This post is also available in:
English (אנגלית)
כתבה מאת אור שלום
הגנה אפקטיבית מפני איומי כלי טיס בלתי מאוישים קטנים ואיטיים (LSS- Low Slow Small), מחייבת גישה רב-ממדית. מערכות הגילוי המודרניות מחולקות לפי הממדים הטכנולוגיים הבאים: הממד האלקטרומגנטי (מכ"ם), הממד האופטי והתרמי (EO/IR), הממד האקוסטי והממד האלקטרוני (RF/EW). הרציונל להגנה רב-שכבתית (Multi-Layered Défense) נעוץ בעקרון פיצוי הכשלים (Failure Compensation). זאת, מאחר שאיום LSS מתוכנן לנצל את נקודות התורפה של כל גלאי בנפרד (למשל, חתימת מכ"ם נמוכה או הפרעות GPS), רק היתוך נתונים מקביל ומשלים ממספר חיישנים יכול להבטיח אמינות, חוסן וכיסוי מבצעי מלא. מימוש AI הוא המפתח להפיכת מכלול החיישנים והיכולות למערכת אחת קוהרנטית ומהירה.
מערכות גילוי סטנדרטיות מתקשות להתמודד עם איומים מתוחכמים כמו כלי טיס בלתי מאוישים קטנים ואיטיים (LSS) בשל שלושה אתגרים מרכזיים: ראשית, הממד פיזי (ההתחמקות), שבו מטרות קטנות ואיטיות מנצלות חתימת מכ"ם (RCS) נמוכה, חתימה תרמית מועטה, ופרופיל טיסה נמוך, ובכך חומקות מגלאים בודדים; שנית, ממד הנתונים (רעש), שבו חיישנים רבים מייצרים נתונים סותרים, חלקיים או רעש סביבתי משמעותי (כגון להקות ציפורים או רחפנים אזרחיים), מה שמוביל לשיעור גבוה של אזעקות שווא (False Positives) ופוגע באמינות המערכת; ושלישית, הממד המבצעי (זמן תגובה), שבו הצורך בזיהוי, סיווג ומתן מענה מהיר לאיום נע מחייב יכולת קבלת החלטות מהירה יותר מהיכולת האנושית [1].
ה- AI כמגשר במימוש גילוי רב-שכבתי (Multi-Sensor Fusion):
החשיבות המרכזית של ה-AI היא ביכולתו לבצע היתוך נתונים (Data Fusion) יעיל ומהימן ממקורות הטרוגניים, ובכך להפוך את המערכת הרב-שכבתית ליחידה מבצעית אחת. מימוש זה מתבטא בשני מישורים מרכזיים: ראשית, היתוך נתונים מתקדם (Low-Level Fusion), שבו במקום להשוות רק פלט סופי של חיישנים, ה-AI מבצע היתוך ברמת האותות הגולמיים לפני יצירת עקבה (Track). היתרון בכך הוא היכולת לזהות חתימה חלשה במיוחד, אשר לבד אינה נראית באף חיישן, אך בשילוב הנתונים מכמה חיישנים היא יוצרת וקטור אמין המעיד על איום. שנית, סינון רעשים וצמצום אזעקות שווא, המושג באמצעות אלגוריתמי למידת מכונה (ML) המאמנים את המערכת להבחין בין אובייקטים לגיטימיים (UAS) לבין רעש טבעי (ציפורים) או רעש אלקטרוני. היתרון המשולב הוא צמצום דרמטי של עומס המידע על המפעילים האנושיים וחיזוק האמון במערכת.
חידוד תכונות ה-AI כמענה לאי-ודאות (Uncertainty Quantification):
היכולת הקריטית ביותר של AI במערכות גילוי היא היכולת להתמודד עם מצבים שבהם המידע חלקי או סותר, באמצעות חידוד תכונות הליבה:
- כימות אי-ודאות (UQ – Uncertainty Quantification) [2] – מערכת AI מוצלחת חייבת לדעת לא רק מה היא חושבת, אלא גם באיזו מידה היא בטוחה בתחזית שלה. זהו עקרון כימות אי-ודאות (Uncertainty Quantification – UQ). יכולת זו הינה קריטית מכיוון שהיא מונעת מודלים לפתח ביטחון עצמי מערכתי (מופרז; Overconfidence) ולספק תחזיות גבוהות עבור נתונים פגומים או לא מוכרים. ה-AI מודד שני ממדים עיקריים של אי-ודאות (חוסר ידע של המודל, ורעש בנתונים), ועל בסיסם הוא מבטיח שפעולות קריטיות מתבצעות רק כשהנתונים והתחזית אמינים. היתרון המבצעי המרכזי הינו שבמצבים של אי-ודאות גבוהה, המערכת מפעילה באופן אוטומטי נוהל הסלמה (Escalation) ומעבירה את ההחלטה למפעיל אנושי, ובכך מאפשרת קבלת החלטות מותאמת סיכון ושומרת על שליטה אנושית בדיוק ברגעים הקריטיים.
