Raport stiintific si tehnic in extenso pentru proiectul Tehnologii de procesare si garantare a continutului electronic - TAPE Etapa I Studii tehnice privind algoritmi, mecanisme si metode tehnice disponibile pentru colectarea, structurarea, arhivarea si garantarea continutului electronic. REZUMAT 1
Introducere Proiectul Tehnologii de procesare si garantare a continutului electronic TAPE isi propune sa dezvolte tehnologii care sa stea la baza unor produse sau servicii ce vor permite acoperirea unor necesitati aflate la convergenta pietelor de tip ediscovery combinate cu arhivare electronica pe termen lung si garantare de continut. Prima etapa a proiectului Studii tehnice privind algoritmi, mecanisme si metode tehnice disponibile pentru colectarea, structurarea, arhivarea si garantarea continutului electronic cuprinde urmatoarele activitati: 1.1. Studiul de fezabilitate tehnica pentru cercetarea industriala asupra tehnologiilor de colectare, structurare, arhivare si garantare a continutului electronic. 1.2. Studiul de fezabilitate tehnica pentru dezvoltarea experimentala a tehnologiilor de colectare, structurare, arhivare si garantare a continutului electronic. 1.3. Studiul mecanismelor tehnice ce ar putea fi utilizate pentru colectarea continutului electronic vehiculat in interiorul organizatiilor sau publicat prin web. 1.4. Studiul algoritmilor si mecanismelor tehnice ce pot fi utilizate pentru organizarea (clasificarea, structurarea si indexarea) informatiilor colectate 1.5. Studiul mecanismelor si metodelor tehnice utilizate pentru arhivarea informatiilor pe termen lung 1.6. Studiul pentru realizarea unui set de reguli si proceduri necesare pentru un cadru de punere in functiune a unui serviciu de garantare a informatiilor publicate prin web 1.7. Diseminarea rezultatelor certsign SA isi propune realizarea si promovarea pe piata a acestor noi tehnologii ce urmaresc procesarea si garantarea continutului electronic, ca element principal al strategiei de diversificare a portofoliului de servicii si produse in domenii noi, inovative, folosind ca fundament experienta si maturitatea dobandite in domenii tehnologice specifice. 1 Descrierea etapei si a activitatilor Prima etapa a proiectului cuprinde Studii tehnice privind algoritmi, mecanisme si metode tehnice disponibile pentru colectarea, structurarea, arhivarea si garantarea continutului electronic. Etapa a cuprins urmatoarele activitati si livrabilele aferente: 1. Activitatea I.1 - Elaborarea unui studiu de fezabilitate tehnica pentru cercetarea industriala asupra tehnologiilor de colectare, structurare, arhivare si garantare a continutului electronic, cu livrabilul: a. Studiul consolidat de fezabilitate tehnica pentru cercetarea industriala asupra tehnologiilor de colectare, structurare, arhivare si garantare a continutului electronic. In cadrul activitatii I.1 a fost realizat un studiu de fezabilitate tehnica pentru cercetarea industriala asupra tehnologiilor de colectare, structurare, arhivare si garantare a continutului electronic. Studiul a avut in vedere tehnologiile ce stau la baza solutiilor cele mai cunoscute dezvoltate de mari furnizori de servicii de colectare, structurare si arhivare a continutului electronic. S- a considerat ca pornind 2
de la aceste tehnologii, folosite in prezent in special in domenii precum ediscovery sau colectare si arhivare continut web, se poate porni extrapolarea in termeni de fezabilitate tehnica a cercetarii industriale in domeniul acestor tehnologii. In fapt, pornind de la aceste servicii care sunt deja validate de piata, studiul a furnizat raspunsuri asupra metodelor si directiilor in care: Ar trebui imbunatatite tehnologiile existente prin adaptarea tehnologica a cercetarilor certsign S.A. in domeniul arhivarii informatiilor pe termen lung si a garantarii acestora prin aplicarea de metode criptografice, precum semnaturi electronice sau marci temporale. Ar trebui create noi tehnologii in special in domeniul metodelor de indexare si clasificare cu algoritmi combinati pentru continutul format din obiecte tip text cu obiecte tip bitmap/multimedia precum si folosirea