Kappale 8 - Teoria

Site: CyberSEA training platform
Course: CyberSEA Training Course - Finnish
Book: Kappale 8 - Teoria
Printed by: Invitado
Date: Sunday, 22 November 2026, 12:12 AM

Description

Nousevat teknologiat ja tulevat haasteet

1. Johdanto

Merenkulun kyberturvallisuuden tulevaisuus liittyy erottamattomasti nousevien teknologioiden kehitykseen ja maailmanlaajuisen merenkulun toimintojen kasvavaan monimutkaisuuteen. Kun autonomiset järjestelmät ja seuraavan sukupolven teknologiat integroituvat yhä enemmän merenkulun toimintoihin, myös uusien kyberturvariskien mahdollisuus kasvaa. Tässä luvussa tarkastellaan nousevia teknologioita, jotka muokkaavat merenkulun alaa – autonomisista prosesseista IoT-laitteiden kasvavaan rooliin sekä tekoälyn hyödyntämiseen kyberturvallisuudessa ja ennakoivassa analytiikassa.

Aloitamme tarkastelemalla automaation ja autonomisten prosessien riskejä ja analysoimalla, millaisia haavoittuvuuksia näiden teknologioiden lisääntyvä käyttö voi tuoda mukanaan. Luku siirtyy sen jälkeen käsittelemään seuraavan sukupolven teknologioiden suojaamista merenkulussa, erityisesti sitä, miten IoT-laitteet mahdollistavat innovaatioita mutta luovat myös uusia hyökkäysmahdollisuuksia. Lisäksi tarkastelemme, miten tekoälyä käytetään ennakoivaan analytiikkaan ja proaktiivisiin kyberturvatoimiin.

Tämä luku tarjoaa tulevaisuuteen suuntaavan näkökulman siihen, miten merenkulun ala voi turvata tulevaisuutensa ottamalla huomioon nouseviin teknologioihin liittyvät kyberturvariskit ja valmistautumalla edessä oleviin haasteisiin.

2. Autonomiset prosessit ja automaation riskit

SS Ideal X oli ensimmäinen kaupallinen konttialus. Se muutettiin toisen maailmansodan aikaisesta öljytankkerista konttialukseksi Pan-Atlantic Steamship Company -yhtiölle. Ideal X:n lastikapasiteetti oli 58 konttia. Sen ura merenkulun logistiikassa päättyi vuonna 1965, kun tämä uudenlaisen merenkulun kärkinimi romutettiin.

A large ship in the water

AI-generated content may be incorrect.

Kuva 19: SS Ideal X 

(Kuva: Malcolm McLean, Pan-Atlantic Steamship Company 26.4.1956)

 

On yleisesti tiedossa, että konttialan kehitys on ollut valtava Ideal X:n ajoista lähtien. Nykyään suurin konttialus on MSC Irina. Sen 399 metrin runkopituus ja 61,3 metrin leveys mahdollistavat huikean 24 346 TEU:n lastikapasiteetin (Transport Equivalent Unit).

 

A ship in the water

AI-generated content may be incorrect.

Kuva 20: MSC Irina 

(Kuva: Orbits hub Technology Private Ltd., 2024)

 

Silti kaupalliset vaatimukset yhdistävät edelleen Ideal X:lle ja MSC Irinalle asetettuja suunnittelu- ja toimintarajoja. Uuden suunnitelman hylkäämisen nopein tapa on, jos sen taustalla ei ole todettua liiketoimintalaskelmaa. Kun keskustelu pyörii autonomisten alusten mahdollisuudesta, on hyvä muistaa, että ihminen laskeutui kuuhun etäohjauksella, mutta lennolla ja laskeutumisessa oli useita hallintajärjestelmiä. Vain lyhyen ajan itse kuuhun laskeutumisvaiheessa ohjaaja ohjasi moduulia paikallisesti. Muu osa lennosta toteutettiin Apollo-ohjaustietokoneen avulla. Ohjaustietokoneessa oli rajapinnat aluksen navigointiin ja hallintaan. Tämä kaikki oli suunniteltu, käytetty ja todettu toimivaksi jo vuonna 1966. Siksi voimme perustellusti sanoa, että autonomisten alusten puuttuminen ei johdu teknologiasta. Jotta voimme ymmärtää paremmin autonomisen aluksen kaupallisen tapauksen perusteita, meidän täytyy perehtyä siihen liittyviin riskeihin.

Riskin määritelmä on todennäköisyys kerrottuna seurauksilla. Mitä suurempi todennäköisyys ja mitä vakavammat seuraukset, sitä suurempi riski on. Riskienhallinnan perusidea on vähentää todennäköisyyttä, vähentää seurausten vakavuutta tai tehdä molempia. Risksit ilmenevät monissa eri muodoissa ja kategorioissa. Alla oleva lista esittelee joitakin merenkulussa yleisesti tunnistettuja riskejä.

 

Kuva 21: Yleisesti tunnistetut riskit merenkulun ympäristöissä

(Lahtinen, 2025)

 

Näiden riskien vähentäminen edellyttää kokonaisvaltaisia riskienhallintastrategioita, teknologia-investointeja sekä henkilöstön säännöllistä koulutusta. Edellä olevassa riskilistassa kyberturvallisuus mainitaan viimeisenä. Kuitenkin merenkulun prosessien hallinnassa IT-järjestelmien roolin kasvu on tehnyt lähes kaikesta alttiin kyberturvariskeille. Alukset ovat verkossa reaaliaikaista koneiden kunnonvalvontaa varten. Säädata perustuu tekoälyn tukemiin sääanalyyseihin ja aiempaan reittikokemukseen. Alusten navigointijärjestelmät päivittyvät verkon kautta ja perustuvat täysin digitaalisesti tuotettuihin ja esitettyihin käyttöliittymiin. Toimitusketjuja seurataan ja säädetään reaaliaikaisesti optimointiohjelmistojen ja tekoälyn avulla. Jos tarkoituksena olisi vahingoittaa merenkulun toimitusketjua, kyberturvallisuus vaikuttaa erinomaiselta vaihtoehdolta, sillä IT-järjestelmät ovat mukana kaikessa nykyaikaisessa merenkulussa. Myös hyökkäämistahto on keskeinen tekijä kyberturvallisuuden riskienhallinnassa.

Riskienhallinnassa käytetään kahta termiä: turvallisuus (safety) ja turvasuojaus (security). Näitä käytetään usein synonyymeinä, mutta ne tarkoittavat eri asioita, erityisesti merenkulun kaltaisissa konteksteissa. Näiden käsitteiden välillä on selkeä ero.

Ensinnäkin turvallisuus tarkoittaa ihmisten, omaisuuden ja ympäristön suojaamista vahingossa tapahtuvilta vaaroilta tai vahingoilta. Se keskittyy onnettomuuksien ehkäisyyn ja operaatioihin liittyvien riskien minimointiin. Tämä sisältää toimenpiteitä, kuten koulutuksen, laitteiden huollon, turvallisuusprotokollat ja työturvallisuusmääräysten noudattamisen. Esimerkkejä ovat pelastusliivien saatavuus ja kunnossapito, säännölliset pelastusharjoitukset sekä liukastumisten ja putoamisten ehkäisy aluksella.

Toisaalta suojaus tarkoittaa ihmisten, omaisuuden ja tiedon suojaamista tahallisilta uhkilta tai haitallisilta toimilta. Se keskittyy tarkoituksellisten vahinkojen, kuten varkauden, sabotoinnin tai terrorismiin liittyvien uhkien, ehkäisyyn. Tämä sisältää toimenpiteitä rikollista toimintaa, luvattomia pääsyjä ja muita uhkia vastaan. Esimerkkejä ovat kulunvalvontajärjestelmät, taustatarkistukset henkilöstölle sekä valvontakamerat epäilyttävän toiminnan havaitsemiseksi.

Yhteenvetona voidaan todeta, että turvallisuus tarkoittaa tahattoman vahingon estämistä, kun taas suojaus tarkoittaa tahallisen vahingon estämistä. Molemmat ovat välttämättömiä yksilöiden ja omaisuuden suojaamiseksi, erityisesti riskialttiissa ympäristöissä, kuten merenkulussa. Voidaan myös sanoa, että turvallisuus liittyy sisäisiin uhkiin, kun taas suojaus liittyy ulkoisiin uhkiin. Sisäisiä uhkia voidaan hallita omalla käyttäytymisellä ja esimerkiksi koulutuksella, kun taas ulkoisiin uhkiin voidaan valmistautua ennakolta.

Kun merenkulun ala ottaa yhä enemmän käyttöön autonomisia järjestelmiä, vahvat kyberturvallisuustoimet ovat välttämättömiä kehittyviä uhkia vastaan, turvallisen toiminnan varmistamiseksi ja merenkulun toimintojen eheyden turvaamiseksi. Tämä edellyttää proaktiivista otetta, jatkuvaa valvontaa ja alan laajuista yhteistyötä. Siirtymä kohti yhä autonomisempia järjestelmiä saattaa jopa vähentää kyberturvariskejä, koska ihmisten vuorovaikutus, joka usein lisää riskejä, vähenee.

3. Uuden sukupolven teknologioiden suojaaminen

Merellisen autonomisen järjestelmän käyttöönotto tuo operaattoreille erilaisia turvallisuus- ja suojaushaasteita. Jos aluksen tai sen kriittisten järjestelmien turvallisuus vaarantuu, heijastuu tämä ennemmin tai myöhemmin myös turvallisuustasoon. Kaikilta kaupallisilta aluksilta odotetaan toimintakykyä kaikissa ennakoitavissa olosuhteissa, eikä autonominen alus ole poikkeus tästä periaatteesta. Autonomisten järjestelmien käyttöönoton katsotaan yleisesti lisäävän turvallisuutta, ja jos näin on, myös operatiivinen turvallisuus on ratkaiseva edellytys kaupelliselle menestykselle.

Autonomisten järjestelmien, tai jopa kokonaisen autonomisen aluksen, ei tulisi poiketa perinteisistä järjestelmistä kyberturvallisuuden tai kyberturvallisuuden näkökulmasta. Keskeiset riskit ovat pitkälti samankaltaisia, mutta ihmisten poistuessa operatiivisesta työstä suuri osa riskienhallintavastuusta siirtyy järjestelmien suunnittelijoille. Autonomisissa järjestelmissä monet turvallisuutta ja suojausta koskevat päätökset tehdään jo suunnitteluvaiheessa.

Uusien teknologioiden käyttöönoton riskit turvallisuusluonteisissa merellissä toiminnoissa liittyvät ennen kaikkea siihen, että käytännön kokemusta on vielä vähän. Mallinnus ja pöytätestit ovat välttämättömiä, mutta järjestelmien monimutkaisuus vaatii systeemiteoreettista lähestymistapaa. Tämä tarkoittaa sitä, että järjestelmä voi vikaantua vaikka kaikki sen yksittäiset komponentit toimisivat juuri kuten niiden oli tarkoitus toimia. Kyse on kontekstista: mitä monimutkaisempi järjestelmä on, sitä enemmän mahdollisia toimintaympäristöjä ja tilanteita voi syntyä esimerkiksi ympäristöolosuhteiden muuttuessa. Jokainen järjestelmän komponentti reagoi vallitsevaan tilanteeseen, mikä johtaa seuraavaan tilanteeseen ja sen mukanaan tuomiin reaktioihin. Lopulta mahdollisten lopputulosten määrä kasvaa lähes rajattomaksi. Riippumatta siitä, kuinka hyvin järjestelmä on suunniteltu, monimutkaisessa ympäristössä oikein tehty reaktio voi johtaa katastrofaaliseen lopputulokseen.

