9/11襲擊是最著名的安全威脅之一，它改變了我們出行的方式。為了保護乘客和機組人員，機場已經將尋找危險物品作為首要任務，通過物聯網預測分析和機器學習識別危險行為，可以補充當前的安全措施并促進更好的飛行條件。

[[251946]]

行為識別背后的理論基礎是這樣的：當某人正在或準備實施犯罪或恐怖行為時，該人的表現行為會超出常態。傳感器、視頻數據以及其他技術為行為識別、識別緊張、壓力等提供了關鍵因素。

根據datanami的說法，這種類型的行為通?？梢员憩F出來，可以分為兩類——微觀行為和宏觀行為。面部表情、出汗、缺乏眼神交流都是微觀的例子;宏觀行為是在整個空間中更廣泛的活動，或者當有人接近或投來目光時，試圖躲避、隱藏他或她的臉。

目前，是由人工負責行為監測，如果使用技術自動監測這些行為可能會更加準確。基于新的分析工具，機場現在可以創建每個人的行為軌跡和360度視圖。通過應用物聯網預測分析并查看這些大型結構化和非結構化數據，并通過地圖繪制工具、地理位置信息等提供支持，機場安全將能夠對每個人的潛在風險進行評級。

諷刺的是，在識別非典型人類行為方面，技術通常比人類更好。對工作人員來說，最困難的是追蹤所有與恐怖主義行為相結合的行為。這些行為中的每一個可能都不會引起懷疑，只有當我們能夠看到他們的所有行為表現時，我們才能獲得完整的分析結果。

雖然威脅可能來自恐怖分子或乘客等外部來源，但也可能是由心懷不滿的機場員工或合同工從內部煽動。通過使用預測分析，安全運營經理可以監控內部員工和承包商的訪問和行為，識別危險的內部人員，并在攻擊發生之前阻止。

安全團隊應該知道哪些機場員工可以訪問資產，包括物理資產(行李、飛機)和日常運營中使用的網絡信息等。通過收集大數據和使用物聯網預測分析，可以自動監控和記錄不規范的員工活動。

機器學習平臺可以整合來自員工的各種來源數據，例如績效歷史、犯罪記錄、信息系統訪問，包括現場VPN(虛擬專用網絡)使用，以及機場終端內的物理移動——從工作胸牌掃描或基于物聯網的門鎖和地理空間掃描儀接收的數據。

像美國其他警察部門一樣，法國國家憲兵隊正在向其武器庫中添加數據分析。他們并沒有放棄成熟的技術，而是將軍隊現代化。