acestora in interpretarea corecta a conexiunilor informationale prezente in obiecte mixte ce le contin pe amandoua (de ex: continut web) Studiul a pornit de la marii producatori si furnizori IT care au capabilitati recunoscute in zona colectarii si prelucrarii de continut in scopuri de ediscovery precum HP/Autonomy, IBM, Microsoft, Google, Xerox sau Symantec/Clearwell dar in cadrul analizei au fost luati in considerare si o serie de jucatori relevanti, dar fara anvergura celor dintai, cunoscuti mai ales datorita focusarii lor pe anumite segmente precum AccessData, Kazeon, Catalyst Repository Systems, CommVault, Digital Reef, Equivio sau Consilio. De asemenea, studiul a luat in considerare tehnologiile folosite de jucatori pe piata internationala a arhivarii electronice unde exista o componenta a arhivarii continutului web precum: Aleph Archives, Hanzo Archives, Iterasi sau Nextpoint. 2. Activitatea I.2 - Elaborarea unui studiu de fezabilitate tehnica pentru dezvoltarea experimentala a tehnologiilor de colectare, structurare, arhivare si garantare a continutului electronic, cu livrabilul: a. Studiul consolidat de fezabilitate tehnica pentru cercetarea industriala asupra tehnologiilor de colectare, structurare, arhivare si garantare a continutului electronic In cadrul activitatii I.2, pe baza concluziilor studiului efectuat in cadrul activitatii I.1., s- a realizat un studiu de fezabilitate tehnica cu privire dezvoltarea experimentala a tehnologiilor de de colectare, structurare, arhivare si garantare a continutului electronic. S- a pus accent pe posibilitatile de adaptare a tehnologiilor existente (cu referire in special la garantarea continutului electronic) si de creare a unor tehnologii noi (s- au avut in vedere viitoare tehnologii paralele de indexare si clasificare cu algoritmi combinati pentru continutului tip text cu cel tip bitmap/multimedia ) a posibilitatilor de aplicare a acestora in practica, dar si din punctul de vedere al avantajelor obtinute prin implementarea acestora. In ceea ce priveste crearea de tehnologii noi, studiul a fost preocupat de fezabilitatea tehnica a demersurilor indreptate catre crearea unor prototipuri primare de tehnologii care sa poata combina mecanisme tehnice de colectare cu algoritmi de indexare si clasificare in asa fel incat combinarea lor sa multiplice eficienta lor luata individual.. 3
3. Activitatea I.3 - Studiul mecanismelor tehnice ce ar putea fi utilizate pentru colectarea continutului electronic vehiculat in interiorul organizatiilor sau publicat prin web, cu livrabilul: a. Studiu tehnic privind metodele de colectare a continutului electronic din cadrul organizatiilor In cadrul acestei activitatii a fost realizat un studiu privind mecanisme tehnice ce sunt sau pot fi utilizate pentru colectarea continutului electronic vehiculat in general in interiorul organizatiilor sau particular publicat pe web. Studiul s- a concentrat in directia identificarii si analizarii mecanismelor tehnice ce sunt in prezent folosite atat in mediul comercial, prin solutii verificate si validate de catre piata in ceea ce priveste colectarea de continut electronic cat si cele care folosite in mediul academic sau non- profit. Sesizand directiile prioritare ce se desprind din tehnologiile analizate, studiul a investigat cateva zone de interes si anume: Metoda si algoritmul MapReduce pentru colectarea si procesarea volumelor mari de informatii precum si aplicabilitatea acestuia in medii specifice precum Apache Pig, Apache Hive sau HadoopDB Implementarea metodei MapReduce in cazul Google 1 Limbajele de programare Go sau Sawzall 2 si aplicabilitatea lor in colectarea si interpretarea volumelor mari de date in sisteme distribuite De asemenea au fost analizate diverse alte limbaje de programare cu aplicabilitate in domeniul calculului informatic distribuit precum YARN (Yet Another Resource Manager), Weave sau Helix, acesta din urma un sistem open source de management al puterii de calcul in infrastructuri de tip cluster Conexiunile urmarite de studiu in zonele de interes mentionate mai sus au fost mai ales in ceea ce priveste: Colectarea si