministry of Defence 2021a)

[31] (Ministry of Defence 2022)

[32] (Tegler 2022)

[33] (Gigova 2017)

[34] (BSI 2023)

[35] (Tucker 2022)

[36] (Gambrell și Isidro 2022)

[37] (Vincent 2017)

[38] (Sfetcu 2023)

[39] (Allen și Massolo 2020)

[40] (Liao, Li, și Yang 2018)

[41] (Sharma, Sarma, și Mastorakis 2020)

[42] (Davis 2019)

[43] (Brooks 2018)

[44] (Sharma, Sarma, și Mastorakis 2020)

[45] (Davis 2019)

[46] (Microwaves 2019)

[47] (De Spiegeleire, Maas, și Sweijs 2017)

[48] (Gulhane 2018)

[49] (Friedrich 2020)

[50] (Tegmark 2018)

[51] (Shao, Chen, și Wei 2020)

[52] (Junfei et al. 2018)

[53] (Lee, Jo, și Park 2020)

[54] (Liu et al. 2017)

[55] (Kang et al. 2018)

[56] (Akhtar și Olsen 2018)

[57] (Sharma, Sarma, și Mastorakis 2020)

[58] (Petrov, Jordanov, și Roe 2013)

[59] (Wan et al. 2019)

[60] (Shao, Chen, și Wei 2020)

[61] (Goodfellow, Bengio, și Courville 2016)

[62] (Lee, Jo, și Park 2020)

[63] (Y. Li et al. 2019)

[64] (Kang et al. 2018)

[65] (Qiang, Wei-gang, și Yuan 2018)

[66] (Casterline et al. 2022)

[67] (Casterline et al. 2022)

[68] (Elbir, Mishra, și Eldar 2019)

[69] (Hamilton, Jakeman, și Norton 2008)

[70] (Waghray și Menghal 2011)

[71] (Wei et al. 2019)

[72] (Waghray și Menghal 2011)

 

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/).

4 mart. 2024

Digitalizare și Inovare în administrația publică

de | postat în: Știri | 0

Dr. ec. Ioana Petcu

Digitalizare și Inovare în administrația publică

Organizat de ICI București, în colaborare cu Ghidul Primăriilor

 

In data de 22 februarie 2024, ICI București alaturi cu Ghidul Primăriilor a organizat evenimentul „Digitalizare și Inovare în administrația publică”, avand ca scop schimbul de idei și bune practici cu privire la utilizarea tehnologiei în modernizarea serviciilor publice.

Evenimentul a reunit peste 40 de UAT-uri care au descoperit cum pot beneficia de tehnologii precum blockchain in vederea  îmbunătățirii serviciile publice și construirea unui brand puternic pentru orașul, comuna sau sectorul pe care îl reprezintă.

Temele propuse au vizat securitatea cibernetica, dezvoltarea competențelor digitale, platforme digitale de interoperabilitate ce facilitează interacțiunea cu cetăţenii, mediul academic, companii private sau societatea civilă.

În deschiderea evenimentului, Dr. Ing. Adrian Victor VEVERA, Director General ICI București a subliniat importanța digitalizării în administrație, iar Dl. George TURCU, Managing Partner Ghidul Primăriilor și moderator al evenimentului a afirmat ca Ghidul Primăriilor este un spațiu de colaborare, susținere, educație și promovare pentru administrația locală.

In continuare a fost prezentarea d-lui dr. ing. Paul NICULESCU-MIZIL GHEORGHE, Şef Compartiment Transfer Tehnologic la ICI București, despre “Blockchain și active digitale NFT-uri”, prezentând oportunitățile pe care le oferă tehnologiile Blockchain și NFT-urile pentru administrațiile locale si soluțiile inovatoare de economisire a cheltuielilor prin emisiune de colecţii, în vederea realizării unui brand de oraș/ comună. Primul marketplace-ul instituțional pentru NFT-uri este realizat de ICI București în colaborare cu MultiversX, iar ICI D|SERVICES reprezintă o platformă de generație următoare de tip Web3 și este prima platformă instituțională de tranzacționare de active digitale NFT din Europa.

Prezentarea dl-ui. Florin VIDU, Șef al Serviciului ICISOC – furnizor de servicii de Securitate cibernetică din cadrul ICI București, a prezentat serviciile integrate de tip SOC (Security Operation Center) (precum detecție și blocare intruziuni; detecție anomalii; detecție vulnerabilități; identificare incidente și evenimente în timp real și elaborare analize detaliate de Securitate), Servicii de consultanță pentru elaborarea de planuri/norme/proceduri personalizate în scopul creșterii nivelului de securitate informatică și o platformă software pentru lucru colaborativ și backup centralizat pusă la dispoziția autorităților locale.

D-na dr.ec. Ioana PETCU, cercetător științific III și manager de proiecte de digitalizare în cadrul Serviciului Cloud Computing ICIPRO, a prezentat în cadrul secțiunii dedicate competențelor digitale, gama variată de cursuri de formare și perfecționare de competențe specifice domeniului IT&C oferite de Centrul de Pregătire și Formare Profesională Continuă al ICI București. Răspunzând întrebărilor venite din sală, d-na Petcu a subliniat faptul că aceste cursuri se adresează atât angajaților din sectorul public, cât și cetăţenilor prin autoritățile locale care pot accesa fonduri pentru dezvoltarea competențelor digitale, aspect care a stârnit interesul publicului prezent la eveniment.