A diagram of a control system

AI-generated content may be incorrect.

Kuva 22: Autonomisen komentosillan ohjausjärjestelmä

(Lahtinen, 2024)

 

Kuvassa 22 jokainen valkoinen laatikko edustaa järjestelmän sisällä kulkevaa tietoviestiä. Samalla jokainen valkoinen laatikko on myös potentiaalinen kyberturvauhan kohta, kun data siirtyy komponenttien välillä. Tahallinen GPS-häirintä on nykyään laajasti esillä keskustelussa. Tämä on esimerkki tilanteesta, jossa emme voi poistaa vaaran perimmäistä syytä, vaan voimme vain lisätä redundanssia ja varmistaa, että havaitsemme ongelman heti, kun se ilmenee. Tämä haaste on yhtä vakava sekä autonomisissa että perinteisissä aluksissa.

4. IoT merenkulussa: riskit ja turvallisuustoimet

Merenkulun teollisuus omaksuu nopeasti esineiden internetin (IoT) parantaakseen toimintatehokkuutta, vähentääkseen kustannuksia ja lisätäkseen turvallisuutta. Aluksilla ja satamatoiminnoissa käytettävät IoT-laitteet mahdollistavat reaaliaikaisen tiedonkeruun esimerkiksi navigoinnissa, moottorinohjauksessa, rahtiseurannassa ja miehistön hyvinvoinnissa (Stellios et al., 2018). Näiden hyötyjen ohella IoT tuo mukanaan merkittäviä kyberturvallisuusriskejä ja haavoittuvuuksia, jotka on ymmärrettävä ja hallittava oikein. Merenkulun kontekstissa riski tarkoittaa mitä tahansa tapahtumaa tai toimintaa, joka voi vahingoittaa toimintaa, häiritä järjestelmän eheyttä, vaarantaa henkilöstöä, vaarantaa rahdin tai aiheuttaa haittaa ympäristölle. Tällaiset riskit koskettavat monia sidosryhmiä, kuten varustamoja, miehistöä, satamaviranomaisia ja loppuasiakkaita. Uhkan vakavuudesta ja luonteesta riippuen seuraukset voivat vaihdella pienistä operatiivisista häiriöistä laajamittaiseen ympäristövahinkoon ja merkittäviin taloudellisiin menetyksiin.

Koska monet IoT-laitteet ovat laskentateholtaan rajallisia (Pereira et al., 2020), on haastavaa toteuttaa vahvoja turvallisuustoimia. Hyökkääjät hyödyntävät usein näitä rajoituksia saadakseen luvattoman pääsyn tai aiheuttaakseen häiriöitä, jotka johtavat tietovuotoihin, liikesalaisuuksien menetykseen tai jopa teolliseen vakoiluun. Yhden laitteen heikkous voi aiheuttaa ketjureaktion, joka vaarantaa laajemmat järjestelmät ja heikentää luottamusta merenkulun toimintaan. Näiden uhkien torjumiseksi on tärkeää käsitellä haavoittuvuuksia IoT-järjestelmien kaikissa toiminnallisissa osa-alueissa, samalla kun tunnistetaan laajemmat kyberturvallisuuskysymykset, jotka liittyvät globaaliin merenkulun toimitusketjuun.

IoT-laitteet suorittavat yleensä neljä keskeistä tehtävää: tiedon lähettäminen, ohjaustoimintojen suorittaminen, ympäristön havainnointi tai monitorointi sekä tiedon käsittely tai tallentaminen. Jokainen rooli tuo mukanaan omat haavoittuvuutensa. Merenkulun ympäristössä nämä haavoittuvuudet ilmenevät kolmella pääalueella: tietojen käsittelyyn/tallennukseen/siirtoon liittyvät riskit, ohjaus- ja toteutusriskit sekä havainnointi- ja monitorointiriskit.

Tietojen siirtoon liittyvät riskit

Merenkulussa alukset käyttävät usein satelliitti-, radio- tai muita langattomia yhteyksiä vaihtaakseen kriittistä tietoa, kuten navigointikoordinaatteja, AIS-dataa, sääennusteita sekä aluksen ja maasivun välisiä operatiivisia viestejä. Jos nämä kanavat eivät ole suojattuja, ne voidaan siepata tai muokata. Balduzzi et al. (2014) osoittaa, että hyökkääjät pystyivät väärentämään esimerkiksi “vedessä olevan henkilön” signaaleja. Kuuntelu- ja man-in-the-middle -hyökkäykset mahdollistavat luvattomien tahojen seurata tai muuttaa navigointitietoja, mikä voi johtaa väärään reittiin, vääristettyihin aluksen tunnistetietoihin ja heikentyneisiin turvallisuusprotokolliin.

Jos luvattomat tahot pääsevät käsiksi tietovarastoihin, ne voivat saada haltuunsa arkaluonteisia tietoja kauppareiteistä, kuljetussopimuksista ja sääntelyyn liittyvistä tiedoista, tai muokata tärkeitä operatiivisia tietueita (Nicaise, 2025). Huonosti suojatut salausavaimet ja vanhentuneet varmuuskopiointikäytännöt tekevät tietovarastoista alttiita korruptiolle, poistamiselle tai kiristyshyökkäyksille, jotka voivat pysäyttää satamatoiminnan ja aiheuttaa merkittävää taloudellista ja mainehaittaa. Lisäksi palvelunestohyökkäykset voivat ylikuormittaa viestintäkanavia ja tehdä ne käyttökelvottomiksi kriittisellä hetkellä.

Ohjaus- ja toteutusriskit

Modernit alukset käyttävät yhä enemmän automaatiota esimerkiksi potkurin, ohjauksen, lastausjärjestelmien ja muiden kriittisten prosessien hallintaan. Nämä automatisoidut järjestelmät hyväksyvät usein etäkomentoja, mikä tehostaa toimintaa mutta avaa myös mahdollisuuden haitalliselle puuttumiselle, jos turvallisuustoimet ovat heikkoja (Longo et al., 2024). Esimerkiksi vaarantunut autopilotti voi muuttaa aluksen kurssia, mikä voi johtaa karilleajoihin tai törmäyksiin. Hyökkääjä voi myös poistaa käytöstä tärkeitä turvamekanismeja tai sabotoida sataman nostureita ja muita laitteita aiheuttaen häiriöitä. Fyysinen manipulointi laitteistoilla moninkertaistaa uhkia, sillä henkilö, jolla on suora pääsy, voi ohittaa tai vahingoittaa kriittisiä komponentteja ja vaarantaa sekä miehistön että aluksen rakenteellisen turvallisuuden.

Havainnointi- ja monitorointiriskit

Laaja valikoima antureita tuottaa reaaliaikaista tietoa aluksen tilasta ja ympäristöstä, kuten rungon eheydestä, moottorin suorituskyvystä, lastin lämpötilasta ja ilmakehän olosuhteista. Jos antureita huijataan tai manipuloidaan, aluksen operatiiviset päätöksentekijät saavat väärää tietoa, mikä voi johtaa virheellisiin navigointipäätöksiin, lastin hallinnan virheisiin tai odottamattomiin mekaanisiin vikoihin. Hyökkäykset antureihin, kuten tutka-, kaiku- tai AIS-signaaleihin, voivat vääristää tai peittää aluksen sijainnin ja liikkeet, mikä lisää törmäysriskiä (Jones, 2017). Viallinen tai viivästynyt anturidata voi myös heikentää keskeisiä toimintoja, kuten palontunnistusta, ympäristönhallintaa ja kunnossapitosuunnittelua, mikä vaarantaa sekä turvallisuuden että sääntelyvaatimusten noudattamisen.

Turvallisuustoimet

Merenkulun kyberturvallisuutta ohjaavat useat kansalliset ja kansainväliset standardit, mukaan lukien Kansainvälisen merenkulkujärjestön (IMO) ohjeistukset. Organisaatiot voivat myös omaksua viitekehyksiä, kuten NIST Cybersecurity Frameworkin tai ISO 27001 -standardin. Noudattaminen on tärkeää paitsi laillisten seuraamusten välttämiseksi myös turvallisuuskulttuurin luomiseksi ja parhaita käytäntöjä vastaavan toiminnan varmistamiseksi. 

1. Verkon eristäminen ja nollaluottamusarkkitehtuuri

Kriittisten järjestelmien, kuten navigoinnin ja ohjausverkkojen, eristäminen ei-kriittisistä järjestelmistä, kuten matkustajien internet-palveluista, estää hyökkäyksen leviämisen järjestelmästä toiseen. Verkon segmentointi mahdollistaa erillisten virtuaaliverkkojen luomisen eri järjestelmille, mikä varmistaa turvallisen viestinnän ilman häiriöitä. Nollaluottamusperiaatteiden omaksuminen vahvistaa tätä vaatimalla jatkuvaa autentikointia ja valvontaa jokaiselta käyttäjältä, laitteelta ja sovellukselta. Tämä minimoi luvattoman pääsyn riskin ja varmistaa, ettei sisäisille laitteille myönnetä oletusarvoista luottamusta. Esimerkiksi, jos miehistön laite vaarantuu, nollaluottamusjärjestelmät estävät pääsyn herkkään navigointidataan tai kriittisiin ohjausjärjestelmiin.

2. Edistynyt uhkien havaitseminen ja torjunta

Kyberuhkien reaaliaikainen havaitseminen on kriittistä merenkulun operaatioille. Tunkeutumisen havaitsemis- ja estojärjestelmät (IDS/IPS) valvovat verkkoliikennettä tunnistaakseen ja estääkseen luvattomat toiminnot. Esimerkiksi jos hyökkääjä pyrkii murtautumaan aluksen ohjausjärjestelmään, IDS/IPS-järjestelmä voi tunnistaa poikkeavan liikennemallin ja ryhtyä automaattisesti estotoimiin. Deep Packet Inspection (DPI) -tekniikka analysoi siirrettävien datapakettien sisällön ja tunnistaa piilotetun haittaohjelmakoodin, epäilyttävät komennot tai luvattomat tiedonsiirrot. DPI on erityisen hyödyllinen sellaisten uhkien havaitsemisessa, jotka kiertävät perinteisiä palomuureja naamioitumalla normaaliksi liikenteeksi.

Palomuurit ovat edelleen keskeinen keino saapuvan ja lähtevän liikenteen hallinnassa, mutta nykyaikaiset palomuurit hyödyntävät yhä useammin koneoppimista mukautuakseen dynaamisesti uusiin uhkiin, mikä tekee niistä tehokkaampia jatkuvasti muuttuvissa merenkulun verkkoympäristöissä.

3. Virtualisointi ja konttiteknologiat

Järjestelmien eristämisen ja toimintavarmuuden varmistamiseksi virtualisointi ja konttiteknologiat ovat keskeisiä. Virtualisointi mahdollistaa useiden virtuaalikoneiden ajamisen yhdellä fyysisellä palvelimella siten, että yhden järjestelmän vaarantuminen ei vaikuta muihin. Konttiteknologiat puolestaan eristävät yksittäiset sovellukset toisistaan ja estävät niiden keskinäisen häiriövaikutuksen. Esimerkiksi navigointijärjestelmä ja lastinseurantajärjestelmä voidaan ajaa erillisissä konteissa, jolloin yhden järjestelmän tietoturvapoikkeama ei leviä toiseen.

4. Edistyneet salausmenetelmät

Arkaluonteisen tiedon suojaaminen on välttämätöntä merenkulun toiminnoissa, erityisesti silloin kun IoT-järjestelmät tuottavat suuria tietomääriä. Homomorfinen salaus mahdollistaa tiedon käsittelyn ja analysoinnin ilman purkamista, mikä varmistaa, että arkaluonteinen tieto pysyy suojattuna myös laskennan aikana. Tämä on erityisen hyödyllistä tilanteissa, joissa alukset siirtävät tietoa satamiin tai ohjauskeskuksiin, sillä se vähentää tiedon paljastumisen riskiä käsittelyn yhteydessä.

