Finansavimas

Kibernetinis saugumas pastaruoju metu tampa vis svarbesnis ne tik individualiems vartotojams, bet ir organizacijų veiklai. Kibernetiniai incidentai ne tik sukelia nepatogumų, kelia grėsmę duomenų saugumui, trikdo įmonės veiklą, bet ir daro žalą ekonomikai. Tiek dėl technologinio potencialo, tiek dėl didėjančio kibernetinių grėsmių sudėtingumo ir gausos, kibernetinio saugumo sprendimų ateitis neatsiejama nuo dirbtinio intelekto (DI) taikymų. Šiuo metu DI pritaikomas įvairiose srityse ir leidžia spręsti pakankamai platų spektrą užduočių. Dirbtinio intelekto metodai kompiuterių tinkluose išpopuliarėjo dėl didelių pritaikymo galimybių: srautų klasifikavimui, tinklo prisitaikymui prie srauto pobūdžio ir kt. Viena iš didžiausių problemų, su kuria susiduria kompiuterių tinklų specialistai, yra kompiuterių tinklų saugumas ir jo užtikrinimas, ir čia vis dažniau pasitelkiami DI metodai ir modeliai. DI modelių tikslumas tiesiogiai priklauso nuo apmokymui naudojamų duomenų, todėl, siekiant efektyviai pritaikyti šiuos metodus, yra būtinas tinkamas duomenų surinkimas, atributų atrinkimas, agregavimas ir jų paruošimas. Deja, šiuo metu pasaulyje DI modelių apmokymui paprastai taikomi vieši duomenų rinkiniai, kurie yra sukurti uždarose laboratorijose naudojant tam tikrą specifinę techninę įrangą ir retai atitinka realias kibernetines grėsmes ir/ar jų braižą. Šio projekto tikslas – išnagrinėti galimybę rinkti realaus laiko kompiuterių tinklo duomenis efektyviems dirbtinio intelekto metodais paremtiems kibernetinio saugumo sprendimams kurti atsižvelgiant į didžiausius šiuo metu kylančius duomenų kaupimo ir apdirbimo iššūkius.