În continuare d-na Petcu a trecut în revistă pilonii digitalizării în administrația publică, explicând concepte cheie precum digitizare, digitalizare, transformare digitală, automatizare și inovare, făcând o trecere firească la următoarea prezentare Platforme digitale de interoperabilitate în interacţiunea cu cetăţenii.

Dl. mat. Paul Vasile, Sef Serviciu Securitate cibernetică alături de Dl. Victor Ştefan Cucu, programator în cadrul aceluiași serviciu, au prezentat un exemplu de bună practică pentru administraţia publică – o platformă de interoperabilitate pentru interacţiunea digitală cu cetățenii, soluție digitală dezvoltată, implementată și pusă în funcţiune de ICI București în cadrul unui UAT.

Evenimentul „Digitalizare și Inovare în administrația publică” a marcat astfel debutul unei serii de evenimente dedicate procesului de digitalizare în administrația publică.

28 feb. 2024

Consolidarea Frontului Digital: O Abordare Comunitară în Securitatea Cibernetică

de | postat în: Știri | 0

Evenimentul „Cyber Security Talks” organizat de La French Tech Bucharest a evidențiat importanța colaborării și educației în domeniul securității cibernetice. Speakerii, printre care Ciprian Covas de la Leroy Merlin și Maria Manuela Catrina de la Direcția Națională pentru Securitate Cibernetică, au subliniat că lupta împotriva amenințărilor cibernetice necesită un efort comun, implicând atât specialiștii din sectorul public, cât și pe cei din sectorul privat. Subliniind că securitatea cibernetică este un „sport de echipă”, evenimentul a evidențiat nevoia de educație continuă și conștientizare pentru a întări apărarea digitală.

Dezbaterile au inclus și rolul inteligenței artificiale (AI) în detectarea și prevenirea atacurilor cibernetice. În primul rând, AI aduce o eficiență sporită în detectarea atacurilor cibernetice prin analiza datelor și identificarea modelelor comportamentale suspecte în rețelele informatice. Folosind algoritmi de învățare automată, AI poate recunoaște rapid activități neobișnuite sau semne ale unor posibile atacuri, contribuind astfel la identificarea și neutralizarea acestora într-un timp cât mai scurt.

Pe lângă eficiența în detectarea atacurilor, AI oferă și o capacitate remarcabilă de scalabilitate și adaptabilitate. Prin procesarea rapidă a cantităților mari de date în timp real, AI poate răspunde prompt la amenințările cibernetice în schimbare constantă și poate adapta strategiile de apărare pentru a face față noilor tactici și tehnici de atac introduse de infractori.

Un alt aspect important al rolului AI în securitatea cibernetică este automatizarea răspunsului la amenințări. Sistemele AI pot fi programate să reacționeze automat la detectarea unei amenințări, blocând accesul utilizatorilor sau izolând părți ale rețelei pentru a preveni răspândirea atacului. Această capacitate de acțiune autonomă poate reduce semnificativ timpul de răspuns și poate minimiza impactul atacurilor cibernetice.

Totuși, este important să recunoaștem că utilizarea AI în securitatea cibernetică nu este lipsită de riscuri și provocări. Există posibilitatea ca atacatorii să exploateze vulnerabilitățile sau să manipuleze algoritmii AI pentru a evita detectarea sau pentru a genera atacuri mai sofisticate. Prin urmare, este crucial ca organizațiile să abordeze cu atenție și să gestioneze aceste riscuri în implementarea și utilizarea sistemelor AI în strategiile lor de securitate cibernetică. Experți ca Andrei Avădănei, fondatorul Bit Sentinel, și Adrian Furtună de la Pentest-Tools.com, au evidențiat dualitatea AI, care, pe lângă faptul că poate îmbunătăți semnificativ eficiența apărării cibernetice, prezintă riscuri prin potențialul său de a fi exploatată de atacatori pentru a dezvolta metode de atac mai sofisticate.

Mihail Andrieș, CISO la BRD – Groupe Societe Generale, și alți speakeri au subliniat necesitatea unei schimbări de mentalitate atât la nivel individual cât și organizațional. Această schimbare presupune conștientizarea permanentă a riscurilor cibernetice și adoptarea unei strategii pe termen lung pentru securitatea cibernetică, integrată în cultura organizațională și practicile zilnice. AI poate juca un rol crucial în facilitarea acestei schimbări de mentalitate și în integrarea unei strategii pe termen lung pentru securitatea cibernetică. Prin capacitatea sa de analiză avansată a datelor, AI poate identifica modele și tendințe în comportamentul utilizatorilor și al sistemelor informatice, ajutând organizațiile să anticipeze și să prevină potențialele amenințări înainte ca acestea să devină probleme majore. Totuși, aceasta implică nu doar adoptarea tehnologiilor AI, ci și dezvoltarea capacităților interne pentru a gestiona și monitoriza aceste sisteme în mod eficient.