Nousevat teknologiat, kuten kvanttisalaus ja erityisesti kvanttiavainten jakelu (Quantum Key Distribution, QKD) (Scarani et al., 2009), hyödyntävät kvanttimekaniikan periaatteita, kuten superpositiota ja lomittumista, luodakseen salausavaimia, joita on käytännössä mahdoton murtaa.

5. Identiteetinhallinta

Vain valtuutettujen käyttäjien ja laitteiden pääsyn varmistaminen merenkulun IoT-järjestelmiin on keskeinen tietoturvavaade. Kehittyneet identiteetinhallintajärjestelmät hyödyntävät monivaiheista tunnistautumista, biometrisiä tunnisteita ja roolipohjaista käyttöoikeuksien hallintaa. Esimerkiksi miehistön jäseneltä voidaan vaatia sekä salasanaa että sormenjälkitunnistusta kriittisiin järjestelmiin pääsyä varten, ja käyttöoikeudet rajataan hänen työtehtäviensä mukaisesti. Lohkoketjuteknologia voi edelleen vahvistaa identiteetinhallintaa tarjoamalla hajautetun ja muuttamattoman rekisterin identiteeteistä, mikä vaikeuttaa tunnistetietojen väärentämistä tai luvatonta käyttöä.

6. Poikkeamiin reagointi ja redundanssi

Vaikka käytössä olisi kattavat suojaustoimenpiteet, tietoturvaloukkauksia voi silti tapahtua, minkä vuoksi poikkeamiin reagoinnin suunnittelu on välttämätöntä. Ennalta määritellyt roolit, eskalointimenettelyt ja säännölliset harjoitukset varmistavat, että miehistö pystyy rajaamaan uhkat nopeasti ja minimoimaan vahingot. Esimerkiksi jos polttoaineen seurantaan käytettävä IoT-järjestelmä vaarantuu, valmiiksi laadittu toimintasuunnitelma sisältää kyseisen järjestelmän eristämisen, sidosryhmien informoinnin ja varajärjestelmien käyttöönoton toiminnan jatkuvuuden turvaamiseksi.

7. Fyysinen turvallisuus

Digitaalisten suojaustoimenpiteiden tehokkuus riippuu myös laitteiston fyysisestä turvallisuudesta. Palvelinkaappien lukitseminen, manipulointia osoittavien sinettien käyttö ohjauspaneeleissa sekä valvontajärjestelmien hyödyntäminen vähentävät paikan päällä tapahtuvan sabotaasin riskiä. Jos hyökkääjä saa fyysisen pääsyn kriittisiin järjestelmiin, hän voi ohittaa kehittyneetkin digitaaliset suojaukset esimerkiksi liittämällä luvattomia laitteita tai käsittelemällä suoraan herkkiä komponentteja.

8. Inhimillinen tekijä ja koulutus

Vahva kyberturvallisuusstrategia alkaa ihmisistä. Miehistöä, satamaviranomaisia ja johtohenkilöstöä on koulutettava säännöllisesti uusista uhkista ja hyökkäysmenetelmistä, kuten tietojenkalastelusta, haitallisista USB-laitteista ja sosiaalisesta manipuloinnista. Realistiset harjoitukset, kuten simuloidut kyberhyökkäykset, lisäävät tietoisuutta ja parantavat valmiutta reagoida todellisiin poikkeamatilanteisiin. Selkeät tietoturvakäytännöt yhdistettynä jatkuvaan koulutukseen vähentävät merkittävästi inhimillisten virheiden riskiä, joka on edelleen yksi yleisimmistä onnistuneiden kyberhyökkäysten syistä.

Näiden toimenpiteiden avulla merenkulun järjestelmien turvallisuutta voidaan merkittävästi parantaa ja luoda vahva puolustus kyberuhkia vastaan. Tämä ei ainoastaan suojaa arkaluonteista tietoa ja kriittisiä toimintoja, vaan varmistaa myös miehistön, alusten ja lastin turvallisuuden.


5. Tekoäly merenkulun kyberturvallisuudessa ja ennakoivassa analytiikassa

CKyberturvallisuudesta on tullut keskeinen tekijä merenkulun kriittisten toimintojen, kuten navigoinnin, lastinhallinnan ja viestintäverkkojen, suojaamisessa. Tekoäly (Artificial Intelligence, AI) on noussut merkittäväksi työkaluksi näihin haasteisiin vastaamisessa. Analysoimalla suuria tietomääriä tekoälypohjaiset järjestelmät kykenevät tunnistamaan uhkia aiempaa tarkemmin, nopeuttamaan reagointia ja vähentämään toiminnallisia häiriöitä (Kaur et al., 2023). Tässä luvussa esitellään tekoälyn, koneoppimisen (Machine Learning, ML) ja syväoppimisen (Deep Learning, DL) perusteet, kuvataan koneoppimismallien elinkaari sekä tarkastellaan, miten näitä teknologioita voidaan hyödyntää merenkulun kyberturvallisuuden ja operatiivisen tehokkuuden parantamisessa.

Hyökkäysten havaitsemisen lisäksi tekoäly parantaa alusten suorituskykyä ja energiatehokkuutta analysoimalla aluksen anturidataa ja ennakoimalla mahdollisia mekaanisia vikoja ennen niiden toteutumista (Tu et al., 2018). Tämä mahdollistaa huoltotoimenpiteiden ajoittamisen kustannustehokkaasti ja vähentää odottamattomien laiterikkojen riskiä. Lisäksi tekoäly voi säätää aluksen nopeutta ja reittiä dynaamisesti sääolosuhteiden, lastin määrän tai polttoaineenkulutuksen perusteella, mikä alentaa käyttökustannuksia ja pienentää ympäristövaikutuksia.

Toinen merkittävä sovellusalue on tekoälyyn perustuva visuaalinen valvonta, joka parantaa merenkulun turvallisuutta seuraamalla aluksen sisäisiä toimintoja ja tunnistamalla luvattoman liikkumisen tai poikkeavan käyttäytymisen (Şengönül et al., 2023). Syväoppimismallit, kuten konvoluutioneuroverkot, pystyvät havaitsemaan poikkeamia lastinkäsittelyssä tai tunnistamaan tilanteita, joissa henkilöstö liikkuu rajoitetuilla alueilla. Esimerkiksi robottijärjestelmät voivat purkaa kontteja turvallisesti ja tehokkaasti satunnaisessa järjestyksessä saapuvasta lastista, mikä vähentää manuaaliseen työhön liittyviä riskejä ja parantaa toiminnan tarkkuutta (Mojtahedzadeh et al., 2015).

Tekoälyn, koneoppimisen ja syväoppimisen perusteet

Tekoäly on laaja tietojenkäsittelytieteen osa-alue, jonka tavoitteena on kehittää järjestelmiä, jotka pystyvät suorittamaan tehtäviä, jotka normaalisti vaativat inhimillistä älykkyyttä, kuten kielen ymmärtämistä, hahmontunnistusta tai päätöksentekoa. Varhainen tekoälytutkimus perustui pitkälti niin sanottuihin sääntöpohjaisiin järjestelmiin, joissa asiantuntijat määrittelivät yksityiskohtaisia JOS–NIIN-sääntöjä, kuten kuvassa 23 on esitetty. Kyberturvallisuudessa tällainen sääntö voisi olla esimerkiksi: ”Jos järjestelmä havaitsee useita epäonnistuneita kirjautumisyrityksiä, estä käyttäjän pääsy tilapäisesti.” Sääntöpohjaiset järjestelmät toimivat hyvin tilanteissa, joissa säännöt voidaan määritellä selkeästi, mutta ne ovat heikkoja uusien tai odottamattomien tilanteiden käsittelyssä.

Structure of a Rule-based Expert System

Kuva 23: Tekoälyn sääntöpohjaisen järjestelmän rakenne

(Mojtahedzadeh et al., 2015)

 

Nykyaikainen tekoäly ei enää perustu pelkästään ennalta kirjoitettuihin sääntöihin, vaan hyödyntää koneoppimista, jonka avulla tietokoneet oppivat datasta ilman, että ne ohjelmoidaan erikseen jokaista mahdollista tilannetta varten. Sen sijaan järjestelmälle annetaan suuria tietomääriä, joita se analysoi tunnistaakseen malleja ja tehdäkseen päätöksiä itsenäisesti. Tämä oppimisprosessi muistuttaa ihmisen oppimista kokemuksen kautta: havainnoidaan esimerkkejä, tunnistetaan yhteyksiä ja kehitetään ymmärrystä ajan myötä. Merenkulussa koneoppimista voidaan hyödyntää esimerkiksi GPS-paikannusdatassa epätavallisten alusten liikkeiden tunnistamiseen, mikä voi viitata luvattomaan toimintaan tai merirosvouksen uhkaan. Analysoimalla reaaliaikaista sijaintidataa ja aiempia poikkeamatapauksia tekoäly pystyy tunnistamaan poikkeamia normaalista käyttäytymisestä ja käynnistämään hälytyksiä ennen kuin turvallisuusriski eskaloituu. Ajan myötä koneoppimismallit tarkentavat ennusteitaan ja mukautuvat uusiin tilanteisiin, mikä tekee niistä entistä tehokkaampia monimutkaisten ja muuttuvien ongelmien käsittelyssä ilman jatkuvaa ihmisen ohjausta.

Koneoppimisessa on useita eri oppimistapoja. Valvotussa oppimisessa järjestelmälle annetaan esimerkkiaineistoa, jossa oikeat vastaukset tai luokat ovat tiedossa. Malli oppii yhdistämään syötteet ja vastaukset siten, että se pystyy tekemään ennusteita uudesta, aiemmin näkemättömästä datasta. Tätä voidaan käyttää luokittelutehtävissä, kuten sen arvioimisessa, onko aluksen viestintä normaalia vai mahdollinen kyberuhka. Sitä voidaan käyttää myös regressiossa, jossa ennustetaan jatkuvia arvoja, kuten polttoaineenkulutusta nopeuden, lastin ja sääolosuhteiden perusteella.

Valvomattomassa oppimisessa järjestelmälle annetaan dataa ilman valmiita luokituksia, ja sen tehtävänä on löytää piileviä rakenteita ja ryhmiä itsenäisesti. Tämä on erityisen hyödyllistä merenkulun kyberturvallisuudessa, kun analysoidaan verkkoliikennettä ja pyritään havaitsemaan poikkeamia, jotka voivat viitata kyberhyökkäykseen. Järjestelmä pystyy erottamaan normaalin ja epänormaalin toiminnan ilman ennakkotietoa siitä, miltä hyökkäys tarkalleen näyttää.

Supervised vs Unsupervised Machine Learning Problems

Kuva 24: Koneoppimisen menetelmät

Kolmas lähestymistapa, jota kutsutaan vahvistusoppimiseksi (reinforcement learning, RL), perustuu oppimiseen yrityksen ja erehdyksen kautta. Toisin kuin ohjatussa oppimisessa, jossa järjestelmälle annetaan valmiiksi merkittyjä esimerkkejä oikeista vastauksista, vahvistusoppiminen toimii ympäristössä, jossa järjestelmän on itse löydettävä optimaalinen toimintatapa vuorovaikutuksen avulla. Järjestelmää kutsutaan usein ”agentiksi”, ja se kokeilee erilaisia toimintoja ympäristössä sekä saa palautetta palkkioiden tai rangaistusten muodossa. Palkkio kertoo, että toiminta oli toivottua, kun taas rangaistus osoittaa ei-toivotun toiminnan. Agentin tavoitteena on oppia niin sanottu toimintapolitiikka, eli sääntö, joka yhdistää tilat (agentin kulloisenkin tilanteen) toimenpiteisiin siten, että ajan myötä kertyvä kokonaispalkkio maksimoituu. Esimerkiksi robotiikassa vahvistusoppimista voidaan käyttää opettamaan robottia kävelemään. Robotti aloittaa ottamalla satunnaisia askelia ja saa palautetta vakaudesta, energiatehokkuudesta ja etenemisestä. Useiden toistojen jälkeen se oppii säätämään nivelten liikkeitä tehokkaammin, parantaen tasapainoa ja minimoiden energiankulutuksen (Song et al., 2021).

