Модель обработки данных для обеспечения кибербезопасности с применением ИИ-технологий

Совместное исследование российских ученых и коллег из КНР посвящено изучению поведения человека в стрессовых ситуациях с помощью методов машинного обучения, которое зависит от психотипа, социализации и множества других факторов.

Абоненты мобильной связи по всему миру теряют десятки миллиардов долларов в год из-за телефонного мошенничества и нежелательных звонков, при этом почти половина абонентов пользуются приложениями для блокировки спама или идентификации входящих звонков, которые продолжают оставаться недостаточно эффективными. Телефонные мошенники выстраивают разговор с потенциальной жертвой, ориентируясь на поведение определенной категории людей. Предварительно человека вводят в состояние острого стресса, при котором его дальнейшим поведением в той или иной степени можно манипулировать методами социальной инженерии. 

В основе предложенного метода лежит модель обработки данных фотоплетизмограмм, полученных с датчика смарт-браслета, следующей конфигурации: Wavelet Transform – 2D – CapsNet. В более ранних работах использовалась модель Windowed Fourier Transform – 2D – CapsNet, однако, вейвлет-преобразования подтвердили более широкие возможности идентификации состояний испытуемых. Учеными подтверждена гипотеза о возможности обучения нейронных сетей на данных фотоплетизмограмм, полученных посредством полиграфа, для дальнейшего применения при идентификации состояний абонента при разговоре. 

При синхронизации умного браслета со смартфоном, предлагаемый метод позволяет в режиме реального времени отслеживать критические изменения состояния абонента телекоммуникационных систем, что дает возможность оперативно в режиме разговора либо принудительно прервать соединение, либо выступить в качестве рекомендательной системы. 

Предложенный метод может найти широкое применение как для обеспечения кибербезопасности, так и в любой другой сфере использования биометрических данных, в том числе в задачах удаленного медицинского мониторинга.

Полный текст исследования опубликован в научном журнале Journal of Computer Virology and Hacking Techniques и доступен по ссылке.