Kiberbiztonsági pillér

Célok

Elméleti és gyakorlati eszköztár fejlesztése biztonsági eljárások és alkalmazások biztonságának validálására. A rendszerek hátterében futó kriptográfiai algoritmusok matematikai megalapozása. Újfajta kriptoanalízis metodikák, rendszerelemzés formális protokoll-verifikációs csomagok segítségével, illetve MI-vel támogatott penetrációtesztelési eljárások vizsgálata és kidolgozása. Kleptográfia, mely magába foglalja a biztonságos és rejtett kommunikációt a kriptorendszereken és a kriptográfiai protokollokon keresztül, és melynek alkalmazási területei pl. a kémelhárítás és a terrorvédelem. Kommunikációs csatornák hatékony kódolása és visszafejtése, valamint titkosítása a gyakorlatban használt statisztikai módszerek és a mesterséges intelligencia gépi tanuló algoritmusai kombinálásával. Vészhelyzet detektálása: pl. biometriai érzékelők alapján speciális körülmények között feladatot ellátó személy fizikai, fiziológiai állapotának monitorozása, vagy (rendőrségi, katonai, mentő) járművekbe épített szenzorok jeleinek elemzése.

A pillér fő kutatási területei: a mesterséges intelligencia, a környezetérzékelés, a szenzortechnológia, a vezérléstechnika, az autonóm földi rendszerek, a kommunikációs hálózatok, valamint a humán biológiai jelfeldolgozás. A kutatások fókuszát az anomáliadetektálás, a különböző adatsorozatokban rejlő mintázatok felismerése jelentik.

Pillérvezető: Dr. Fridli Sándor

egyetemi tanár, az ELTE IK Numerikus Analízis Tanszékének vezetője. Az MTA doktora. Iskolateremtő munkájáért 2018-ban Szent-Györgyi Albert díjat kapott. Fő kutatási területei az alkalmazott harmonikus analízis, az approximációelmélet és a jelfeldolgozás. A HU-MATHS-IN (Matematikai Ipar és Innovációs Szolgáltatási Hálózat) nemzeti hálózat alapító tagja, a Tudományos Bizottság tagja. Témavezetésével a jelfeldolgozás területén három tanítványa ért el PhD fokozatot.

Jelek és rendszerek kutatócsoport

Különböző típusú humánbiológiai jelek (pl. EKG, vérnyomás, légzésfunkció, stb.) közötti kapcsolatok modellezése, jelreprezentációk orvosi relevanciájának kutatása, anomáliák detektálása mesterséges intelligencia algoritmusok segítségével.

Különböző földi és vízi járműszenzorok jeleinek feldolgozása, vezérlés támogató algoritmusok kutatása. Modell alapú neurális hálók fejlesztése úthibák detektálásához, adaptív idő-frekvencia felbontások konstrukciója nem stacionárius jelek feldolgozásához.

Rendszerek modellezése, vizsgálata, identifikációja kutatócsoport

Kommunikációs hálózatok modellezése és hatékonyságának növelése modell-alapú mesterséges intelligencia eszközökkel. Modell alapú jelfeldolgozási módszerek és neurális hálók algoritmusainak a kombinációja.

Kriptográfia kutatócsoport

Prímszámokra épülő informatikai biztonsági protokollok elemzése és hasznosítása a kriptográfiában („backdoorok” felkutatása,  aszimmetrikus rejtjelezési problémák vizsgálata).

IoT rendszerekben sérülékenységek azonosítására, és kiküszöbölésére alkalmas módszerek kidolgozása (véletlenszám-generátorok, titkosítási eljárások ). Decentralizált adatérvényesítési hálózat modelljének kidolgozása,  amely attribútum-alapú titkosítást (ABE) használ annak biztosítására, hogy a kötelező attribútumokkal nem rendelkező érvényesítőket ne vonhassák be az adatellenőrzési folyamatba.

A GDPR illetve informatikai biztonsági ajánlásoknak megfelelő, érzékeny adatok kezelésére, anonimizálására szolgáló módszertanok fejlesztése. Jelszavak biztonságos továbbítása harmadik fél által biztosított erőforráson, megvalósíthatóság  vizsgálata FPGA, GPU architektúrák esetén.

Együttműködő partnereink

Johannes Kepler Egyetem (JKU, Linz), ELKH MFA Nanoérzékelők Laboratórium, ELKH SZTAKI Rendszer és Irányításelméleti Laboratórium, Fiumei Egyetem Automatizálási és Elektronikai Tanszék, Göttingeni Egyetemi Orvosi központ.