Syväoppiminen vie tekoälyn vielä pidemmälle pyrkimällä jäljittelemään tapaa, jolla ihmisaivot käsittelevät tietoa. Sen ytimessä ovat keinotekoiset neuroverkot, jotka on rakennettu biologisten neuronien toimintaa muistuttavalla tavalla, ja jotka kykenevät automaattisesti oppimaan ja tunnistamaan rakenteita suurista tietomassoista. Toisin kuin perinteisessä koneoppimisessa, jossa ihmisten täytyy usein käsin valita ja määritellä mallin kannalta olennaisimmat piirteet, syväoppimismallit pystyvät poimimaan nämä piirteet itse. Ne tulkitsevat raakadataa ilman erillistä ohjelmointia ja määrittävät, mitkä tiedon osatekijät ovat tärkeimpiä. Tämä mahdollistaa kuvioiden tunnistamisen ja päätöksenteon vähäisellä ihmisen suoralla ohjauksella.

 

A diagram of a network

AI-generated content may be incorrect.

Kuva 25: Mukautuvat oppimisjärjestelmät, jotka käsittelevät muuttuvaa syötetedataa ja tuottavat analyysiä varten johdonmukaisen ulostulon .

 

Aivan kuten ihmisaivoissa on eri tehtäviin erikoistuneita alueita, myös syväoppimismallit on suunniteltu arkkitehtuureilla, jotka keskittyvät tietynlaisten datatyyppien käsittelyyn. Esimerkiksi visuaalista informaatiota käsitellessään aivojen näköaivokuori tunnistaa kohteita havaitsemalla ensin reunoja, muotoja ja tekstuureja, minkä jälkeen näistä muodostetaan kokonainen kuva. Tätä toimintaperiaatetta mukaillen konvoluutioneuroverkot (Convolutional Neural Networks, CNN) (Jorgecardete, 2025) on kehitetty erityisesti näköhavaintoihin liittyviä tehtäviä varten, ja ne oppivat automaattisesti kuvista olennaiset piirteet ilman manuaalista määrittelyä. CNN-malleja voidaan käyttää esimerkiksi kasvonilmeiden tunnistamiseen analysoimalla kasvokuvia ja tunnistamalla tunteita, kuten vihaa, iloa tai hämmästystä. Sen sijaan, että ihmisten tarvitsisi erikseen määritellä, miltä kukin tunne näyttää, malli oppii tunnistamaan kuvioita tutkimalla tuhansia kasvokuvia. Konvoluutio- ja pooling-kerrosten avulla malli poimii merkityksellisiä piirteitä, kuten kasvolihasten liikkeitä ja ilmeitä, jotka käsitellään edelleen täysin kytketyissä kerroksissa ja luokitellaan SoftMax-funktion avulla todennäköisimmän tunteen määrittämiseksi.

The general structure of convolutional neural network. Convolutional neural network mainly includes convolution layer, pooling layer, and full connection layer. The convolution layer is responsible for feature extraction, the pooling layer is used for feature selection, and the full connection layer is used for classification.

Kuva 26: Deep Learning-Based Facial Emotion Recognition Pipeline.

Muisti ja ajallisten tapahtumaketjujen käsittely ovat myös keskeisiä ihmisaivojen toimintoja päätöksenteossa ja hahmontunnistuksessa, ja juuri näitä toimintoja syväoppimismallit, kuten toistuvat neuroverkot (Recurrent Neural Networks, RNN) ja pitkän lyhytaikaisen muistin verkot (Long Short-Term Memory, LSTM), pyrkivät jäljittelemään. Tapa, jolla ihmiset muistavat aiempia kokemuksia ja hyödyntävät niitä nykyisissä päätöksissä, on näiden mallien toiminnan perusta. Ne soveltuvat erityisen hyvin peräkkäisen datan käsittelyyn, kuten kieleen, aikasarjaennusteisiin tai verkkoliikenteen analysointiin.

A diagram of a machine

AI-generated content may be incorrect.

Kuva 27: Yksinkertaisen toistuvan neuroverkon arkkitehtuuri

(Khuong, 2025)

 

Kielen käsittely on toinen alue, jolla syväoppiminen on erityisen tehokasta, jäljitellen tapaa, jolla ihmisaivot tulkitsevat ja tuottavat puhetta. Transformereihin perustuvat mallit, kuten BERT ja GPT, analysoivat valtavia määriä tekstiä ja oppivat ymmärtämään kielen rakenteita ilman ennalta määriteltyjä kielioppisääntöjä. Merikyberturvallisuudessa tällaisia malleja voidaan käyttää sähköpostien, radioviestinnän ja järjestelmälokien analysointiin esimerkiksi tietojenkalasteluyritysten, vilpillisten viestien tai luvattomien käskyjen havaitsemiseksi, vaikka ne olisi naamioitu normaaliksi viestinnäksi. Pelkkään avainsanojen tunnistamiseen perustuvien menetelmien sijaan nämä mallit ymmärtävät asiayhteyden ja tarkoituksen, minkä ansiosta ne kykenevät tunnistamaan hienovaraisia uhkia, jotka perinteiset sääntöpohjaiset järjestelmät jättäisivät huomaamatta.

Difference between classical NLP and deep learning NLP techniques - Python Natural  Language Processing [Book]

Kuva 28: Syväoppimiseen perustuva luonnollisen kielen käsittely (NLP)..

Syväoppimisen keskeinen vahvuus perustuu sen kykyyn oppia automaattisesti olennaiset piirteet suurista määristä jäsentymätöntä dataa. Toisin kuin perinteisissä koneoppimismenetelmissä, joissa ihmisten on erikseen suunniteltava ja määriteltävä piirteet eli päätettävä, mitkä datan ominaisuudet ovat merkityksellisiä, syväoppimismallit pystyvät tunnistamaan nämä piirteet itsenäisesti, kuten kuvassa 29 esitetään. Riippumatta siitä, koostuuko data kuvista, verkkolokeista, anturimittauksista tai tekstistä, järjestelmä analysoi lukuisia esimerkkejä, tarkentaa ymmärrystään vähitellen ja tunnistaa itsenäisesti informatiivisimmat rakenteet ja mallit. Tämä poistaa tarpeen manuaaliselle piirrevalinnalle, joka on usein aikaa vievää, vaatii syvällistä asiantuntemusta ja saattaa silti jättää datassa piileviä hienovaraisia ilmiöitä huomaamatta.

Machine Learning vs Deep Learning: What is the Difference

Kuva 29: Erot koneoppimisen ja syväoppimisen kehittymisessä.

Merenkulkualalla tekoäly voidaan integroida kyberturvallisuusjärjestelmiin käsittelemään valtavia tietomääriä, joita alukset, satamat ja satelliittiyhteydet tuottavat jatkuvasti. Uhkamallien kehittyessä koneoppimis- ja syväoppimismallit voivat päivittää itseään uuden datan perusteella ja tunnistaa riskejä tai hyökkäyksiä, joita ei ole koskaan erikseen kuvattu ihmisten laatimissa säännöissä. Tämä kyky mukautua ja kehittyä ajan myötä tekee tekoälystä erityisen arvokkaan nykyaikaisten kyberturvallisuushaasteiden ratkaisemisessa. Kuvassa 30 esitetään yleiskuva tekoälyn sovelluksista kyberturvallisuudessa.

A diagram of a network security system

AI-generated content may be incorrect.

Kuva 30: Tekoälyn sovellukset kyberturvallisuudessa.


Koneoppimis- ja syväoppimismallien kehitys

Koneoppimis- tai syväoppimismallin kehittäminen etenee rakenteellisena prosessina, joka alkaa datan hankinnasta ja päättyy mallin käyttöönottoon ja ylläpitoon. Jokainen vaihe on keskeinen sen varmistamiseksi, että malli tuottaa tarkkoja ja luotettavia ennusteita todellisissa käyttöympäristöissä. Alla kuvataan koko kehitysputki vaihe vaiheelta siten, että se on ymmärrettävä myös niille, joilla ei ole syvällistä taustaa aiheesta.

Datan hankinta: olennaisen tiedon kerääminen

Ensimmäinen vaihe kaikissa koneoppimis- ja syväoppimisprojekteissa on datan hankinta. Ilman laadukasta ja tarkoituksenmukaista dataa edes kehittyneimmät algoritmit eivät pysty tuottamaan hyödyllisiä tuloksia. Dataa voidaan kerätä useista eri lähteistä riippuen ratkaistavasta ongelmasta. Merellisen kyberturvallisuuden kontekstissa relevanttia dataa voivat olla esimerkiksi verkkoliikennelokit, tietoturvatapahtumien kirjaustiedot sekä järjestelmien suorituskykymittarit. Verkkolokit kuvaavat laitteiden välistä viestintää ja auttavat tunnistamaan poikkeavia toimintamalleja, jotka voivat viitata kyberuhkiin. Tietoturvatapahtumalokit sisältävät hälytyksiä, joita järjestelmät tuottavat epäilyttävän toiminnan havaitessaan. Järjestelmien suorituskykyyn liittyvä data, kuten suorittimen tai muistin käyttö, voi puolestaan paljastaa tietoturvaloukkauksia tai teknisiä vikatilanteita. Kerättävän datan tyyppi määräytyy täysin sen mukaan, mihin tarkoitukseen malli on suunniteltu. Tunkeutumisen havaitsemiseen saatetaan tarvita pakettitason verkkodataa, kun taas alusten valvontaan liittyvissä sovelluksissa reaaliaikainen videokuva on keskeisemmässä roolissa.

D-INF_770

Kuva 31: Esimerkki tiedonkeruusta merenkulussa.

Datan esikäsittely: datan puhdistaminen ja muotoilu analyysiä varten

Raakadata on usein jäsentymätöntä, epäyhtenäistä tai virheellistä, mikä voi heikentää mallin suorituskykyä. Jotta dataa voidaan hyödyntää, se on käytävä läpi esikäsittelyvaiheessa. Tämä sisältää useita keskeisiä toimenpiteitä, kuten puuttuvien arvojen käsittelyn, kohinan poistamisen ja syötteiden standardoinnin. Puuttuvia arvoja voi syntyä viallisten antureiden tai puutteellisten lokitietojen vuoksi, ja ne on käsiteltävä joko arvioimalla puuttuvat arvot tai poistamalla vajaat havainnot. Kohina, kuten vioittuneet datapisteet tai epäolennainen informaatio, on poistettava, jotta malli ei opi virheellisiä malleja. Standardointi on tärkeää, koska data voi olla eri muodoissa tai yksiköissä. Esimerkiksi verkkolokien aikaleimat voidaan joutua muuntamaan samaan aikavyöhykkeeseen, tai numeeriset arvot voidaan normalisoida vertailukelpoisiksi. Rakenteisessa datassa, kuten verkkoliikennetaulukoissa, tähän vaiheeseen voi kuulua myös päällekkäisten rivien poistaminen. Jäsentymättömän datan, kuten kuvien tai tekstin, kohdalla esikäsittely voi tarkoittaa kuvien koon muuttamista, taustakohinan vähentämistä tai sanojen muuntamista numeeriseen muotoon, jota malli pystyy käsittelemään.