procesarea datelor prezente in sisteme distribuite Distribuirea puterii de calcul in sistemele distribuite pentru atingerea unei viteze de colectare si procesare cat mai inalte Faza de analiza si validare a datelor colectate si faza de agregare a rezultatelor De asemenea, studiul a acordat atentie aspectului non- repudierii care devine extrem de important in cadrul sistemelor de colectare si apoi de arhivare electronica. El este important atat din perspectiva utilizatorului care trebuie sa poata proba oricand ca a avut un document in proprietatea sa, ca a depus voluntar un document catre un sistem de colectare/arhivare (la nivel organizational sau mai larg ca tert de incredere national), dar si din perspectiva serviciului de colectare/arhivare, prin care sa- i permita acestuia demonstrarea faptului ca un continut furnizat ulterior este cel colectat sau primit de la un client in vederea arhivarii. In acest sens, o parte a studiului s- a concentrat pe mecanismele tehnice ce pot fi utilizate pentru asigurarea proprietatii de non- repudiere. 4. Activitatea I.4 - Studiul algoritmilor si mecanismelor tehnice ce pot fi utilizate pentru organizarea (clasificarea, structurarea si indexarea) informatiilor colectate, cu livrabilul: 1 Jeffrey Dean, Sanjay Ghemawat - Google, Inc. MapReduce: Simplied Data Processing on Large Clusters 2 Rob Pike, Sean Dorward, Robert Griesemer, Sean Quinlan - Google, Inc. Interpreting the Data: Parallel Analysis with Sawzall 4
a. Studiu tehnic privind algoritmii si metodele existente pentru structurarea si indexarea continutului electronic. In cadrul activitatii I.4 a fost realizat studiul asupra algoritmilor si metodelor tehnice propuse in literatura de specialitate pentru structurarea, indexarea si clasificarea informatiilor colectate. S- a recunoscut in cadrul documentarii ce a stat la baza studiului ca tipurile majore de continut, respectiv continutul structurat si cel nestructurat, prezinta o mare importanta in ceea ce priveste dificultatile puse in clasificarea, structurarea si indexarea informatiilor continute. Astfel, in timp ce continutul structurat ce rezida in in baze de date relationale sau care a fost deja generat cu ajutorul unor sisteme de generare si administrare de continut este relativ facil de gestionat din punctul de vedere al organizarii si stocarii ulterioare a acestor informatii, lucrurile se prezinta oarecum diferit in ceea ce priveste continutul nestructurat. De asemenea, documentarea ce a stat la baza studiului a relevat faptul ca in literatura de specialitate, continutul nestructurat mai este referit in anumite instante si cu termenul de big data, care inseamna cantitati masive de date si informatii, a caror caracteristica principala este data de faptul ca nu prezinta un tip de structura sau organizare care sa corespunda criteriilor de stocare intr- un depozit traditional de date si informatii electronice. Asadar, datorita dificultatii sporite prezentate de continutul nestructurat, studiul s- a concentrat pe gasirea de algoritmi si metode tehnice referitoare la indexarea si clasificarea acestui tip de continut si au fost identificate doua categorii de obiecte care stau la baza continutului nestructurat: a) Obiecte tip bitmap/multimedia sau harta/colectie de biti, care nu sunt bazate pe text si sunt reprezentate in principal de imagini, materiale video sau audio. b) Obiecte tip text care sunt bazate pe text scris cum ar fi documente tip Microsoft Word, foi de calcul tip Microsoft Excel, mesaje e- mail etc. 5. Activitatea I.5 - Studiul mecanismelor si metodelor tehnice utilizate pentru arhivarea informatiilor pe termen lung, cu livrabilul: a. Studiu tehnic privind mecanismele tehnice ce pot fi aplicate pentru arhivarea informatiei pe termen lung precum si regulile si reglementarile legale ce trebuiesc aplicate in acest sens. In cadrul acestei activitatii a fost realizat un studiu privind mecanisme si standardele tehnice care ar putea fi utilizate pentru arhivarea informatiilor pe termen lung. Consideram ca ideile/concluziile rezultate in urma acestui studiu ar trebui avute in vedere la implementarea unor servicii