- גילוי מחוץ לתחומי הנתונים (OOD Detection) – אחת מיכולות הליבה המבטיחות של AI היא ה-.OOD – Out-of-Distribution Detection מערכת AI המאומנת היטב מסוגלת לזהות באופן אוטונומי כאשר היא נתקלת באובייקט או באות שלא נראו מעולם במערך האימון המקורי שלה (כגון דגם כטב"ם חדש, טכנולוגיית שיבוש לא מוכרת או חתימה אלקטרונית חריגה). במקום לבצע ניחוש שגוי, המודל משתמש באי-ודאות גבוהה (כפי שתואר בכימות אי-ודאות) כמדד המרכזי לכך שהאיום אינו מוכר. היתרון המבצעי המכריע הינו שהמערכת מספקת התראה מוקדמת ומונחית-נתונים על הופעת טכנולוגיה חדשה של האויב. זה מאפשר למערכות ה-EW (לוחמה אלקטרונית) או מודיעין להפנות משאבים לניתוח מהיר ומדויק של האיום הלא מוכר, ובכך מקצר באופן דרמטי את לולאת התכנון מול יריב מודרני ולומד.
- למידה מתמשכת והתאמה דינמית – היכולת השלישית והקריטית של AI מתקדם היא למידה מתמשכת והתאמה דינמית. תובנה זו משמעה שמערכת ה-AIלומדת במהירות מאיומים חדשים: לאחר כל אירוע גילוי של איום חדש (כפי שסומן על ידי ה-ODD, המערכת מעדכנת אוטומטית את המודלים הפנימיים שלה על ידי שילוב מהיר של מאפייני האיום החדשים שנאספו. מנגנון זה מבטיח שהידע המבצעי תמיד מעודכן. היתרון המבצעי המובהק בכך הוא שמירה על רלוונטיות מבצעית מתמדת וצמצום דרמטי של פער הידע מול אויב מודולרי ולומד. יכולת ההתאמה האוטומטית הזו מבטיחה כי המערכת משפרת את ביצועיה ומזרזת את זמן התגובה שלה באופן אקספוננציאלי בכל מפגש עתידי עם האיום שהוכר בעבר [3].
כעת נפשט זאת לדוגמה אפשרית בתרחיש לפיו מערכת הגילוי נתקלת בכלי טיס בלתי מאויש (כטב"ם) בעל חתימה שלא נצפתה מעולם, היא משלבת את שלושת עקרונות ה-AI המתקדמים באופן רציף: ראשית, בשלב זיהוי האיום הבלתי-מוכר (OOD Detection), כאשר דגם X מופיע, המערכת משווה את נתוני המכ"ם והחתימה האלקטרונית למאגר הקיים. במקום לסווגו בטעות, ה-AI מזהה כי חתימת המטרה אינה תואמת לשום דבר שנמצא במאגר, מסמנת אירוע מחוץ לתחומי הנתונים (OOD) ומפעילה התראה: "איום חדש ובלתי מוכר". שנית, בשלב ניהול סיכונים ובקרת אנוש (UQ – Uncertainty Quantification), מכיוון שהאיום סומן כ-OOD, המערכת מחשבת אוטומטית כי האי-ודאות בתחזיתה גבוהה ביותר. במקום לפעול אוטונומית, ה-AI מפעיל נוהל הסלמה, ומעביר את הנתונים הגולמיים בצירוף התווית "אי-ודאות גבוהה" לחדר המבצעים. פעולה זו מאפשרת למפעיל אנושי בכיר לקבל שליטה מותאמת סיכון (Risk-Adjusted Decision-Making). ושלישית, בשלב התאמה ולמידה מתמשכת, לאחר שהאיום טופל בהצלחה, המידע המלא על דגם X נאסף, ומערכת ה-AI משלבת את נתוני האיום החדשים במאגר הנתונים שלה ומעדכנת אוטומטית את המודלים. בפעם הבאה שדגם X יופיע, המערכת כבר תזהה אותו בביטחון גבוה (UQ נמוך) ונוהל התגובה האוטונומי יוכל להתבצע במהירות, ובכך תבטיח שמירה על רלוונטיות מבצעית מתמדת מול כל חידוש טקטי של האויב.
הכותב הינו מומחה לתחומי האבטחה, טכנולוגיות HLS וסייבר ויועץ למשרדי ממשלה, תעשיות ביטחוניות והמשק. בוגר תואר שני ובעל הסמכות ממלכתיות ואזרחיות בעולמות האבטחה והסייבר. בין היתר עוסק בייעוץ ופיתוח עסקי לגופים וחברות ביטחוניות בנושאי תיכנון ובניית הגנה, חדשנות וטכנולוגית אבטחה, תרגולים ואימונים בזירות האבטחה והסייבר.
[1] https://www.mdpi.com/2072-4292/16/5/879