Piirrevalinta ja piirteiden muodostaminen: merkityksellisten mallien tunnistaminen tai luominen

Perinteisessä koneoppimisessa mallit eivät itsessään ymmärrä, mitkä datan ominaisuudet ovat olennaisia. Asiantuntijoiden on määriteltävä käsin ne piirteet, jotka parhaiten tukevat ongelman ratkaisua. Tätä prosessia kutsutaan piirrevalinnaksi ja piirteiden muodostamiseksi, ja se sisältää muuttujien valinnan, muuntamisen tai uusien muuttujien luomisen raakadatasta mallin suorituskyvyn parantamiseksi. Hyvin toteutettu piirrevalinta voi merkittävästi parantaa mallin tarkkuutta. Esimerkiksi tunkeutumisen havaitsemisjärjestelmässä verkkoliikennelokit voivat sisältää IP-osoitteita, aikaleimoja, pakettikokoja ja yhteyksien tilatietoja. Nämä sellaisenaan eivät välttämättä ole riittävän informatiivisia. Mallin suorituskykyä voidaan parantaa muodostamalla uusia piirteitä tilastollisten tai käyttäytymismallien pohjalta. Tällainen piirre voi olla esimerkiksi yhteyspyyntöjen määrä tietystä IP-osoitteesta tietyssä aikajaksossa, kuten kymmenessä sekunnissa. Äkillinen kasvu yhteyspyyntöjen määrässä voi viitata brute force -hyökkäykseen.


Syväoppiminen vähentää merkittävästi piirrevalinnan tarvetta. Syvät neuroverkot oppivat tunnistamaan olennaiset piirteet suoraan raakadatasta ilman ihmisen määrittelemiä sääntöjä. Tämä on yksi syväoppimisen keskeisistä eduista perinteiseen koneoppimiseen verrattuna. Se kykenee käsittelemään jäsentymätöntä dataa, kuten kuvia, ääntä ja tekstiä, ilman erillistä piirteiden määrittelyä. Esimerkiksi kuvantunnistuksessa konvoluutioneuroverkko voi oppia havaitsemaan reunoja, tekstuureja ja monimutkaisia objekteja ilman ihmisen ohjausta, mikä tekee siitä erittäin tehokkaan ratkaisun esimerkiksi alusten reaaliaikaisen valvontakuvamateriaalin
analysointiin..

Mallin valinta: sopivan algoritmin valitseminen

Kun data on esikäsitelty, seuraava vaihe on sopivan mallin valinta. Algoritmin valintaan vaikuttavat datan tyyppi, tehtävän monimutkaisuus ja käytettävissä olevat laskentaresurssit. Perinteisessä koneoppimisessa käytetään usein päätöspuita, tukivektorikoneita tai satunnaismetsiä erityisesti rakenteisen datan yhteydessä. Nämä mallit edellyttävät käsin määriteltyjä piirteitä, mutta ne toimivat hyvin myös suhteellisen pienillä aineistoilla. 

Syväoppimismallit ovat tehokkaampia, mutta vaativat suuria datamääriä ja merkittäviä laskentaresursseja. Konvoluutioneuroverkot soveltuvat erityisesti kuvapohjaisiin tehtäviin, kuten kohteiden tunnistamiseen meriliikenteen valvontakuvissa. Toistuvat neuroverkot ja transformer-mallit ovat puolestaan tehokkaita aikasarjojen ja sekventiaalisen datan käsittelyssä, kuten viestintälokien analysoinnissa kyberuhkien tunnistamiseksi. Oikean mallin valinta on kriittistä, sillä väärä valinta voi johtaa heikkoon suorituskykyyn tai tehottomaan laskentaan.

Mallin opetus: oppiminen datasta

Mallin valinnan jälkeen se opetetaan tekemään ennusteita. Opetus tarkoittaa datan syöttämistä mallille, mallin sisäisten parametrien säätämistä ja ennusteiden parantamista. Malli tuottaa aluksi ennusteita, ja häviöfunktio mittaa, kuinka kaukana ennusteet ovat oikeista arvoista. Suuri häviö tarkoittaa huonoa suorituskykyä. Optimointimenetelmät, kuten gradienttilaskenta, päivittävät mallin painokertoimia iteratiivisesti häviön pienentämiseksi. Tätä jatketaan, kunnes saavutetaan hyväksyttävä tarkkuus.

Ohjatussa oppimisessa malli opetetaan merkityllä datalla, jossa jokaisella syötteellä on tunnettu oikea tulos. Tavoitteena on minimoida ennusteiden ja todellisten arvojen välinen ero esimerkiksi ristientropian tai keskineliövirheen avulla. 

Syväoppimisessa tämä prosessi on laskennallisesti raskas ja vaatii suuria datamääriä. Toisin kuin perinteisessä koneoppimisessa, jossa mallin koulutus voi valmistua minuuteissa tai tunneissa, syvien neuroverkkojen koulutus voi kestää päiviä tai jopa viikkoja arkkitehtuurin monimutkaisuudesta ja datan määrästä riippuen. Tämän monimutkaisuuden hallitsemiseksi syväoppimiskehykset, kuten TensorFlow ja PyTorch, tarjoavat tehokkaita työkaluja mallien rakentamiseen, automaattiseen derivointiin ja laitteistokiihdytykseen. Nämä kirjastot tukevat dynaamisia laskentakaavioita ja tarjoavat laajan valikoiman valmiita funktioita mallin optimointiin. Hyperparametrien säätäminen, kuten oppimisnopeus, eräkoko ja koulutusjaksojen määrä, on oleellista, jotta malli konvergoituu tehokkaasti.

Ohjaamattomassa oppimisessa malli koulutetaan merkitsemättömällä datalla, eli sillä ei ole ennalta määriteltyjä kategorioita tai oikeita vastauksia. Ennusteiden sijaan malli tunnistaa datasta rakenteita, säännönmukaisuuksia tai klustereita.

Klusterointialgoritmit ryhmittelevät samankaltaiset datapisteet yhteen etäisyysmittareiden perusteella.

Ulottuvuuden vähennysmenetelmät voivat tiivistää korkeaulotteisen datan matalampaan ulottuvuuteen säilyttäen olennaisen informaation.

Generatiiviset mallit oppivat luomaan uusia datanäytteitä, jotka muistuttavat opetusdataa.

Koska eksplisiittistä häviöfunktiota, joka vertaisi ennusteita todellisiin arvoihin, ei ole, ohjaamattoman oppimisen tavoitteet perustuvat usein esimerkiksi rekonstruointivirheen minimointiin tai klustereiden välisen varianssin maksimointiin.

Mallin validointi ja testaus: suorituskyvyn arviointi

Kun koulutus on valmis, on tärkeää testata, kuinka hyvin malli yleistyy uuteen, aiemmin näkemättömään dataan. Tämä tehdään validointi- ja testidatalla, joita ei käytetty koulutuksessa. Jos malli suoriutuu hyvin koulutusvaiheessa mutta huonosti uudella datalla, se on todennäköisesti ylisovittunut (overfitting). Yleistymiskyvyn arvioinnissa käytetään mittareita, kuten tarkkuus, täsmällisyys, recall ja F1-luku. Tarkkuus kertoo oikeiden ennusteiden osuuden, kun taas täsmällisyys ja recall antavat tietoa mallin luotettavuudesta esimerkiksi kyberuhkien tunnistamisessa. F1-luku yhdistää nämä mittarit kokonaisarvioksi. Jos suorituskyky on riittämätön, mallia voidaan parantaa keräämällä lisää dataa, tarkentamalla piirteitä (ML) tai hienosäätämällä hyperparametreja. 

Käyttöönotto ja jatkuva seuranta: mallin hyödyntäminen käytännössä

Kun malli saavuttaa riittävän tarkkuuden ja luotettavuuden, se otetaan käyttöön todellisessa ympäristössä, jossa se tekee ennusteita reaaliaikaisesta datasta. Käyttöönotto ei kuitenkaan ole viimeinen vaihe: jatkuva seuranta ja ylläpito ovat välttämättömiä, jotta suorituskyky säilyy. Merenkulun kyberturvallisuudessa uudet uhat kehittyvät jatkuvasti, ja aiempien hyökkäystapojen perusteella koulutettu malli voi vanhentua. Suorituskyvyn heikkenemisen estämiseksi malleja on koulutettava uudelleen ajantasaisella datalla, seurattava virheitä ja parannettava niitä muuttuvien olosuhteiden mukaan. Ilman tätä mallit voivat tuottaa vanhentuneita ennusteita, aiheuttaa turvallisuusriskejä tai menettää tarkkuutta.

Ohjatun koneoppimismallin koulutusputken yleiskuva on esitetty kuvassa 32.

Comparison between ML and DL pipelines.

Kuva 32: Yleiskuva koneoppimis- ja syväoppimismallien koulutusputkista.

Tekoälyn sovellukset merenkulun kyberturvallisuudessa

Tunkeutumisen havaitsemisjärjestelmät (Intrusion Detection Systems, IDS)

Tunkeutumisen havaitsemisjärjestelmä (IDS) on tietoturvaratkaisu, jonka tarkoituksena on havaita luvaton pääsy, haitallinen toiminta ja mahdolliset uhat seuraamalla jatkuvasti verkkoliikennettä, käyttäytymismalleja ja järjestelmälokeja. IDS-järjestelmän sijoittelu riippuu sen tyypistä. Verkkopohjainen IDS (Network-Based IDS, NIDS) sijoitetaan tyypillisesti palomuurin ja sisäverkon väliin, kuten kuvassa 33 on esitetty, jolloin se tarkastaa kaiken saapuvan ja lähtevän liikenteen epäilyttävien piirteiden varalta ennen kuin liikenne saavuttaa kriittiset järjestelmät. Mikäli hyökkääjä onnistuu ohittamaan palomuurin, IDS havaitsee poikkeavuudet ja tuottaa hälytyksen jatkotutkimuksia varten. Isäntäpohjainen IDS (Host-Based IDS, HIDS) puolestaan asennetaan suoraan yksittäisiin laitteisiin, kuten aluksen navigointijärjestelmiin, palvelimiin tai työasemiin, joissa se valvoo järjestelmälokeja, tiedostojen eheyttä ja käyttäjätoimintaa haitallisten muutosten havaitsemiseksi. Merenkulussa IDS-järjestelmillä on keskeinen rooli kriittisten toimintojen, kuten lastinhallinnan, navigoinnin ja viestintäverkkojen, suojaamisessa (MarPoint, 2025). 





Intrusion Detection & Prevention Systems : The Ultimate Guide | DataSilk

Kuva 33: Tunkeutumisen havaitsemisjärjestelmä

IDS hyödyntää kahta pääasiallista lähestymistapaa haitallisen toiminnan tunnistamiseen:

Allekirjoituspohjainen tunnistus: Vertaa havaittua toimintaa tunnettujen hyökkäysten allekirjoitustietokantaan merkkijonojen vertailumenetelmien avulla. Tämä menetelmä on tehokas tunnettujen uhkien tunnistamisessa, mutta ei kykene havaitsemaan uusia tai kehittyviä hyökkäyksiä.

Käyttäytymispohjainen tunnistus: Seuraa poikkeamia normaalista toiminnasta, mikä mahdollistaa uusien ja ennalta tuntemattomien uhkien havaitsemisen. Menetelmä on mukautuvampi, mutta saattaa tuottaa enemmän virheellisiä hälytyksiä.

A diagram of a process

AI-generated content may be incorrect.

