Учёные Санкт-Петербургского федерального исследовательского центра РАН (СПб ФИЦ РАН) разработали инструмент для обеспечения безопасности важнейших цифровых систем. Этот сервис позволяет заранее находить слабые места в инфраструктуре, которая работает на технологиях «Интернета вещей». Такая проверка на этапе проектирования значительно укрепляет защиту. Проект получил поддержку от Российского научного фонда.

«Интернет вещей» проникает во все сферы – от бытовых приборов до управления электростанциями и транспортом. Но с удобствами приходят и риски кибератак, способных парализовать жизненно важные объекты.

Новый сервис от СПб ФИЦ РАН помогает предотвратить такие угрозы, моделируя атаки и анализируя потенциальные последствия. Это дает разработчикам и пользователям систем понимание рисков и возможность укрепить защиту.

«Мы создали сервис, который оценивает устойчивость цифровых систем к киберфизическим атакам. С помощью ИИ мы анализируем большой объем данных, что позволяет учесть множество угроз. Результаты помогают предложить меры для нейтрализации уязвимостей», – отметил руководитель проекта старший научный сотрудник Лаборатории проблем компьютерной безопасности СПб ФИЦ РАН Дмитрий Левшун.

Сервис включает базу данных уязвимостей и ИИ-модули для прогнозирования новых угроз. Также он создает виртуальные модели злоумышленников и устройств для тестирования атак.

«Это решение значительно повышает безопасность «умных» устройств, которые все чаще атакуются. Оно позволяет выявлять слабые места и предлагать эффективные меры по их устранению», – добавил руководитель Международного центра цифровой криминалистики СПб ФИЦ РАН Андрей Чечулин.

Разработка, поддержанная грантами РНФ, продолжит расширяться. В новом этапе ученые будут анализировать не только конфигурации, но и исходный код устройств «Интернета вещей», что позволит точнее находить уязвимости. Проект расширится, увеличится число участников, продолжительность и финансирование.

Ранее «Петербургский дневник» сообщал, что специалисты из Cognitive Pilot нашли способ ускорить обучение нейросети в 15–20 раз.