Door kunstmatige intelligentie gestuurde aanpak om back-upgegevens te beveiligen en cyberweerbaarheid in duurzame slimme infrastructuur te verbeteren

Waarom het bewaren van stedelijke gegevens belangrijk is

Moderne steden zitten vol sensoren, camera’s en verbonden apparaten die onopvallend het verkeer laten doorstromen, de stroomvoorziening in stand houden en ziekenhuizen laten draaien. Als criminelen erin slagen de gegevens achter deze diensten te versleutelen of te beschadigen, kan het dagelijks leven in een hele stad verstoord raken. Dit artikel onderzoekt een nieuwe manier om ervoor te zorgen dat, zelfs als aanvallers toeslaan—vooral met ransomware—de stad het incident veilig kan detecteren en schone back-ups kan herstellen zonder onnodig energie of tijd te verspillen.

Hoe slimme steden makkelijke doelwitten worden

Slimme steden vertrouwen op duizenden kleine apparaten die continu informatie naar verre servers sturen. Dat creëert een enorm digitaal oppervlak dat cybercriminelen kunnen misbruiken. Ransomware, die gegevens onleesbaar maakt en betaling eist om ze weer vrij te geven, is hier bijzonder gevaarlijk: het kan verkeerssystemen, waterzuivering of medische dossiers lamleggen. Eerdere beveiligingssystemen richtten zich op het opsporen van aanvallen, maar misten vaak een cruciale stap—controleren of back-upkopieën van gegevens ook waren gewijzigd voordat ze werden teruggezet. Ze konden ook moeite hebben met nieuwe aanvalstypen en verbruikten veel energie, wat botst met duurzaamheidsdoelen.

Een slimmere levenslijn voor stedelijke gegevens

De auteurs stellen een end-to-end vangnet voor slimme stedelijke gegevens voor dat efficiënte communicatie, sterke encryptie, kunstmatige intelligentie en zorgvuldige back-upcontrole combineert. Sensorapparaten door de hele stad worden gegroepeerd in clusters zodat gegevens op een energiezuinige manier kunnen worden verzonden en verwerkt. Terwijl informatie van deze knooppunten naar een centrale cloud reist, wordt ze beschermd met een gespecialiseerde vorm van encryptie die zowel veilig als minder rekenintensief is dan traditionele methoden. Tegelijkertijd wordt elk opgeslagen gegevensstuk gekoppeld aan een compacte digitale vingerafdruk, of hash, die later kan aantonen of de gegevens zijn gewijzigd.

Machines leren ransomware te herkennen

Om ransomware vroegtijdig te grijpen gebruikt het raamwerk een op AI gebaseerde detectiemotor die is getraind op grote verzamelingen van echte kwaadaardige en normale bestanden. Het systeem maakt binnenkomende data eerst schoon en standaardiseert deze, en groepeert ze vervolgens op vergelijkbaar gedrag om de verwerking te versnellen. Het maakt ook visuele samenvattingen in de vorm van correlatie-heatmaps, die laten zien hoe verschillende kenmerken van een bestand zich tot elkaar verhouden. Deze kenmerken worden gevoed aan een speciaal ontworpen neurale netwerkarchitectuur die geheugenefficiënte recurrente eenheden combineert, een speciale “swim”-activatie die het leerproces verbetert, en een regularisatietrick die overfitting vermindert. Transfer learning laat het model kennis hergebruiken van eerdere bedreigingen zodat het zich sneller kan aanpassen aan nieuwe of zeldzame aanvalspatronen.

Back-ups controleren voordat ze vertrouwd worden

Wanneer de AI-motor een aanval vermoedt, herstelt het systeem niet simpelweg de laatste back-up en hoopt op het beste. In plaats daarvan voert het een integriteitscontrole van de back-up uit met een nieuwe hashingmethode genaamd Murmur Polytopes Hash. Deze methode kiest zorgvuldig interne startwaarden om zeer willekeurige, moeilijk te voorspellen vingerafdrukken te produceren, sneller en met minder botsingen dan gangbare alternatieven. Back-ups worden niet alleen in de cloud opgeslagen maar ook in een gedecentraliseerd opslagsysteem. Beide locaties onderhouden hash-gebaseerde boomstructuren die het snel mogelijk maken te verifiëren of een bepaalde back-up exact overeenkomt met wat oorspronkelijk is opgeslagen. Als de hashes van cloud en gedecentraliseerde opslag overeenkomen voor hetzelfde tijdstip, wordt de back-up hersteld; zo niet, dan wordt de verdachte data geblokkeerd.

Besparen van energie terwijl veerkracht behouden blijft

Aangezien slimme steden ook duurzaam moeten zijn, ontwerpen de auteurs hun systeem om het energieverbruik te beperken. Hun clusteringmethode kiest knooppuntgroeperingen en clustermiddelen op een manier die verspilde communicatie vermindert en de belasting in balans brengt, wat leidt tot lager energieverbruik en minder latentie vergeleken met standaardclusteringtechnieken. Tests op meerdere grote malware-datasets tonen aan dat het voorgestelde detectiemodel hogere nauwkeurigheid en minder valse alarmen behaalt dan veelgebruikte neurale netwerkontwerpen, terwijl de nieuwe hashing- en encryptieschema’s zowel sneller als veiliger zijn dan populaire alternatieven. Het gehele raamwerk handhaaft sterke bescherming tijdens zowel normale werking als scenario’s van aanval–verificatie–herstelen.

Wat dit betekent voor het dagelijks leven

In praktische zin biedt dit werk slimme steden een betrouwbaardere manier om te herstellen van cyberincidenten zonder blindelings mogelijk geïnfecteerde back-ups te vertrouwen. Door geavanceerde AI te combineren met zorgvuldige back-upverificatie en energiebewust ontwerp, helpt het raamwerk ervoor te zorgen dat kritieke diensten uit schone gegevens kunnen worden hersteld, zelfs bij geraffineerde ransomwareaanvallen. Voor burgers vertaalt dat zich in betrouwbaardere vervoers-, gezondheidszorg-, energie- en openbare veiligheidsystemen die blijven functioneren—zelfs wanneer aanvallers proberen de gegevens van de stad gijzelaar te maken.

Bronvermelding: Kumar, B., Gupta, S.K., Dwivedi, R. et al. Artificial intelligence driven approach for securing backup data and enhancing cyber resilience in sustainable smart infrastructure. Sci Rep 16, 13609 (2026). https://doi.org/10.1038/s41598-026-37802-6

Trefwoorden: cybersecurity voor slimme steden, ransomwaredetectie, integriteit van back-upgegevens, beveiliging met kunstmatige intelligentie, cyberweerbaarheid