Kuva 34: Tunkeutumisen havaitsemismenetelmien luokittelu.

Tekoälypohjaiset IDS-järjestelmät parantavat turvallisuutta analysoimalla dataa reaaliajassa, tunnistamalla poikkeavuuksia ja erottamalla normaalit verkkokäyttäytymismallit haitallisista tunkeutumisista. Yhdistämällä ohjatut menetelmät, jotka perustuvat tunnettuihin hyökkäysallekirjoituksiin, ja ohjaamattomat menetelmät, jotka tunnistavat poikkeamat normaalista toiminnasta, tekoälypohjaiset IDS-järjestelmät vähentävät virheellisten hälytysten määrää ja parantavat havaitsemistarkkuutta. 

Tekoälyä hyödyntävät IDS-järjestelmät käyttävät koneoppimisalgoritmeja uhkien entistä tarkempaan tunnistamiseen. Näiden algoritmien avulla IDS pystyy havaitsemaan sekä tunnetut että tuntemattomat kyberhyökkäykset.

Ohjattu oppiminen: Tässä lähestymistavassa tekoälymalli koulutetaan aiemmalla hyökkäysdatalla, joka on merkitty esimerkiksi ”turvalliseksi” tai ”vaaralliseksi”. Malli oppii datasta ja soveltaa oppimaansa uusien uhkien tunnistamiseen. 

Ohjaamaton oppiminen: Tässä menetelmässä ei tarvita merkittyä dataa, vaan tekoäly tunnistaa epänormaalia toimintaa havaitsemalla käyttäytymismalleja, jotka poikkeavat normaalista toiminnasta.

Perinteisten IDS-järjestelmien yleinen ongelma on virheelliset positiiviset hälytykset, joissa harmiton verkkoliikenne tulkitaan uhaksi. Tekoäly vähentää virheellisiä hälytyksiä oppimalla aiemmista virheistä ja parantamalla tarkkuuttaan ajan myötä. Lisäksi tekoäly voi yhdistää useita tunnistusmenetelmiä parempien tulosten saavuttamiseksi. Yhdistämällä allekirjoituspohjaisen ja käyttäytymispohjaisen tunnistuksen tekoälypohjaiset IDS-järjestelmät minimoivat virheet säilyttäen samalla korkean turvallisuustason. Osa tekoälymalleista hyödyntää myös vahvistusoppimista, jossa järjestelmä mukauttaa tunnistussääntöjään jatkuvasti saadun palautteen perusteella.

Koska IDS on luonteeltaan passiivinen järjestelmä, se ei ryhdy suoriin vastatoimiin havaittuja uhkia vastaan. Sen sijaan se tuottaa hälytyksiä ihmisoperaattoreille tai integroituu tietoturvatapahtumien hallintajärjestelmiin (SIEM) jatkoanalyysiä ja reagointia varten. Tunkeutumiset voivat olla peräisin sekä ulkoisista että sisäisistä lähteistä, minkä vuoksi IDS on olennainen osa kyberturvallisuusstrategioita eri toimialoilla.

Tunkeutumisen estojärjestelmät (Intrusion Prevention Systems, IPS)

Tunkeutumisen estojärjestelmä (IPS) on tietoturvateknologia, joka on suunniteltu havaitsemaan ja ennakoivasti estämään haitallista toimintaa verkossa tai järjestelmässä. Toisin kuin IDS, joka toimii passiivisesti tarkkaillen ja hälyttäen epäilyttävästä toiminnasta, IPS ryhtyy suoriin toimenpiteisiin hyökkäysten estämiseksi, lieventämiseksi tai pysäyttämiseksi reaaliajassa. Käytännössä IDS toimii valvontatyökaluna, kun taas IPS on ohjaava järjestelmä, joka aktiivisesti estää uhat ennen kuin ne aiheuttavat haittaa esimerkiksi navigoinnissa, lastinkäsittelyssä tai viestintäyhteyksissä (Sowmya ja Anita, 2023).

IPS sijoitetaan tyypillisesti palomuurin taakse mutta ennen sisäisiä järjestelmiä, jolloin se pystyy tarkastamaan sekä saapuvan että lähtevän liikenteen, kuten kuvassa 35 on esitetty. Toisin kuin palomuuri, joka suodattaa liikennettä pääasiassa ennalta määriteltyjen sääntöjen perusteella, IPS hyödyntää kehittynyttä analytiikkaa dynaamisten uhkien tunnistamiseen ja estämiseen reaaliajassa. Joissakin verkkoratkaisuissa IPS toimii yhdessä IDS-järjestelmän kanssa siten, että IDS havaitsee ja hälyttää ylläpitäjiä, kun taas IPS toteuttaa aktiiviset vastatoimet uhkien neutraloimiseksi.

Intrusion Detection & Prevention Systems : The Ultimate Guide | DataSilk

Kuva 35: Tunkeutumisen estojärjestelmä

IPS-järjestelmän keskeiset toiminnot:

Hälytysten lähettäminen järjestelmänvalvojille.

Mahdollisesti haitallisten datapakettien hylkääminen.

Yhteyksien estäminen haitallisista lähteistä.

Epäilyttävien tai kaapattujen yhteyksien katkaiseminen ja uudelleenkäynnistäminen jatkohyökkäysten estämiseksi.

Tekoälypohjainen uhkien tunnistaminen ja torjunta reaaliajassa.

Nykyaikaiset IPS-ratkaisut hyödyntävät tekoälyyn perustuvaa analytiikkaa ja reaaliaikaisia datavirtoja uhkien entistä tehokkaampaan tunnistamiseen ja estämiseen. Oppimalla jatkuvasti historiallisista ja uusista hyökkäysmalleista järjestelmät parantavat tunnistustarkkuuttaan ja vähentävät virheellisten hälytysten määrää. Yhdistämällä tekoälypohjaisen analytiikan reaaliaikaiseen dataan modernit IPS-järjestelmät vahvistavat turvallisuutta eristämällä saastuneet päätelaitteet, estämällä haitalliset IP-osoitteet ja muokkaamalla palomuurisääntöjä dynaamisesti estääkseen uhkien leviämisen aluksen sisäisissä verkoissa ja satamaympäristöissä (Maritime Intelligence, 2025). Hyvä esimerkki tästä on Ciscon toteuttama verkkopohjainen IPS, joka havaitsi ja lievensi sisäverkon uhkia ennen kuin ne ehtivät aiheuttaa tietojen menetystä tai palvelukatkoksia. Analysoimalla sekä saapuvaa että lähtevää liikennettä Ciscon IPS tarjosi kriittisen lisäsuojakerroksen ja osoitti tekoälyä hyödyntävien IPS-ratkaisujen tehokkuuden kyberuhkien ennakoivassa torjunnassa ennen niiden eskaloitumista (Contentree, 2025).

Avoimen lähdekoodin tunkeutumisen havaitsemis- ja estojärjestelmät

Kyberuhkien kehittyessä avoimen lähdekoodin IDS- ja IPS-ratkaisuista on tullut keskeisiä työkaluja verkkojen valvontaan ja suojaamiseen. Kaksi laajimmin käytettyä avointa IDS/IPS-järjestelmää ovat Snort ja Suricata, jotka tarjoavat reaaliaikaista uhkien tunnistusta ja estoa sekä joustavuutta ja muokattavuutta.

Snort: sääntöpohjainen IDS/IPS

Snort, jonka Martin Roesch kehitti alun perin vuonna 1998, on allekirjoituspohjainen IDS/IPS, joka kykenee reaaliaikaiseen verkkoliikenteen analysointiin ja IP-pakettien lokitukseen. Se hyödyntää sääntöpohjaista kieltä, jonka avulla voidaan yhdistää allekirjoitus-, protokolla- ja poikkeamapohjaisia tunnistusmenetelmiä laajan kyberuhkakirjon, kuten palvelunestohyökkäysten (DoS), puskuriylivuotojen, piilotettujen porttiskannausten ja CGI-hyökkäysten, havaitsemiseksi.

Snort toimii kaappaamalla verkkopaketteja esimerkiksi libpcap- ja WinPcap-kirjastojen avulla ja voi toimia kolmessa päätilassa:

  • Pakettien kaappaustila (Packet Sniffing Mode), jossa raakaa verkkoliikennettä seurataan.
  • Pakettien lokitustila (Packet Logging Mode), jossa verkkopaketit tallennetaan analysointia ja vianmääritystä varten.
  • Tunkeutumisen havaitsemistila (Intrusion Detection Mode), jossa verkkotoimintaa verrataan ennalta määriteltyihin sääntöihin ja uhista tuotetaan hälytyksiä.

Snortin keskeinen etu on sen joustava sääntökieli, jonka avulla käyttäjät voivat määritellä omia tietoturvakäytäntöjään. Se integroidaan helposti palomuureihin tarjoten lisäsuojakerroksen, minkä vuoksi se on arvokas työkalu erityisesti sisäverkkojen valvonnassa. 

Blinding Snort to Network Attacks

Kuva 36: Yksinkertainen Snort-verkkotopologia..

Suricata: suorituskykyinen IDS/IPS ja verkon tietoturvavalvonta (NSM)

Suricata on Open Information Security Foundationin (OISF) kehittämä uuden sukupolven IDS/IPS-ratkaisu, joka laajentaa perinteistä verkkoturvavalvontaa syvällisellä pakettitarkastuksella (Deep Packet Inspection, DPI) ja natiivilla monisäikeisyydellä. Toisin kuin Snort, joka keskittyy pääasiassa allekirjoituspohjaiseen tunnistukseen, Suricata pystyy analysoimaan useita protokollakerroksia, kuten HTTP-, TLS-, DNS- ja SMB-liikennettä, mahdollistaen kehittyneempien ja vaikeammin havaittavien uhkien tunnistamisen.

Yksi Suricatan keskeisistä eduista on sen kyky käsitellä suuria tietomääriä erittäin nopeasti monisäikeisen arkkitehtuurinsa ansiosta. Tämä tekee siitä erityisen soveltuvan yritystason ympäristöihin sekä pilvipohjaisiin tietoturvaratkaisuihin. Lisäksi Suricata integroituu saumattomasti erilaisiin tietoturvatapahtumien hallintajärjestelmiin (SIEM) ja data-analytiikka-alustoihin, mahdollistaen uhkien reaaliaikaisen visualisoinnin ja analysoinnin.

Suricatan toinen merkittävä ominaisuus on sen Network Security Monitoring (NSM) -toiminnallisuus, jonka avulla se pystyy poimimaan verkkoliikenteestä metatietoja varsinaisen tunkeutumisen havaitsemisen lisäksi. Tämä tukee kyberturvallisuustiimien tutkintatyötä tarjoamalla syvällisempää ymmärrystä verkon käyttäytymisestä ja tapahtumien taustalla olevista syistä.

Syvällinen pakettitarkastus kehittyneeseen uhkien havaitsemiseen

Syvällinen pakettitarkastus (Deep Packet Inspection, DPI) menee pelkkien pakettien otsakkeiden tarkastelua pidemmälle analysoimalla välitetyn datan sisältöä (payload) ja metatietoja. Tämä tarjoaa yksityiskohtaisen näkyvyyden protokolliin, sovelluskerroksen sisältöön ja käyttäjän määrittelemiin toimintoihin. Toisin kuin perinteinen pakettisuodatus, joka tarkastelee vain IP- ja TCP/UDP-otsakkeita, DPI analysoi koko paketin ja pystyy siten tunnistamaan haitallisia datasisältöjä, politiikkaloukkauksia tai salattuja uhkia, joita yksinkertaisemmat otsaketason suodatusmenetelmät usein jättävät huomaamatta (Leslie, 2020). 

