Norsk-utviklet maskin skal bruke kunstig intelligens til å utvikle solid cybersikkerhet

Tsetlin-maskinen er utviklet av professor Ole-Christoffer Granmo ved Agder-universitetet og er en type maskinlæringsalgoritme, eller kode, for kunstig intelligens (KI) som er enklere og raskere å evaluere i ordinære digitale regnemaskiner enn kunstige nevrale nett. Det betyr blant annet at algoritmen kan håndtere komplekse problemer på en effektiv måte og med lavt energiforbruk.

Forskerne vil bruke Tsetlin-maskinen til aktivt å analysere IoT-systemer (Internet of Things) og oppdage uregelmessigheter, enten i form av hacking eller andre feil som gjør videre bruk risikabel.

Det skal utvikles et system der alle IoT-enheter, for eksempel ved et sykehus, får en aktiv overvåkingsmekanisme som varsler om noe er galt. Systemet blir dermed en slags digital vakthund.

– Behov for å forbedre sikkerhetslandskapet

To forskere fra Sørlandet sykehus er også med på prosjektet, som ledes av førsteamanuensis Per-Arne Andersen. Han er tidligere kjent for lesere av Digi som mannen bak den såkalte Drømmealgoritmen, en selvlærende algoritme som finner mulige scenarier i et dataspill raskere enn de som til nå er brukt. Andersen understreker likevel i en kommentar at drømmealgoritmen ikke har noen direkte relevans for det nye prosjektet.

Han forteller at han har flere forskningsområder og også har industriell erfaring innen sikkerhet, inkludert arbeid ved Telenor sikkerhetssenter og NTT Security. Nå har han et sterkt ønske om å forene kunstig intelligens med sikkerhet, et felt som ifølge ham til nå har vært relativt lite utforsket, men som har et enormt potensial for innovasjon og forbedring.

– Det er også et presserende behov for å forbedre sikkerhetslandskapet, spesielt gitt den økende kompleksiteten og omfanget av moderne datasystemer, legger han til.

Ved å kombinere kunstig intelligens med sikkerhet håper han å kunne utnytte de avanserte analyse- og mønstergjenkjenningsfunksjonene til kunstig intelligens til å skape mer sofistikerte og robuste sikkerhetssystemer. Dette tror han kan omfatte alt fra bedre deteksjon av trusler og sårbarheter til mer effektive responsstrategier.

Tsetlin-maskinens fordeler

KI-eksperten fra Universitetet i Agder mener Tsetlin-maskinen er godt egnet til oppgaven siden ressurseffektiv maskinlæring ligger i dens operative natur.

– Tsetlin-maskinen benytter seg av en algoritme som utfører beregninger ved hjelp av bits og fokuserer på bruk av binær logikk, forklarer han.

Dette står i kontrast til nevrale nettverk, som ofte opererer med 32-bits flyttallrepresentasjoner per tall. Andersen forklarer videre at Tsetlin-maskinen er i stand til å konstruere og evaluere logiske uttrykk utelukkende basert på 0-er og 1-ere, noe som fører til en langt mer kompakt og direkte representasjon, og som reduserer den nødvendige datamengden for beregninger og minimerer minnebruken.

– I tillegg, ettersom den arbeider med enklere binære operasjoner i stedet for kompleks flyttallsaritmetikk, kan Tsetlin-maskinen utføre beregninger raskere og med lavere energiforbruk, noe som er avgjørende for ressurseffektivitet i maskinlæringsapplikasjoner, forklarer han.

– Samtidig åpner Tsetlin-maskinens enkelhet og binære natur for muligheten til å lage spesialisert maskinvare, som mikrokontrollere, som er optimalisert for å kjøre Tsetlin-maskin algoritmer. Dette kan ifølge han ytterligere forbedre ytelsen og energieffektiviteten, særlig i innvevde systemer og applikasjoner hvor ressursbegrensninger er kritiske.

Som eksempel på en slik applikasjon nevner han en Tsetlin-maskinchip som har i oppgave å oppdage inntrengere, eksempelvis for en mobiltelefon. Han understreker at nevrale nettverk også kan bli konvertert til binære nevrale nettverk for å redusere ressursbruken under prediksjonsfasen, men deres lærings- og treningsfaser er ofte ressurskrevende og gjøres typisk på kraftigere maskiner.

– Tsetlin-maskinen, derimot, kan utføre både læring og prediksjoner på ressursbegrensede enheter, noe som gir den en betydelig fordel i miljøer med strenge ressursbegrensninger, forteller han entusiastisk.

Den største utfordringen

Den største utfordringen med å lage et effektivt sikkerhetssystem som kan beskytte IoT-enheter, er ifølge Andersen å finne en optimal balanse mellom ressursforbruk og algoritmisk kompleksitet.

– Med økende kompleksitet i algoritmene følger det et høyere antall nødvendige prosessoroperasjoner, forklarer han.

– Et større antall prosessoroperasjoner medfører i sin tur høyere batteriforbruk. Målet med prosjektet er å utvikle en algoritme som er fleksibel nok til å operere effektivt i et bredt spekter av IoT-enheter, inkludert de som er batteridrevne og generelt opererer under strenge ressursbegrensninger. Skal de oppnå dette, må algoritmen ifølge ham være så ressurseffektiv som mulig samtidig som det også må være en viss grad av kompleksitet for å sikre at den er i stand til å lære og tilpasse seg effektivt.

– Dette innebærer en nøye avveining, der man må maksimere læringspotensialet og tilpasningsevnen uten å overskride de tilgjengelige ressursene, forklarer han.

– Implementering av teknikker for å komprimere modeller, effektivisere beregninger og tilpasse algoritmer til den spesifikke maskinvaren, kan være nøkkelfaktorer i å nå dette målet.

Sykehus som eksempel

Andersen understreker at prosjektet skal vise bruken av et slikt sikkerhetssystem i et sykehus først og fremst som et illustrativt eksempel på hvordan det kan tilrettelegge for sikkerhet i kritiske miljøer.

– På sykehus er det mange IoT-enheter, slik som hjertemålere, infusjonspumper og andre medisinske apparater, som er av avgjørende betydning for pasientenes helse og sikkerhet, forteller han.

– Disse enhetene krever et særdeles strengt sikkerhetsregime for å sikre at sensitiv pasientinformasjon er beskyttet og at utstyret fungerer pålitelig.

Hvis man klarer å utvikle og implementere sikkerhetsløsninger som er tilstrekkelig robuste for medisinsk utstyr i en sykehussetting, mener han det åpner dørene for at samme teknologi kan brukes til å beskytte et mye bredere spekter av IoT-enheter.

– Dette inkluderer alt fra smarte hjemmeenheter, industriell IoT og transportsektoren til energistyringssystemer og utover, understreker han.

– Løsningene som er tilstrekkelig solide til å håndtere de høye kravene i et medisinsk miljø, vil sannsynligvis være svært effektive for å sikre andre typer utstyr og applikasjoner som kanskje ikke har like strenge krav, men likevel vil dra nytte av økt sikkerhet og pålitelighet, mener KI-forskeren fra Agder.