Evenimentul a pus accent pe importanța colaborării intersectoriale, încurajând parteneriate între sectorul public, cel privat și mediul academic pentru a dezvolta soluții inovative în securitatea cibernetică. S-au oferit exemple concrete și argumente care evidențiază necesitatea acestei colaborări intersectoriale:

  1. Parteneriate între sectoare: Speakerii au pus accentul pe beneficiile colaborării între diferite sectoare pentru a face față amenințărilor cibernetice. De exemplu, un reprezentant al unei companii private a evidențiat importanța parteneriatelor cu organizațiile guvernamentale în schimbul de informații și resurse pentru a contracara amenințările cibernetice.
  2. Dezvoltarea de proiecte comune: S-a discutat despre necesitatea dezvoltării de proiecte comune între sectorul public, privat și academic pentru a inova în domeniul securității cibernetice. Un exemplu menționat a fost crearea unor centre de cercetare și dezvoltare care să adune experți din diverse sectoare pentru a lucra împreună la identificarea și soluționarea problemelor legate de securitatea digitală.
  3. Partajarea de cunoștințe și experiență: Participanții au subliniat importanța partajării de cunoștințe și experiențe între diferitele sectoare pentru a îmbunătăți înțelegerea și abordarea amenințărilor cibernetice. Aceasta ar putea include schimbul de bune practici, colaborarea la proiecte de cercetare și organizarea de evenimente de formare și conștientizare în comun.
  4. Îmbunătățirea continuă a mecanismelor de apărare: Un alt aspect evidențiat a fost necesitatea unei abordări proactive în îmbunătățirea continuă a mecanismelor de apărare împotriva amenințărilor cibernetice. Prin colaborarea intersectorială, organizațiile pot identifica mai rapid și pot răspunde mai eficient la noile tipuri de atacuri și vulnerabilități.

„Cyber Security Talks” reafirmă că securitatea cibernetică este o responsabilitate comună, care necesită implicarea activă a tuturor actorilor din societate. Evenimentul a fost un apel la acțiune pentru creșterea nivelului de conștientizare și educație în domeniul securității cibernetice, subliniind importanța unei strategii integrate pe termen lung pentru a face față provocărilor din acest domeniu în continuă evoluție. În lumina discuțiilor intense purtate la eveniment și a complexității tot mai mari a amenințărilor cibernetice în societatea modernă, devine tot mai evidentă importanța urmării unor cursuri în domeniul securității cibernetice.

Aceste cursuri, fie ele la nivel de licență, master sau post universitare, reprezintă nu doar o modalitate de a acumula cunoștințe teoretice și practice în domeniul securității cibernetice, ci sunt, în esență, un angajament către protejarea propriei securități digitale și contribuirea la securitatea colectivă a societății.

Atunci când vorbim despre rolul acestora, putem să ne gândim la ele ca la un bastion al conștientizării riscurilor cibernetice. Ele oferă participanților nu doar cunoștințe despre tipurile de amenințări cu care se confruntă mediul online, ci și instrumentele și strategiile necesare pentru a contracara aceste amenințări.

 

Dar mai mult decât atât, urmarea unor cursuri în securitate cibernetică deschide uși către oportunități de carieră din ce în ce mai valoroase într-o lume în care securitatea informațională devine tot mai critică pentru organizații. Profesioniștii calificați în acest domeniu sunt tot mai căutați și apreciați, iar aceste cursuri pot reprezenta baza solidă pentru o carieră de succes în securitatea cibernetică.

Însă impactul urmării unor astfel de cursuri nu se oprește la nivel individual sau profesional. Ele aduc și o contribuție semnificativă la securitatea colectivă a societății. Cu cât avem mai mulți cetățeni conștienți și pregătiți să facă față amenințărilor cibernetice, cu atât suntem mai bine protejați în fața acestor riscuri.

 

Referințe:

Redactat de Horia Tudor. Informațiile și analizele prezentate în acest document se bazează pe informații extrase din „Cyber Security Talks by La French Tech Bucharest. Securitatea cibernetică este un „sport“ de echipă. Ne bazăm unii pe alţii pentru a crea un mediu digital protejat şi pentru asta avem nevoie de oameni calificaţi” – Ziarul Financiar

25 feb. 2024

Studii de caz privind atacurile cibernetice – Amenințările persistente avansate

de | postat în: Arhiva, Numărul 2, Securitate cibernetică, Volumul 3 | 0

IT & C - Descarcă PDFSfetcu, Nicolae (2024), Studii de caz privind atacurile cibernetice – Amenințările persistente avansate, IT & C, 3:2, 60-71, DOI: 10.58679/IT23220, https://www.internetmobile.ro/studii-de-caz-privind-atacurile-cibernetice-amenintarile-persistente-avansate/

 

Cyber Attack Case Studies – Advanced Persistent Threats

Abstract

In the rapidly evolving technology landscape, the proliferation of cyberattacks has become a pervasive threat, permeating every sector of society. From government institutions to private businesses and individual users, no entity is immune to the pernicious effects of cybercrime. Understanding the anatomy of past cyberattacks is crucial to strengthening defenses and fostering resilience in the face of future threats. These incidents underscore the importance of cybersecurity measures and the constant need for vigilance against evolving cyber threats.

Keywords: cyberattacks. advanced persistent threats, Titan Rain., Sykipot, GhostNet, Stuxnet, Duqu, Flame, Carbanak, Red October

Rezumat

În peisajul cu evoluție rapidă a tehnologiei, proliferarea atacurilor cibernetice a devenit o amenințare omniprezentă, pătrunzând în fiecare sector al societății. De la instituții guvernamentale la întreprinderi private și utilizatori individuali, nicio entitate nu este imună la efectele pernicioase ale criminalității informatice. Înțelegerea anatomiei atacurilor cibernetice din trecut este crucială pentru întărirea apărării și încurajarea rezilienței în fața amenințărilor viitoare. Aceste incidente subliniază importanța măsurilor de securitate cibernetică și nevoia constantă de vigilență împotriva amenințărilor cibernetice în evoluție.