DPI-järjestelmä toimii tarkastelemalla pakettien sisältöä reaaliaikaisesti hyödyntäen allekirjoituspohjaista tunnistusta, heuristiikkaa ja poikkeavuuksien havainnointia. Se kykenee luokittelemaan liikennettä protokollan, sovellustyypin ja sisällön perusteella, mikä on olennaista laillisen näköiseen verkkoliikenteeseen piilotettujen uhkien tunnistamisessa. Esimerkiksi DPI voi erottaa normaalin HTTP-liikenteen HTTP-pohjaisesta hyökkäyksestä, kuten SQL-injektiosta tai komentokanavana toimivasta haittaohjelmaviestinnästä. DPI kykenee myös purkamaan SSL/TLS-salattua liikennettä tietoturva-analyysiä varten, mikä estää salattujen pakettien pääsyn suojausten ohi. Monet nykyaikaiset kyberhyökkäykset hyödyntävät salausta piilottaakseen haitallisen toimintansa, mutta tekoälyä hyödyntävä DPI voi tunnistaa poikkeavaa käyttäytymistä myös salatuissa yhteyksissä, kuten epätavallisia tiedonsiirtomalleja tai liikennettä tunnetuille haitallisille verkkotunnuksille.

Yhdistettynä tekoälyyn tai koneoppimiseen DPI tehostaa uhkien tunnistamista oppimalla aiemmista verkkoliikennemalleista ja havaitsemalla nollapäivähyökkäyksiä sekä kehittyneitä pitkäkestoisia uhkia, jotka voivat välttää perinteiset tietoturvamekanismit.

Kun poikkeama havaitaan, DPI-järjestelmät voivat käynnistää automaattisia vastatoimia, kuten eristää haitallisen toiminnan kohteena olevan päätelaitteen, katkaista epäilyttävät yhteydet tai muokata palomuurisääntöjä dynaamisesti haittaohjelmien leviämisen estämiseksi merenkulun IT- ja OT-verkkojen välillä (Ipoque, 2025).

A screenshot of a computer

AI-generated content may be incorrect.

Kuva 37: Perinteisen pakettisuodatuksen ja syvällisen pakettitarkastuksen vertailu

(Nethmal, 2025).

 

Generatiiviset vastakkaisverkot (GAN) datan laajentamisessa ja puolustuksessa

Generatiiviset vastakkaisverkot (Generative Adversarial Networks, GAN) koostuvat kahdesta kilpailevasta neuroverkosta: generaattorista, joka tuottaa synteettistä dataa, ja diskriminaattorista, joka arvioi tuotetun datan aitoutta, kuten kuvassa 38 on esitetty. Alun perin GAN-mallit kehitettiin kuvien synteesiin ja deepfake-sisältöjen luomiseen, mutta ne ovat osoittautuneet erittäin hyödyllisiksi myös kyberturvallisuuden sovelluksissa, erityisesti tunkeutumisen havaitsemisessa, vastakkaisessa koulutuksessa ja haittaohjelmien analysoinnissa. Tuottamalla erittäin realistisia hyökkäysnäytteitä GAN-mallit parantavat koneoppimiseen perustuvien tietoturvajärjestelmien kykyä tunnistaa sekä tunnettuja että aiemmin havaitsemattomia uhkia (Zhao, 2024). 

 

A diagram of a multilayer network

AI-generated content may be incorrect.

Kuva 38: GAN-verkon arkkitehtuuri

(TVS, 2025).

 

Yksi GAN-mallien keskeisistä käyttökohteista kyberturvallisuudessa on synteettisten haittaohjelmamallien tai hyökkäysyritysten tuottaminen, mikä mahdollistaa IDS- ja IPS-järjestelmien koulutusdatan laajentamisen. Perinteiset IDS/IPS-ratkaisut nojaavat usein allekirjoituspohjaiseen tunnistukseen, joka on heikko nollapäivähyökkäyksiä ja jatkuvasti muuntuvia polymorfisia haittaohjelmia vastaan. Kouluttamalla IDS/IPS-malleja GANien tuottamilla vastakkaisilla hyökkäysnäytteillä järjestelmien kyky tunnistaa aiemmin tuntemattomia hyökkäysmenetelmiä paranee merkittävästi. GAN-malleja hyödynnetään myös automatisoidussa penetraatiotestauksessa, jossa ne tuottavat esimerkiksi erilaisia tietojenkalasteluviestejä, brute force -hyökkäyspayloads tai hyökkäysskriptejä organisaation tietoturvatason arvioimiseksi. Reaaliaikaisia uhkia jäljittelevä GAN-pohjainen testaus mahdollistaa jatkuvan tietoturva-arvioinnin altistamatta järjestelmiä todellisille hyökkäyksille.

Tunkeutumisen havaitsemisen lisäksi GAN-malleja käytetään laajasti poikkeamien tunnistamisessa. GAN-pohjainen poikkeamien tunnistus oppii ensin normaalin verkkokäyttäytymisen tilastollisen jakauman ja tunnistaa sen jälkeen hienovaraiset poikkeamat, jotka voivat viitata huomaamattomiin kyberuhkiin, peiteltyihin haittaohjelmiin tai tiedon luvattomaan ulosvientiin. Toisin kuin perinteiset sääntöpohjaiset menetelmät, GAN-mallit mukautuvat jatkuvasti muuttuviin verkkoympäristöihin, mikä vähentää virheellisten hälytysten määrää ja parantaa tunnistuksen tarkkuutta. Tämä kyky havaita epänormaalia toimintaa on erityisen tärkeä kehittyneiden pitkäkestoisten uhkien tunnistamisessa, sillä ne pyrkivät sulautumaan normaaliin verkkoliikenteeseen.

Toinen merkittävä GAN-mallien käyttökohde on vastakkainen koulutus, jossa kyberturvallisuusjärjestelmiä vahvistetaan kiertäviä hyökkäystekniikoita vastaan. Hyökkääjät voivat hyödyntää vastakkaista koneoppimista muokatakseen hyökkäyksiä siten, että ne ohittavat IDS/IPS-järjestelmät. Kouluttamalla GAN-malleja simuloimaan tällaisia hyökkäyksiä voidaan testata ja vahvistaa puolustusjärjestelmiä, mikä parantaa niiden kestävyyttä kehittyneitä hyökkäyksiä vastaan.

 

Poikkeamien tunnistus

Siinä missä IDS-järjestelmät keskittyvät usein tietynlaisten tunkeutumisten tunnistamiseen, poikkeamien tunnistus on laajempi menetelmä, jonka tavoitteena on havaita kaikenlainen epätavallinen tai asiayhteyteen sopimaton toiminta, joka voi viitata järjestelmävikaan tai kyberuhkaan. Seuraamalla esimerkiksi järjestelmäresurssien käyttöä, verkkoviiveitä ja kirjautumisyrityksiä poikkeamien tunnistusalgoritmit muodostavat vertailutason normaalille toiminnalle. Merkittävät poikkeamat tästä tasosta voivat viitata tietoturvaongelmaan tai operatiiviseen häiriöön. Monissa merenkulun sovelluksissa tekoälyjärjestelmät voivat käynnistää automaattisia vastatoimia, kuten riskialttiiden verkkojen eristämisen tai palomuurisääntöjen säätämisen, jotta mahdolliset uhkat saadaan nopeasti hallintaan (Ribeiro et al., 2023). Tämä nopea ja autonominen reagointi on erityisen tärkeää merenkulussa, jossa pienetkin häiriöt voivat nopeasti kasvaa laajoiksi logistisiksi tai turvallisuuteen liittyviksi ongelmiksi, ellei niihin puututa välittömästi.

The Use Cases of AI in Cybersecurity

Kuva 39: Poikkeamien tunnistamisen sovellukset kyberturvallisuudessa.

Ennakoiva analytiikka kyberuhkien hallinnassa

Ennakoiva analytiikka hyödyntää historiallista dataa ja käyttäytymismalleja mahdollisten haavoittuvuuksien ja tulevien hyökkäysstrategioiden ennustamiseen, mahdollistaen ennakoivan kyberpuolustuksen. Analysoimalla suuria määriä aiempia kyberturvallisuuspoikkeamia tekoälymallit voivat tunnistaa tekijöitä, jotka usein edeltävät hyökkäyksiä (Merrick, 2022). Käytännössä algoritmit simuloivat erilaisia hyökkäysskenaarioita ja tunnistavat järjestelmien heikot kohdat, tarjoten tietoturvatiimeille selkeän kuvan siitä, mihin resursseja tulisi ensisijaisesti kohdentaa. Antamalla eri uhkille riskipisteytyksen merenkulun toimijat voivat priorisoida puolustustoimenpiteitä ja vahvistaa kriittisten järjestelmien suojaa. Tämä lähestymistapa ei ainoastaan vähennä välittömiä riskejä, vaan myös parantaa pitkän aikavälin kykyä vastata kehittyviin kyberuhkiin (Meijer ja Wessels, 2019). Ennakoiva analytiikka integroidaan usein tietoturvatapahtumien hallintajärjestelmiin, jolloin useista lähteistä saatavaa reaaliaikaista dataa voidaan yhdistellä uhkien ennustamisen tarkkuuden parantamiseksi. Yhdistettynä tunkeutumisen havaitsemis ja estojärjestelmiin nämä mallit voivat käynnistää automaattisia puolustustoimia ja estää uhkia jo ennen niiden toteutumista.

 

Mahdolliset haavoittuvuudet ja vastakkaiset hyökkäykset

Vaikka tekoäly vahvistaa merkittävästi merenkulun kyberturvallisuutta, se tuo mukanaan myös uusia haavoittuvuuksia, joita vastustajat voivat pyrkiä hyödyntämään. Vastakkaisissa hyökkäyksissä tekoälymalleille syötetään huolellisesti muokattua dataa, jonka tarkoituksena on johtaa mallit virheellisiin päätelmiin tai estää niitä tunnistamasta todellisia uhkia (Qiu et al., 2019). Esimerkiksi haittaohjelma voidaan naamioida siten, että tekoälypohjainen tunnistusjärjestelmä luokittelee sen harmittomaksi. Toinen merkittävä riski on mallin myrkyttäminen, jossa hyökkääjät lisäävät koulutusdataan virheellistä tai harhaanjohtavaa tietoa, heikentäen vähitellen mallin suorituskykyä.

Näitä uhkia vastaan merenkulun organisaatiot ottavat käyttöön useita suojaavia toimenpiteitä. Keskeinen keino on mallien säännöllinen uudelleenkoulutus eheäksi varmennetulla datalla, jotta järjestelmät pysyvät ajantasaisina ja luotettavina. Lisäksi vastakkainen koulutus, jossa malli altistetaan tarkoituksellisesti harhaanjohtaville syötteille kehitysvaiheessa, parantaa sen kykyä tunnistaa ja vastustaa manipulointiyrityksiä. Myös vahvat dataputket ja käyttöoikeuksien hallinta ovat olennaisia, sillä ne suojaavat sekä koulutusprosessia että tekoälyn operatiivista käyttöä, säilyttäen tekoälyn tarjoamat hyödyt merenkulun turvallisuudelle ja toiminnan tehokkuudelle.

A typical adversarial machine learning attack.

Kuva 40: Esimerkki vastakkaisesta hyökkäyksestä

(Catak & Sule, (2020).

 

Tekoälyn haasteet ja rajoitteet

Tekoälypohjaiset järjestelmät tarjoavat kehittyneitä valmiuksia kyberuhkien tunnistamiseen ja torjuntaan, mutta samalla ne tuovat mukanaan useita haasteita ja rajoitteita, jotka organisaatioiden on huomioitava järjestelmien tehokkaan hyödyntämisen varmistamiseksi.

