Computational model of multi-source data fusion for submarine cable threat detection

Onder de golven van de wereldzeeën ligt een kwetsbaar, onzichtbaar zenuwstelsel: een uitgestrekt netwerk van onderzeese kabels dat het overgrote deel van de internationale data draagt, continenten verbindt en de wereldeconomie aandrijft. Deze kabels zijn de fysieke ruggengraat van het internet, maar ze zijn blootgesteld aan de open zee, kwetsbaar voor accidentele schade door visgereedschap of opzettelijke sabotage door vijandige vaartuigen. Decennialang was de primaire manier om deze kabels te bewaken het volgen van de bewegingen van schepen aan de oppervlakte met behulp van een systeem genaamd het Automatic Identification System, of AIS. Dit systeem werkt als een digitale vuurtoren die de locatie, snelheid en identiteit van een schip uitzendt. Deze methode heeft echter een kritiek zwak punt: de signalen worden in platte tekst verzonden zonder sterke beveiliging, wat betekent dat een kwaadwillende actor gemakkelijk valse coördinaten kan uitzenden. Een schip zou zich ver van een kabel kunnen voordoen terwijl het in werkelijkheid direct erboven hangt, klaar om de lijn door te snijden, terwijl het monitoringsysteem slechts een "veilig" schip aan de andere kant van de oceaan ziet.

Om dit probleem op te lossen, hebben onderzoekers een nieuwe manier ontwikkeld om de oceanen te bewaken die niet afhankelijk is van één enkele bron van waarheid. In plaats van alleen het digitale signaal van een schip te vertrouwen, combineren ze het met de fysieke realiteit van het water zelf. Deze aanpak behandelt de oceaan als een complexe, driedimensionale ruimte waar digitale data, de fysieke lay-out van de kabels en de werkelijke geluiden van de zee allemaal tegen elkaar moeten worden gecontroleerd. Door deze verschillende soorten informatie te fuseren, kan het systeem detecteren wanneer een digitale leugen in strijd is met het fysieke bewijs, waardoor wordt gewaarborgd dat een onderzeese kabel beschermd blijft, zelfs als iemand probeert de monitoringsoftware te misleiden.

De onderzoekers, werkend met gegevens uit de wateren voor de westkust van Noord-Amerika, bouwden een computationeel model dat ontworpen is om in één oogopslag het hele plaatje te zien. Ze begonnen met het maken van een digitale kaart van de oceaanbodem, waarbij ze het zeegebied opdeelden in een raster van kleine vierkantjes. In dit raster voegden ze drie verschillende stromen informatie toe. Ten eerste brachten ze de werkelijke fysieke locatie van de onderzeese kabels in kaart. Ten tweede voerden ze de realtime bewegingsgegevens van schepen uit het AIS-systeem in. Ten derde voegden ze, cruciaal, gegevens toe van onderwatermicrofoons, ook wel hydrofoons genoemd, die luisteren naar de geluiden van de oceaanbodem. Deze microfoons kunnen het specifieke geluid detecteren van een zwaar anker dat over de zeebodem sleept of een scheepsschroef die het water omwoelt; geluiden die niet door een computerprogramma gefaket kunnen worden.

De kernuitdaging waar het team voor stond, was dat deze drie bronnen van informatie vaak van mening verschillen, vooral wanneer er een aanval plaatsvindt. Als een schip probeert een kabel te saboteren, kan het AIS-signaal aangeven dat het schip veilig wegvaart, terwijl de onderwatermicrofoons het geluid horen van een anker dat precies boven de kabel valt. In het verleden zou een computer die probeert deze conflicterende rapporten te begrijpen, simpelweg de twee tegenstrijdige berichten middelen, wat waarschijnlijk resulteert in een verward "misschien" dat het gevaar mist. Het nieuwe model gebruikt echter een geavanceerde methode om deze conflicterende verhalen te wegen. Het behandelt de digitale AIS-data en de fysieke akoestische data als twee verschillende getuigen. Wanneer hun verhalen overeenstemmen, is het systeem confident. Maar wanneer ze botsen, heeft het model een regel: het vertrouwt het fysieke bewijs meer. Omdat een geluidsgolf die door water reist een fysiek evenement is dat uiterst moeilijk te vervalsen is, leert het systeem de valse digitale coördinaten te negeren en zich te concentreren op het echte geluid van de dreiging.

Om dit te laten werken, ontwierpen de onderzoekers een systeem dat leert om aandacht te besteden aan de belangrijkste delen van de data. Het maakt gebruik van een type kunstmatige intelligentie dat begrijpt hoe dingen in ruimte en tijd met elkaar verbonden zijn, waardoor het patronen kan zien die een eenvoudige lijst met cijfers zou missen. Het kan het verschil zien tussen een schip dat gewoon voorbijvaart en een schip dat verdacht langdurig boven een kabel blijft hangen. Wanneer het systeem een conflict detecteert tussen wat het schip zegt te doen en wat de onderwatersensoren horen, verlaagt het automatisch het vertrouwen in het digitale rapport van het schip en verhoogt het het alarm op basis van het fysieke geluid. Dit creëert een "stroomonderbreker" die voorkomt dat een digitale leugen een fysieke waarschuwing tot zwijgen brengt.

Het team testte dit model met behulp van real-world data die gedurende een volledig jaar werd verzameld, variërend van duizenden scheepsbewegingen tot uren aan onderwatergeluidsopnames. Ze ontdekten dat het nieuwe systeem aanzienlijk nauwkeuriger was dan oudere methoden die alleen vertrouwden op het volgen van schepen. In standaardtests behaalde het model een AUC van 0,95, een substantiële verbetering ten opzichte van eerdere technieken. Belangrijker nog, de onderzoekers simuleerden een scenario waarin 30 procent van de scheepsgegevens opzettelijk werd vervalst om een sabotagepoging te verbergen. Terwijl oudere systemen volledig faalden onder deze misleiding, met een daling van de AUC tot minder dan 0,6, behield het nieuwe model zijn stand. Het handhaafde een hoog niveau van nauwkeurigheid en identificeerde de dreiging succesvol omdat de onderwatermicrofoons een waarheid boden die de valse digitale signalen niet konden overrulen.

Dit onderzoek toont aan dat de toekomst van de bescherming van kritieke infrastructuur ligt in het kruisverwijzen van verschillende soorten bewijslast. Door de digitale wereld van scheepsverkeer te combineren met de fysieke wereld van onderwaterakoestiek, creëert het systeem een verdediging die robuust is tegen misleiding. Het houdt niet alleen de wacht voor slecht gedrag; het zoekt actief naar het moment waarop een digitaal verhaal niet langer overeenkomt met de fysieke realiteit. De bevindingen suggereren dat voor de veiligheid van het wereldwijde internet, we niet langer moeten vertrouwen op één enkele bron van informatie, maar in plaats daarvan systemen moeten bouwen die de waarheid kunnen horen, zelfs wanneer de data liegt.