Cuvinte cheie: atacuri cibernetice. amenințările persistente avansate, Titan Rain., Sykipot, GhostNet, Stuxnet, Duqu, Flame, Carbanak, Red October

 

IT & C, Volumul 3, Numărul 2, Iunie 2024, pp. 60-71
ISSN 2821 – 8469, ISSN – L 2821 – 8469, DOI: 10.58679/IT23220
URL: https://www.internetmobile.ro/studii-de-caz-privind-atacurile-cibernetice-amenintarile-persistente-avansate/
© 2024 Nicolae Sfetcu. Responsabilitatea conținutului, interpretărilor și opiniilor exprimate revine exclusiv autorilor.

 

Studii de caz privind atacurile cibernetice – Amenințările persistente avansate

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 peisajul cu evoluție rapidă a tehnologiei, proliferarea atacurilor cibernetice a devenit o amenințare omniprezentă, pătrunzând în fiecare sector al societății. De la instituții guvernamentale la întreprinderi private și utilizatori individuali, nicio entitate nu este imună la efectele pernicioase ale criminalității informatice.

În ultimul timp numărul atacurilor prin amenințări persistente avansate (APT), cele mai subtile atacuri cibernetice, a crescut rapid și au fost raportate numeroase incidente de securitate. Adversarii exploatează adesea faptul că majoritatea eforturilor de protecție merg în protecția perimetrului, neglijând interiorul infrastructurii[1], de exemplu, zona demilitarizată (DMZ), dar intensitatea supravegherii este limitată. Instrumentele specializate pentru detectarea intruziunilor sau prevenirea intruziunilor necesită o cantitate mare de resurse administrative și umane pentru a monitoriza rezultatul acestor sisteme. Detectarea atacurilor APT a devenit obiectul unor cercetări ample. Motoarele de înregistrare (de exemplu, syslog) sau soluții de gestionare a jurnalelor (de exemplu, Graylog) sunt utile, dar detectarea de evenimente în aceste fișiere jurnal este insuficientă. În această idee, AECID (Automatic Event Corelation for Incident Detection)[2] aplică liste albe și monitorizează evenimentele din sistem și interdependența dintre diferitele sistem, fiind capabil să obțină o imagine de ansamblu asupra comportamentului „normal” al infrastructurii[3].

Modalități de contracarare a atacurilor cibernetice

Pe măsură ce tărâmul digital continuă să se extindă și să se interconecteze, arsenalul de tehnici folosite de actori rău intenționați devine din ce în ce mai sofisticat și divers. Examinarea unora dintre cele mai notorii atacuri cibernetice pune în lumină natura multifațetă a acestei amenințări omniprezente și subliniază imperativul măsurilor proactive de securitate cibernetică.

Rass, König, și Schauer[4] iau în considerare teoria jocurilor ca o unealtă naturală de analiză a conflictelor de interese în cazul APT[5] care, împreună cu modele bazate pe agenți[6], poate fi aplicată pentru analiză și cuantificarea riscului. De asemenea, discută despre jocurile cu matrice ca un model adecvat pentru a explica ceea ce poate face victima împotriva unei APT[7], și propune o formă nouă de captare a incertitudinii de profit în modele teoretice de joc.

Investigarea comunităților de hackeri[8] (din forumurile dark-web)[9] poate ajuta la identificarea vulnerabilităților zero-day înainte de a fi exploatate. Cercetarea în acest domeniu are potențialul de a avea un impact social ridicat[10].

În Vukalovic și Delija[11], autorii au discutat despre educarea utilizatorilor și implementarea unor politici și reguli statice mai stricte pentru a detecta anomalii.

În Ussath et al.[12], autorii au analizat mai multe rapoarte și au ajuns la concluzia că spear-phishing este cea mai comună abordare aleasă pentru compromisul inițial, și eliminarea acreditărilor este cea mai frecventă metodă pentru mișcarea laterală.

Chen și Desmet[13] au studiat atacurile APT, contramăsurile care trebuie luate și câteva metode de detectare a APT.

Tankard și colab.[14] au studiat atacurile APT și au explicat diferitele etape ale atacurilor și tehnicile de detectare, inclusiv metodele de monitorizare pentru a detecta APT într-o rețea uriașă.

Studii de caz

Studiile de caz din lumea reală oferă informații valoroase despre succes și scenarii de detecție a atacurilor cibernetice, inclusiv APT, nereușite. Analizarea incidentelor și a metodelor corespunzătoare de detectare aplicate permit o înțelegere mai profundă a provocărilor și se constituie în lecții pentru combaterea amenințărilor.

APT au început în sectoare de securitate națională, dar și-au extins domeniul de aplicare la sectoarele neguvernamentale comerciale și financiare. Symantec, în 2018 Internet Security Threat Report, volumul 23[15], afirmă că APT folosesc ransomware ca instrument de atac. Alshamrani et al.[16] detaliază principalele atacuri APT cunoscute până în prezent:

Titan Rain

În 2003, o serie de atacuri cibernetice coordonate au infiltrat mai multe computere și rețele în instituțiile de apărare din SUA. Acestea au continuat până la sfârșitul anului 2015, furând informații neclasificateprin utilizarea înșelăciunilor și a folosirii vectorilor de atac multipli[17]. Hackerii din China au condus campania Titan Rain împotriva țintelor guvernului american în încercarea de a fura secrete de stat sensibile. Atacatorii au vizat date militare și au lansat atacuri APT asupra sistemelor de vârf ale agențiilor guvernamentale, inclusiv NASA și FBI. Analiștii de securitate au indicat Armata Populară Chineză de Eliberare drept sursa atacurilor.