de incredere de arhivare de documente electronice si/sau notariat electronic. In continure, in acest subcapitol vor fi prezentate o parte din aceste idei si concluzii. Timpul util de viata pentru documentele electronice poate fi mai mare (sau mult mai mare) decât durata de viata a mecanismelor de stocare sau a formatelor utilizate pentru prezentarea datelor. De exemplu perioada de utilizare a unor informatii semnate electronic poate fi mai lunga decât perioada de valabilitate a certificatelor de chei publice utilizate la verificarea semnaturii sau in raport cu perioada de criptanaliza a algoritmilor criptografici folositi la generarea semnaturii. Una din provocarile folosirii semnaturilor digitale 5
consta tocmai in dificultatea de a putea demonstra validitatea acestora in viitorul indepartat, când credentialele necesare (ale semnatarului sau ale Autoritatilor de Certificare implicate) nu mai sunt disponibile. In acest sens, serviciile de incredere destinate colectarii, indexarii si arhivarii documentelor pe termen lung, ar trebui sa detina mecanisme de stocare a datelor intr- un mod care sa asigure si dovezile necesare privind integritatea lor. Dovezile de integritate sunt generate/obtinute periodic pentru a forma un lant continuu care sa garanteze integritatea datelor de la momentul arhivarii acestora pâna la data verificarii lor. Exista multe propuneri care trateaza atat tehnic cat si procedural problema arhivarii informatiilor electronice pe termen lung. In mare parte, acestea urmaresc disponibilitatea datelor pe termen lung insa pierd din vedere aspecte importante cum ar fi migrarea formatelor datelor in timp atfel incât acestea sa poata fi compatibile cu noile implementari hardware si software. Alte propuneri au in vedere aspectele legate de format, insa nu garanteaza integritatea datelor pe termen lung. O solutie de arhivare electronica trebuie sa aiba in vedere aspecte cum ar fi: - durata de viata a mediilor de stocare, mecanisme de disaster- recovery; - cresterea capacitatii de criptanalizare a algoritmilor dar si a puterii de calcul; - modificarile care apar la nivel de tehnologie hardware sau software. 6. Activitatea I.6 - Studiul pentru realizarea unui set de reguli si proceduri necesare pentru un cadru de punere in functiune a unui serviciu de garantare a informatiilor publicate prin web, cu livrabilul: a. Studiu privind propunerea unui set de proceduri care sa reglementeze cadrul de functionare la nivel national a unui serviciu de tip TTP destinat garantarii continutului web publicat. In cadrul activitatii I.6 a fost realizat studiul pentru realizarea unui set de reguli si proceduri necesare pentru un cadru de punere in functiune a unui serviciu de garantare a informatiilor publicate prin web. In cadrul studiului s- a facut o analiza in ceea ce priveste cadrul legislativ international precum si cel national specific metodelor de garantare a continutului electronic la un anumit timp, de non- repudiere a acestuia si arhivare electronica a acestuia pe termen lung. In mod specific, metodele urmarite in cadrul studiului de garantare pe termen lung a continutului electronic la un anumit timp au fost cele mai larg raspandite in acest moment la nivel national si mondial, respectiv cele legate de semnatura electronica, marcarea temporala si arhivarea electronica pe termen lung. De asemenea, studiul a urmarit defalcarea, atat din punct de vedere legislativ cat mai ales din punct de vedere tehnic, a problematicii continutului electronic disponibil publicului larg (pe web) de cel generat in structura interna a organizatiilor si disponibil numai celor care au acces la resursele interne ale organizatiei. In acest fel studiul a urmarit sa putem cunoaste stadiul actual de unde se porneste astfel incat sa avem o imagine mai clara asupra starii de fapt unde ne dorim sa ajungem prin realizarea si propunerea unui set de reguli si proceduri pentru cadrul necesar de punere in functiune a unui serviciu de garantare a informatiilor publicate prin web. In ceea ce priveste cadrul legislativ international actual s- a constatat ca acesta este relativ eterogen in acest moment. In principiu, jucatorii din piata incearca sa se adapteze la cerintele de organizare a 6
