Vitenskapelig artikkel
Publisert:
Operationalising uncertainty: The automation of threat knowledge and situational awareness
Sammendrag:
Denne artikkelen ser nærmere på Varslingssystem for Digital Infrastruktur (VDI), et sensornettverk som skal avdekke og varsle om cyberoperasjoner mot kritisk infrastruktur eller kritiske funksjoner i Norge.
Med fokus på anomalideteksjon – søken etter tidligere ukjente trusler gjennom automatisering og maskinlæring for å oppnå bedre «situasjonsforståelse» – viser artikkelen at metoden ikke leverer på lovnaden om såkalt totalsikkerhet. Snarere skaper maskinlæring nye former for trusler og usikkerheter. Når alt utenom normal aktivitet i et nettverk blir flagget, blir alt også mistenkelig. Med maskinlæring er ikke “trussel” og “fare" lenger forutbestemte kategorier, men noe som endrer seg avhengig av hvordan situasjonen tolkes.
Grensen mellom normalt og unormalt, ufarlig og truende, blir flytende. Jobben blir jakten på avvik, i stedet for søken etter konkrete eller kjente «fiender». Med bakgrunn i litteratur innen kritiske sikkerhetsstudier og STS, utfordrer artikkelen den utbredte forestillingen om at mer data og automatisering gir bedre sikkerhet. I stedet bør cybersikkerhet forstås som et kontinuerlig samspill mellom mennesker og maskiner. Avansert teknologi eliminerer ikke usikkerhet – de skaper nye måter å avdekke og håndtere, men også generere trusler på. Å forstå dette kan gi mer realistiske forventninger til hva «ny teknologi» faktisk kan oppnå, og rette oppmerksomheten mot menneskets rolle, kunnskapsproduksjon og det komplekse arbeidet som holder systemer i gang og gjør den digitale verden til noe håndfast.
Å studere teknologi og automatisering handler derfor ikke bare om å forstå hvordan smartere verktøy bygges og hva de gjør, men også om hvordan og hvorfor de utvikles, hva de brukes til, og hvilken effekt det har.
Med fokus på anomalideteksjon – søken etter tidligere ukjente trusler gjennom automatisering og maskinlæring for å oppnå bedre «situasjonsforståelse» – viser artikkelen at metoden ikke leverer på lovnaden om såkalt totalsikkerhet. Snarere skaper maskinlæring nye former for trusler og usikkerheter. Når alt utenom normal aktivitet i et nettverk blir flagget, blir alt også mistenkelig. Med maskinlæring er ikke “trussel” og “fare" lenger forutbestemte kategorier, men noe som endrer seg avhengig av hvordan situasjonen tolkes.
Grensen mellom normalt og unormalt, ufarlig og truende, blir flytende. Jobben blir jakten på avvik, i stedet for søken etter konkrete eller kjente «fiender». Med bakgrunn i litteratur innen kritiske sikkerhetsstudier og STS, utfordrer artikkelen den utbredte forestillingen om at mer data og automatisering gir bedre sikkerhet. I stedet bør cybersikkerhet forstås som et kontinuerlig samspill mellom mennesker og maskiner. Avansert teknologi eliminerer ikke usikkerhet – de skaper nye måter å avdekke og håndtere, men også generere trusler på. Å forstå dette kan gi mer realistiske forventninger til hva «ny teknologi» faktisk kan oppnå, og rette oppmerksomheten mot menneskets rolle, kunnskapsproduksjon og det komplekse arbeidet som holder systemer i gang og gjør den digitale verden til noe håndfast.
Å studere teknologi og automatisering handler derfor ikke bare om å forstå hvordan smartere verktøy bygges og hva de gjør, men også om hvordan og hvorfor de utvikles, hva de brukes til, og hvilken effekt det har.
- Publiseringsår: 2026
- Fullversjon: Klikk her for å laste ned artikkelen
-
DOI:
https://doi.org/10.1093/secdia/xhag010
- Utgiver: Oxford Academic
- Antall sider: 13
- Språk: Engelsk
- Tidsskrift: Security Dialogue
Skrevet av
Claudia Emilie Aanonsen
Seniorforsker