Sykipot

Programele malware Sykipot APT exploatează defecte în Adobe Reader și Acrobat. A fost detectat în 2006, și au continuat până în 2013. Familia de malware Sykipot a fost folosită în APTca parte a unei serii de lungă durată de atacuri cibernetice, vizând în principal organizațiile din SUA și Marea Britanie, folosind un atac de tip spear phishing cu linkuri și atașamente rău intenționate care conțineau exploit-uri zero-day[18].

GhostNet

Atacul GhostNet a fost descoperit în 2009, fiind executat din China prin mesaje de tip spear phishing, compromițând computere din peste 100 de țări. Ținte au fost ministerele și ambasadele guvernamentale, transformându-le în surse de ascultare și înregistrare prin pornirea de la distanță a camerelor și a capabilităților de înregistrare audio[19].

Operațiunea Aurora

Operațiunea Aurora a fost lansată în 2009, vizând diferite companii comerciale, folosind troianul Hydraq. A folosit mai multe componente malware criptate în mai multe straturi. Google, care a anunțat acest atac, a fost una dintre victime, urmat de Adobe. Numele „Aurora” vine din malware injectat în timpul compilării acestuia pe mașina atacatorilor, folosind un exploit zero-day în Internet Explorer (CVE-2010-0249 și MS10-002)[20] pentru a stabili un punct de sprijin. Una dintre componente a creat un backdoor, permițând accesul în rețea. Mai înainte, malware-ul exploatase o vulnerabilitate din aplicațiile Adobe Reader și Acrobat (CVE-2009-1862). Atacurile au continuat câteva luni în diferite țări de pe glob sub diferite variante ale troianului Hydraq. Malware-ul aduna informații despre sistem și rețea, și colecta numele de utilizator și parolele într-un fișier trimis apoi centrului de comandă și control cu IP sau nume de domeniu codificat[21].

Stuxnet

Stuxnet a fost lansat în 2009 și descoperit în 2010, un vierme sofisticat cu scopul de a împiedica proiectul nuclear al Iranului. Folosea criptarea XOR cu o cheie statică (OxFF) pentru a decripta părți din sarcina utilă și o cheie fixă de 32 de octeți pentru a codifica datele pe care le trimitea la serverul C&C, folosind din nou un algoritm XOR[22]. Acesta a exploatat o vulnerabilitate zero-day găsită în fișierul LNK al Windows Explorer. Microsoft i-a dat denumirea Stuxnet, o combinație de nume de fișiere găsite în codul rău intenționat (.stub și MrxNet.sys). Ulterior s-a descoperit că acesta a folosit și o vulnerabilitate în spoolerul de imprimantă al computerelor Windows, răspândindu-se pe toate calculatoarele care au partajat imprimanta, și 2 vulnerabilități în fișierul tastaturii Windows și fișierul Task Scheduler pentru a obține controlul deplin prin escaladarea privilegiilor. A folosit o parolă codificată într-un software Siemens Step7 pentru a infecta serverele de baze de date cu Step7 și de acolo alte mașini conectate. După prima intruziune, acesta trimite IP-ul intern și IP-ul public al sistemului respectiv împreună cu numele computerului, sistemul de operare și informații despre Siemens Step7, către una dintre cele 2 servere de comandă din 2 țări diferite. Malware-ul a infectat sistemul, și s-a actualizat cu o nouă funcționalitate. Ulterior au fost infectate și alte computere din mai multe țări[23]. Stuxnet a folosit 4 vulnerabilități zero-day, 2 certificate furate și 2 centre de comandă și control. Inteligent și stratificat, putea fi modificat de atacatori prin centrele de comandă și control folosind peste 400 de elemente în fișierul său de configurare. Activitatea sa s-a încheiat în 2012, încetinind procesul de generare a armelor nucleare[24].

Duqu

Duqu a fost detectat în septembrie 2011, dar a fost activ din februarie 2010. Are asemănări cu Stuxnet, dar obiectiv diferit (spionajul) [25]. A infectat cca. 50 de ținte în întreaga lume. După infecția inițială, a rămas activ timp de 30 de zile înainte de a se autodistruge. Infecția și propagarea inițială a fost prin fișierele Microsoft Word care conțineau vulnerabilitatea de analiză a fontului True Type de zero-day (CVE-2011-3402). Programul s-a conectat la servere prin porturile 80/TCP și 443/TCP și a folosit un protocol C&C personalizat. Duqu a folosit stenografia prin codificarea și atașarea datelor transferate la fișierele imagine JPEG[26].

Atacul RSA SecureID

În 2011, atacul cibernetic asupra RSA de la EMC Software a compromis informațiile asociate cu SecureID, un token de autentificare cu doi factori. Intruziunea a fost ajutată de phishing trimis angajatorilor firmei cu fișiere Excel atașate, prin exploit zero-day (CVE-2011-0609) la Adobe flash player instalând un backdoor[27].

Flame

Flame a fost detectat întâmplător  pentru prima dată în mai 2012[28], dar se crede că era deja activ de 5-8 ani. Are o dimensiune neobișnuită, de cca 20 MB. A infestat mii de sisteme Windows, în special în Orientul Mijlociu. Atacatorii au trebuit să efectueze un atac criptoanalitic complex (atac de coliziune prefix ales pentru algoritmul MD5) împotriva autorității de certificare a licențelor pentru serviciile terminale Microsoft. Flame a folosit peste 80 de domenii ca servere C&C. Comunicarea a fost efectuată prin HTTP, HTTPS sau SSH, folosind criptarea XOR și algoritm RC4[29].