continutului electronic sau folosire a lui in spete juridice, in cazul specific al cerintelor tip ediscovery, in conformitate cu specificul legislativ local. Studiul releva ca semnatura electronica si marcarea temporala sunt subiectul unor reglementari in SUA (Federal Information Processing Standards Publication Digital Signature Standard - DSS) iar legislatia aferenta folosirii acestor mijloace electronice este variata: Legea semnaturii si autentificarii electronice din 1998 (Digital Signature And Electronic Authentication Law) Cadrul General al Tranzactiilor Electronice (Uniform Electronic Transactions Act - UETA) a fost adoptat in 48 de state din cele 51 (50 de state plus Districtul Columbia) care intra in componenta SUA cele 3 state care nu au aderat la UETA (New York, Washington si Illinois) au adoptat propriile reglementari privitoare la folosirea semnaturii electronice Studiul acopera Regulamentul Federal de Procedura Civila (Federal Rules of Civil Procedure) care exista in SUA si care prezinta o importanta semnificativa, deoarece acesta dicteaza procedurile fiecarei parti in fata instantei civile federale atunci cand se are in vedere schimbul, identificarea si dezvaluirea de documente sau a altor tipuri de informatii, ca parte a unui proces. 7. Activitatea I.7 - Diseminarea rezultatelor, cu livrabilele: a. Site web de prezentare a proiectului b. Articole publicate in presa de specialitate, publicari in site web dedicat proiectului In aceasta etapa a fost demarata implementarea pe site ul web al CertSIGN (www.certsign.ro), o sectiune speciala dedicata prezentarii cerintelor si rezultatelor obtinute in cadrul proiectului TAPE. In acest moment exista pe site ul certsign un link de acces (www.proiect- tape.ro) catre acesta sectiune unde sunt prezentate elementele de identificare ale proiectului, obiectivele proiectului, atat cele strategice cat si cele specifice, precum si rezultatele preconizate ale proiectului. Pe masura avansarii activitatilor cuprinse in etapele proiectului vor fi adaugate noi elemente privitoare la rezultatele obtinute precum si actualizari periodice privind stadiul proiectului. Totodata s- au realizat si urmatoarele activitati de diseminare: Realizarea unui articol referitor la analiza modalitatilor de implementare a unor solutii de garantare a continutului electronic, articol ce urmeaza a fi transmis spre diseminare si in reviste de specialitate. Prezentarea articolului la conferinta internationala Provocari si solutii pentru siguranta in cyberspatiu organizata de Ambasada Elvetiei in perioada 25-26 septembrie la Sibiu. Prezentarea a atins subiecte de interes, subliniind aspectele de securitate ce trebuie avute in vedere in cazul garantarii si arhivarii pe perioade lungi de timp a continutului electronic. La conferinta au participat peste 350 de specialisti in domeniul securitatii si apararii. Realizarea unui workshop in cadrul certsign cu studenti din mediul academic ( Academia Tehnica Militara) in care a fost prezentat stadiul actual al solutiilor de garantare a continutului electronic, atat din punct de vedere tehnic cat si legislativ. Tototdat, in cadrul seminarului au fost prezentate si directiile viitoare de dezvoltare. 7
Promovarea solutiilor si studiilor realizate in cadrul unor intalniri cu mediul de afaceri, prin constientizarea acestuia in raport cu necesitate implementarii unor solutii sau servicii destinate garantarii pe perioade lungi de timp a continutului electronic. In acest sens au fost realizate peste 15 intalniri cu factori de decizie din companii mari ce activeaza in special domeniul vanzarilor on- line si telecom. Participarea la conferinta Riscuri de securitate in spatiul cibernetic organizata de CERT- RO. In cadrul acestei conferinte au fost prezentate riscurile care apar in lipsa unor sisteme care sa garanteze continutul electronic. Prezentarea a fost sustinuta in prezenta unui auditoriu de peste 60 de persoane din mediul energetic, academic, aparare si privat. Virgiliu Mihail TOGAN DIRECTOR PROIECT 8