Datan laatu ja saatavuus

Yksi keskeisimmistä haasteista liittyy datan laatuun ja saatavuuteen. Koska tekoälyjärjestelmät perustuvat suurten ja laadukkaiden datamäärien hyödyntämiseen mallien koulutuksessa ja kehittämisessä, datassa esiintyvät virheet, puutteet tai vinoumat voivat johtaa virheellisiin ennusteisiin tai uhkien jäämiseen havaitsematta. Organisaatioilla on usein vaikeuksia yhdistää dataa useista eri verkon osista ja erillisistä lähteistä (Palo Alto Networks, 2025). Tämä voi johtaa puutteelliseen kokonaiskuvaan käyttäjätoiminnoista ja järjestelmien käyttäytymisestä, mikä heikentää uhkien tunnistamista. 

Virheelliset hälytykset ja hälytyskuormitus

Toinen merkittävä haaste liittyy virheellisten hälytysten suureen määrään. Vaikka tekoälyn tavoitteena on vähentää tällaisia hälytyksiä, järjestelmät voivat silti tuottaa runsaasti varoituksia, jotka kuormittavat tietoturvatiimejä. Tämä voi johtaa niin sanottuun hälytyskuormitukseen, jossa tietoturvahenkilöstö alkaa sivuuttaa myös mahdollisesti merkittäviä hälytyksiä jatkuvan vähäriskisten ilmoitusten tulvan vuoksi (Olateju et al., 2024). Näiden hälytysten hallinta ja tutkinta vaatii huomattavasti aikaa ja resursseja, mikä voi viedä huomiota pois todellisista uhkista. 

Monimutkaisuus ja tulkittavuuden puute

Lisähaasteita aiheuttavat järjestelmien monimutkaisuus ja tulkittavuuden puute. Nykyaikaiset tekoälymenetelmät, erityisesti syväoppiminen, tuottavat tuloksia usein niin sanottujen mustien laatikoiden kautta, joissa päätöksenteon logiikka ei ole helposti ymmärrettävissä. Tietoturva-asiantuntijoiden voi olla vaikea luottaa hälytyksiin tai toimia niiden perusteella, jos he eivät ymmärrä, miten tai miksi tekoälymalli on päätynyt tiettyyn johtopäätökseen (Digital Leaders, 2025). Tämän vuoksi on olennaista, että tekoälypohjaiset tietoturvajärjestelmät pystyvät tarjoamaan selkeitä perusteluja ja selityksiä havainnoilleen, jotta luottamus niiden käyttöön voidaan rakentaa.

Integrointi olemassa oleviin järjestelmiin

Monissa organisaatioissa integrointi olemassa oleviin järjestelmiin ei ole ongelmatonta. Tekoälypohjaisten ratkaisujen on toimittava saumattomasti yhdessä organisaation nykyisen tietoturvainfrastruktuurin kanssa, mikä voi aiheuttaa yhteensopivuusongelmia ja edellyttää merkittävää teknistä osaamista. Vanhemmat järjestelmät vaativat usein päivityksiä ennen kuin ne kykenevät käsittelemään tekoälyn edellyttämää datamäärää ja kehittynyttä analytiikkaa. Nämä vaatimukset lisäävät käyttöönoton monimutkaisuutta sekä aiheuttavat lisäkustannuksia ja pidentävät toteutusaikatauluja.

Alttius vastakkaisille hyökkäyksille

Myös itse tekoälymallit voivat olla alttiita vastakkaisille hyökkäyksille, joissa haitalliset toimijat muokkaavat syötteitä tarkoituksellisesti järjestelmän harhauttamiseksi. Tämä voi tarkoittaa esimerkiksi harhaanjohtavien kuvioiden tai signaalien lisäämistä dataan siten, että tekoäly luokittelee uhat virheellisesti tai sallii luvattoman pääsyn. Näiden hyökkäysten torjuminen edellyttää jatkuvaa valvontaa sekä mallien säännöllistä päivittämistä, jotta ne säilyvät toimintakykyisinä kehittyviä hyökkäystekniikoita vastaan (MetaCompliance, 2025).

Ennakkoluulot tekoälymalleissa

Ennakkoluulot tekoälymalleissa on merkittävä huolenaihe. Mikäli koulutusdata on vinoutunutta tai heijastaa tiettyjä ennakkoluuloja, IDS-järjestelmä saattaa perusteettomasti tunnistaa tietyt ryhmät, toimintatyypit tai käyttäytymismallit uhkina. Tämä voi johtaa eettisten ongelmien lisäksi myös heikentyneisiin tietoturvatuloksiin, sillä vinoutunut tarkastelukulma voi aiheuttaa sen, että laajempia uhkia jää havaitsematta (ISC², 2024). Harhaisuuden tunnistaminen ja lieventäminen onkin keskeistä oikeudenmukaisuuden varmistamiseksi ja havaitsemisprosessin eheyden säilyttämiseksi. 

Sääntely- ja vaatimustenmukaisuushaasteet

Sääntely- ja vaatimustenmukaisuusvaatimukset tuovat mukanaan vielä yhden lisäkerroksen monimutkaisuutta. Monet toimialat, mukaan lukien merenkulku, joutuvat noudattamaan tiukkoja tietosuoja- ja kyberturvallisuuslakeja varmistaakseen käyttäjä-, asiakas- ja operatiivisten tietojen turvallisen käsittelyn. Tekoälypohjaisten ratkaisujen on kyettävä tuottamaan selkeitä auditointijälkiä ja tarjottava riittävä läpinäkyvyys vaatimustenmukaisuuden osoittamiseksi tarkastuksissa, mikä lisää hallinnollista ja teknistä kuormitusta käyttöönotossa (Ethico, 2024). Vaatimustenmukaisuus esimerkiksi NIST Cybersecurity Frameworkin, ISO 27001 -standardin ja ENISA:n ohjeistusten kanssa on keskeistä tekoälyä hyödyntävien kyberturvallisuusjärjestelmien turvallisen ja laillisen käyttöönoton varmistamiseksi. 

Korkeat käyttöönotto- ja ylläpitokustannukset

Myös kustannukset ovat merkittävä tekijä. Alkuvaiheen investoinnit erikoistuneeseen laitteistoon, ohjelmistolisensseihin ja asiantuntijapalveluihin voivat olla huomattavia, ja jatkuva ylläpito, päivitykset sekä mallien uudelleenkoulutus edellyttävät jatkuvaa rahoitusta. Tämän seurauksena pienemmillä organisaatioilla voi olla vaikeuksia perustella tai rahoittaa tekoälypohjaisten ratkaisujen pitkäaikaista ja laajamittaista käyttöönottoa (Modern Diplomacy, 2024).

Osaavien ammattilaisten puute

Lisäksi tekoälypohjaisten tietoturvajärjestelmien hallintaan liittyvässä osaamisessa esiintyy usein selkeä puute. Organisaatioiden voi olla haastavaa rekrytoida tai kouluttaa riittävästi ammattilaisia, joilla on sekä tekoälyosaamista että kyberturvallisuuskokemusta. Henkilöstön pitäminen ajan tasalla nopeasti kehittyvistä tekoälytekniikoista ja kyberuhkista edellyttää sitoutumista jatkuvaan koulutukseen ja osaamisen kehittämiseen (Technology Magazine, 2024).

Yksityisyydensuojaan liittyvät huolenaiheet

Lopuksi yksityisyyteen liittyvät kysymykset nousevat keskiöön, kun tekoälypohjaisia IDS-järjestelmiä käytetään käyttäjäkäyttäytymisen seurantaan. Tällaisen yksityiskohtaisen tiedon kerääminen ja analysointi voi olla ristiriidassa tietosuojalainsäädännön kanssa, ellei sitä toteuteta huolellisesti. Organisaatioiden on varmistettava, että käyttäjätietoja kerätään, säilytetään ja käsitellään yksilöiden yksityisyyden suojaa kunnioittaen sekä GDPR:n kaltaisten säädösten mukaisesti (Stewart, 2024). Tasapainon saavuttaminen edellyttää käyttäjien suostumuksen hankkimista, seurantakäytäntöjen selkeää viestintää sekä tiukkojen tiedonhallintakäytäntöjen ylläpitämistä. 

Näihin haasteisiin, kuten datan laatuun, virheellisiin hälytyksiin, tulkittavuuteen, kustannuksiin, harhaisuuteen, osaamisvajeeseen ja yksityisyydensuojaan vastaamalla organisaatiot voivat hyödyntää tekoälypohjaisten ratkaisujen täyden potentiaalin samalla, kun ne säilyttävät vahvan tietoturvan ja sääntelyn noudattamisen.. 

Yhteenvetona tekoäly muuttaa meriliikenteen kyberturvallisuutta tehostamalla uhkien havaitsemista, ehkäisemällä kyberhyökkäyksiä ja optimoimalla alusten operatiivista toimintaa. Koneoppimisen ja syväoppimisen avulla tekoälypohjaiset järjestelmät, kuten IDS-, IPS- ja DPI-ratkaisut, mahdollistavat tietoturvariskien reaaliaikaisen seurannan, analysoinnin ja niihin reagoinnin. Ennakoiva analytiikka vahvistaa kyberpuolustusta entisestään tunnistamalla haavoittuvuuksia jo ennen hyökkäysten toteutumista. Tekoälyn käyttöönottoon liittyy kuitenkin haasteita, kuten vastahyökkäykset, harhaisuus ja integraation monimutkaisuus. Järjestelmien kestävyyden varmistamiseksi tarvitaan jatkuvaa kehitystä tekoälyn tietoturvastrategioissa, kuten vastahyökkäyskoulutuksessa, paremmassa sääntelyn noudattamisessa ja mukautuvissa oppimismalleissa. Kyberuhkien kehittyessä tekoälyllä on yhä keskeisempi rooli merenkulun toimintojen suojaamisessa sekä operatiivisen tehokkuuden ja turvallisuuden parantamisessa.



6. Yhteenveto

Yhteenvetona voidaan todeta, että nousevat teknologiat tarjoavat merenkulun kyberturvallisuudelle sekä merkittäviä mahdollisuuksia että huomattavia haasteita. Vaikka autonomiset järjestelmät ja seuraavan sukupolven teknologiat lupaavat mullistaa alan, ne tuovat samalla mukanaan joukon uusia haavoittuvuuksia ja turvallisuusriskejä, jotka on otettava vakavasti ja ratkaistava. IoT-laitteiden lisääntyvä integrointi merenkulun toimintoihin edellyttää kokonaisvaltaista lähestymistapaa turvallisuuteen, jossa huomioidaan sekä laitteiden että niiden verkkojen suojaaminen.

Kun ala siirtyy kohti tekoälypohjaisia kyberturvaratkaisuja, ennakoivan analytiikan ja proaktiivisen uhkien havaitsemisen mahdollisuudet korostuvat entisestään, tarjoten uusia tapoja estää hyökkäyksiä jo ennen niiden toteutumista. Näiden teknologioiden on kuitenkin oltava huolellisesti integroituna olemassa oleviin turvallisuusjärjestelmiin, jotta ei synny lisäkomplikaatioita tai heikkouksia.

Tulevaisuuteen katsottaessa merenkulun sektorin on omaksuttava ennakoiva ja kehittyvä lähestymistapa kyberturvallisuuteen, jatkuvasti kehittäen puolustustaan teknologian kehittyessä. Käsittelemällä automaation, IoT:n ja tekoälyn aiheuttamat riskit, ala voi rakentaa kestävän kyberturvallisuusasenteen, joka suojaa paitsi nykyisiä toimintoja myös varmistaa tulevien teknologioiden turvallisen ja luotettavan käyttöönoton