Carbanak

Carbanak a fost un atac pentru furtul de bani de la instituțiile financiar, început în 2013, folosind spear-phishing, cu fișiere atacate exploatând vulnerabilitățile Microsoft Office (CVE-2012-0158, CVE-2013-3906 și CVE-2014-1761). A rămas nedetectat până la începutul lui 2014[30]. După stabilirea unui punct de sprijin prin instalarea de backdoor, s-a făcut recunoașterea internă ca parte a mișcării lor laterale, comunicând cu serverul C&C al atacatorilorprin un protocol binar personalizat. Carbanak a încetinit activitatea în 2015 dar a continuat până în 2017 în diferite variante[31].

Red October

Red October (Octombrie Roșu) a fost descoperit în octombrie 2012 dar a fost activ din mai 2007, vizând instituții diplomatice, guvernamentale și științifice[32]. Cu o arhitectură minimalistă, a reușit  furtul de informații de pe telefoanele mobile, fiind instalat ca un plugin pentru aplicațiile de citire Office și Adobe. A folosit criptarea XOR pentru a-și împacheta executabilul principal și pentru a codifica datele exfiltrate.

Alte atacuri prin APT

Conform lui [33]:

APT28, cunoscut și sub numele de Fancy Bear, Pawn Storm, Sofacy Group și Sednit, a fost identificat de cercetătorii de la Trend Micro în 2014, atacând ținte militare și guvernamentale din Europa de Est, inclusiv Ucraina și Georgia, precum și campanii care vizează organizațiile NATO și contractorii de apărare din SUA.

APT29 (grupul rusesc Cozy Bear) a folosit atacuri spear phishing din 2015 asupra Pentagonului, din 2016 asupra Comitetului Național Democrat.

APT34 (Iran) a fost identificat în 2017 de către cercetătorii de la FireEye, dar este activ din 2014. A vizat companii din Orientul Mijlociu.

APT37 (denumit și Reaper, StarCruft și Group) 123, este o amenințare persistentă avansată legată de Coreea de Nord despre care se crede că a apărut în jurul anului 2012, folosind atacuri spear phishing exploatând o vulnerabilitate Adobe Flash zero-day.

Alte atacuri cibernetice

Yahoo Data Breaches (2013-2014): Yahoo a suferit două atacuri masive de date, cea mai mare din istorie, afectând toate cele 3 miliarde de conturi de pe serviciul său. Atacurile au inclus furtul de informații despre contul de utilizator.

Sony Pictures Hack (2014): Un atac cibernetic asupra Sony Pictures Entertainment de către un grup numit „Gardienii păcii”, care prin care s-au extras date confidențiale despre angajații și filmele Sony. Guvernul SUA a atribuit atacul Coreei de Nord.

Mirai (2016) Un atac botnet asupra dispozitivelor Internet of Things (IoT), a penetrat sute de mii de dispozitive IoT cu atacuri masive de refuzare a serviciului distribuit (DDoS). Aceste atacuri au perturbat serviciile și infrastructura de internet.

WannaCry Ransomware Attack (2017): Acest atac cibernetic global a vizat computerele care rulează sistemul de operare Microsoft Windows prin criptarea datelor și solicitarea plăților de răscumpărare în Bitcoin. A afectat peste 200.000 de computere din 150 de țări.

NotPetya (2017): Inițial considerat un ransomware, a fost identificat ulterior ca un atac sponsorizat de Rusia împotriva Ucrainei, care s-a răspândit la nivel global. A provocat daune de miliarde de dolari mai multor corporații globale, inclusiv Maersk, Merck și FedEx.

Equifax Data Breach (2017): Au fost expuse informații personale la cca 147 de milioane de persoane, ca urmare a exploatării unei vulnerabilități în cadrul web Apache Struts.

SolarWinds Hack (2020): Un atac sofisticat al lanțului de aprovizionare care a compromis software-ul Orion de către SolarWinds, afectând mii de agenții guvernamentale și companii. Atacatorii au rămas nedetectați luni de zile, atacul fiind atribuit unui grup de hacking rus.

Colonial Pipeline Ransomware Attack (2021): Un atac ransomware care a dus la închiderea celei mai mari conducte de combustibil din Statele Unite, atribuit grupului DarkSide, cerând o plată de răscumpărare mai multe milioane de dolariț

Caracteritici comune

Virvilis, Gritzalis, și Apostolopoulos [34] au identificat caracteristici comune (tehnici, căi de atac, funcționalități) care pot permite malware-ului să evite detectarea:

