Ökad användning av molnapplikationer, som Dropbox och Google Drive, av privata användare har ökat oron för användningen av molninformation för cyberbrott som barnexploatering, illegal narkotikahandel och illegala skjutvapentransaktioner.

Forskare vid Purdue University har utvecklat en kriminalteknisk molnmodell som använder maskininlärning för att samla in digitala bevis relaterade till illegala aktiviteter på molnlagringsapplikationer.

"Det är avgörande att upptäcka illegala molnaktiviteter i rörelse, sa Fahad Salamh, en Ph.D. student vid Purdue Polytechnic Institute, som hjälpte till att skapa systemet. "Vår teknik identifierar och analyserar i realtid incidenter relaterade till dessa cyberbrott genom transaktioner som laddas upp till molnlagringsapplikationer."

Salamh arbetade med tekniken med Marcus Rogers och Umit Karabiyik, professorer i yrkeshögskolan som är specialiserade på dator- och informationsteknologi.

Purdue-systemet använder modeller för djupinlärning för att klassificera utnyttjande av barn, illegal narkotikahandel och illegala vapentransaktioner laddade upp till molnlagringsapplikationer och rapportera olaglig verksamhet via ett kriminaltekniskt bevisinsamlingssystem.

Processen börjar när en användare av en molnlagringsapplikation laddar upp en mediefil, antingen bild eller video. De förtränade maskininlärningsmodellerna skannar både bilder och miniatyrer för att leta efter tecken på cyberbrott.

Genom att identifiera och analysera dessa incidenter med hjälp av maskininlärning, molntjänstleverantörer kan samla in varningsloggar, blockera de associerade kontona och rapportera dem till brottsbekämpande myndigheter baserat på en begäran om molnsökningsorder.

"Det är viktigt att automatisera processen för digital kriminalteknik och incidentrespons för att klara av avancerad teknik och sofistikerade döljningstekniker och för att minska masslagringen av digitala bevis i fall som involverar molnlagringsapplikationer, "Salamh sade. "Molnmiljöer utmanar utredare att identifiera äganderätten till uppladdade mediefiler på grund av deras nätverksarkitektur och databehandling."

Purdue-teamet testade mer än 1, 500 bilder, och modellen klassificerade en bild exakt i ungefär 96 % av gångerna.