  1. Sistem de operare și arhitectură vizate: versiuni de Windows pe 32 de biți (niciun malware nu s-ar executa pe sisteme pe 64 de biți), mai ales când se vizează componentele kernelului. Dar, întrucât atacatorii aveau acces la certificate valide (Stuxnet, Duqu) pentru a semna pe 64 de biți, principalul motiv pentru 32 de biți ar putea fi că majoritatea victimelor folosesc această arhitectură.
  2. Vectorii de atac inițiali: Duqu și Octombrie Roșu au folosit documente Word și Excel pentru a-și infecta țintele, în timp ce MiniDuke a exploatat PDF Reader de la Adobe. La Stuxnet și Flame metoda inițială de infecție probabilă a fost prin unități amovibile sau atacuri watering hole. Odată cu Office 2010 Suite, Microsoft a introdus „vizualizare aprotejată”, ca o protecție suplimentară. Astfel, se presupune că victimele care s-au infectat rulau versiuni învechite ale MS Office sau aveau dezactivate funcțiile de securitate. MiniDuke a fost capabil să exploateze toate versiunile Adobe Reader și să evite sandbox.
  3. Executarea comenzilor și escaladarea privilegiilor: Toate programele au folosit exploit-uri zero-day pentru comenzi sau escaladarea privilegiilor.
  4. Acces la rețea.: Comunicările s-au făcut prin porturile 80/TCP, 443/TCP sau 22/TCP, folosite pentru traficul de ieșire cu protocoalele HTTP, HTTPS și SSH, folosind în plus criptarea/ofuscarea și compresia. Majoritatea victimelor aveau restricții de acces la internet foarte relaxate.
  5. ID-uri de rețea și produse antivirus pentru punctele finale: Stuxnet, Flame, Duqu și MiniDuke au evitat software-ul antivirus. Flame, Duqu, Red October și MiniDuke au criptat sau evitat traficul propriu de rețea pentru a „trece sub radar” evitând sistemele de detectare a intruziunilor în rețea (NIDS). Deficiențele unor astfel de sisteme de protecție sunt bine cunoscute[35], dar sunt în continuare cele mai comune seturi de instrumentele utilizate.
  6. Utilizarea criptării/evitării: Toate atacurile s-au bazat pe „criptarea” XOR pentru a evita detectarea și a complica analiza malware, și pentru a proteja fișierele de configurare și traficul transmis. Duqu și Flame au folosit în plus și algoritmi AES și, respectiv, RC4.
  7. Exploatarea semnăturilor digitale: Stuxnet și Duqu au fost semnate digital folosind certificate digitale compromise. Flame a exploatat rezistența la coliziune a funcției hash MD5, și a replicat-o prin serviciul WSUS.

Concluzie

Peisajul atacurilor cibernetice se caracterizează prin complexitatea, diversitatea și evoluția sa neobosită. De la izbucniri de ransomware la spionaj sponsorizat de stat prin atacuri persistente avansate și compromisuri ale lanțului de aprovizionare, actorii amenințărilor și tehnicile folosite continuă să evolueze în sofisticare și scară. Înțelegerea anatomiei atacurilor cibernetice din trecut este crucială pentru întărirea apărării și încurajarea rezilienței în fața amenințărilor viitoare. Aceste incidente subliniază importanța măsurilor de securitate cibernetică și nevoia constantă de vigilență împotriva amenințărilor cibernetice în evoluție. Numai prin vigilență colectivă, măsuri proactive de securitate cibernetică și cooperare internațională putem spera să atenuăm amenințarea generalizată a criminalității cibernetice și să protejăm infrastructura digitală pe care se bazează societatea modernă.

Bibliografie

  • Alshamrani, Adel, Sowmya Myneni, Ankur Chowdhary, și Dijiang Huang. 2019. „A Survey on Advanced Persistent Threats: Techniques, Solutions, Challenges, and Research Opportunities”. IEEE Communications Surveys & Tutorials 21 (2): 1851–77. https://doi.org/10.1109/COMST.2019.2891891.
  • BBC. 2009. „Major Cyber Spy Network Uncovered”, 29 martie 2009. http://news.bbc.co.uk/2/hi/americas/7970471.stm.
  • Bencsáth, B., Gábor Pék, L. Buttyán, și M. Félegyházi. 2012. „Duqu: Analysis, Detection, and Lessons Learned”. În . https://www.semanticscholar.org/paper/Duqu%3A-Analysis%2C-Detection%2C-and-Lessons-Learned-Bencs%C3%A1th-P%C3%A9k/9974cdf65ffbdee47837574432b0f8b59ffbddd1.
  • Benjamin, Victor, Weifeng Li, și Thomas Holt. 2015. Exploring threats and vulnerabilities in hacker web: Forums, IRC and carding shops. https://doi.org/10.1109/ISI.2015.7165944.
  • Busby, J. S., B. S. S. Onggo, și Y. Liu. 2016. „Agent-based computational modelling of social risk responses”. European Journal of Operational Research 251 (3): 1029–42. https://doi.org/10.1016/j.ejor.2015.12.034.
  • Chen, Ping, Lieven Desmet, și Christophe Huygens. 2014. „A Study on Advanced Persistent Threats”. În Communications and Multimedia Security, ediție de Bart De Decker și André Zúquete, 63–72. Lecture Notes in Computer Science. Berlin, Heidelberg: Springer. https://doi.org/10.1007/978-3-662-44885-4_5.
  • Denault, Michel, Dimitris Karagiannis, Dimitris Gritzalis, și Paul Spirakis. 1994. „Intrusion detection: Approach and performance issues of the SECURENET system”. Computers & Security 13 (6): 495–508. https://doi.org/10.1016/0167-4048(91)90138-4.
  • Dijk, Marten van, Ari Juels, Alina Oprea, și Ronald L. Rivest. 2013. „FlipIt: The Game of “Stealthy Takeover””. Journal of Cryptology 26 (4): 655–713. https://doi.org/10.1007/s00145-012-9134-5.
  • Ferrer, Zarestel, și Methusela Cebrian Ferrer. 2010. „In-depth Analysis of Hydraq – The face of cyberwar enemies unfolds”. http://cybercampaigns.net/wp-content/uploads/2013/05/Hydraq.pdf.
  • Friedberg, Ivo, și Roman Fiedler. 2014. „Dealing with Advanced Persistent Threats in Smart Grid ICT Networks: 5th IEEE Innovative Smart Grid Technologies Conference”. Ediție de Florian Skopik. Proceedings of the 5th IEEE Innovative Smart Grid Technologies Conference, 1–6.
  • Hamilton, S., W. L. Miller, Allen Ott, și O. S. Saydjari. 2002. „Challenges in Applying Game Theory to the Domain of Information Warfare †”. În . https://www.semanticscholar.org/paper/Challenges-in-Applying-Game-Theory-to-the-Domain-of-Hamilton-Miller/a65d0d3c8aae0f35a524c84d15748f85b01df7de.
  • Johnson, Ariana. 2016. „Cybersecurity for Financial Institutions: The Integral Role of Information Sharing in Cyber Attack Mitigation”. North Carolina Banking Institute 20 (1): 277.
  • Langner, Ralph. 2011. „Stuxnet: Dissecting a Cyberwarfare Weapon”. IEEE Security & Privacy 9 (3): 49–51. https://doi.org/10.1109/MSP.2011.67.
  • Nunes, Eric, Ahmad Diab, Andrew Gunn, Ericsson Marin, Vineet Mishra, Vivin Paliath, John Robertson, Jana Shakarian, Amanda Thart, și Paulo Shakarian. 2016. Darknet and deepnet mining for proactive cybersecurity threat intelligence. https://doi.org/10.1109/ISI.2016.7745435.
  • Rass, Stefan, Sandra König, și Stefan Schauer. 2017. „Defending Against Advanced Persistent Threats Using Game-Theory”. PLOS ONE 12 (1): e0168675. https://doi.org/10.1371/journal.pone.0168675.
  • SecureList. 2013. „“Red October” Diplomatic Cyber Attacks Investigation”. 14 ianuarie 2013. https://securelist.com/red-october-diplomatic-cyber-attacks-investigation/36740/.
  • Symantec. 2018. „2018 Internet Security Threat Report”. https://docs.broadcom.com/doc/istr-23-executive-summary-en.
  • Tankard, Colin. 2011. „Advanced Persistent threats and how to monitor and deter them”. Network Security 2011 (8): 16–19. https://doi.org/10.1016/S1353-4858(11)70086-1.
  • Ussath, Martin, David Jaeger, Feng Cheng, și Christoph Meinel. 2016. „Advanced persistent threats: Behind the scenes”. 2016 Annual Conference on Information Science and Systems (CISS), martie, 181–86. https://doi.org/10.1109/CISS.2016.7460498.
  • Virvilis, Nikos, și Dimitris Gritzalis. 2013. „The Big Four – What We Did Wrong in Advanced Persistent Threat Detection?” În 2013 International Conference on Availability, Reliability and Security, 248–54. https://doi.org/10.1109/ARES.2013.32.
  • Virvilis, Nikos, Dimitris Gritzalis, și Theodoros Apostolopoulos. 2013. „Trusted Computing vs. Advanced Persistent Threats: Can a Defender Win This Game?” În 2013 IEEE 10th International Conference on Ubiquitous Intelligence and Computing and 2013 IEEE 10th International Conference on Autonomic and Trusted Computing, 396–403. https://doi.org/10.1109/UIC-ATC.2013.80.
  • Vukalovic, J., și Damir Delija. 2015. Advanced Persistent Threats – detection and defense. https://doi.org/10.1109/MIPRO.2015.7160480.
  • Yasar, Kinza, și Linda Rosencrance. 2021. „What Is an Advanced Persistent Threat (APT)? | Definition from TechTarget”. Security. 2021. https://www.techtarget.com/searchsecurity/definition/advanced-persistent-threat-APT.

Note

[1] (Tankard 2011)

[2] (Friedberg și Fiedler 2014)

[3] (Rass, König, și Schauer 2017)

[4] (Rass, König, și Schauer 2017)

[5] (van Dijk et al. 2013)

[6] (Busby, Onggo, și Liu 2016)

[7] (Hamilton et al. 2002)

[8] (Alshamrani et al. 2019)

[9] (Nunes et al. 2016)

[10] (Benjamin, Li, și Holt 2015)

[11] (Vukalovic și Delija 2015)

[12] (Ussath et al. 2016)

[13] (Chen, Desmet, și Huygens 2014)

[14] (Tankard 2011)

[15] (Symantec 2018)

[16] (Alshamrani et al. 2019)

[17] (Alshamrani et al. 2019)

[18] (Yasar și Rosencrance 2021)

[19] (BBC 2009)

[20] (Ferrer și Ferrer 2010)

[21] (Alshamrani et al. 2019)

[22] (Virvilis și Gritzalis 2013)

[23] (Langner 2011)

[24] (Alshamrani et al. 2019)

[25] (Bencsáth et al. 2012)

[26] (Virvilis și Gritzalis 2013)

[27] (Alshamrani et al. 2019)

[28] (Bencsáth et al. 2012)

[29] (Virvilis și Gritzalis 2013)

[30] (Johnson 2016)

[31] (Alshamrani et al. 2019)

[32] (SecureList 2013)

[33] (Yasar și Rosencrance 2021)

[34] (Virvilis, Gritzalis, și Apostolopoulos 2013)

[35] (Denault et al. 1994)

 

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/).

1 … 18 19 20 21 22 23 24 … 44