9/11袭击是改变我们旅行方式的最著名的安全威胁之一。为了保护乘客和机组人员，机场已将寻找危险物体作为重中之重，通过物联网预测分析和机器学习识别危险行为可以补充当前的安全措施并促进更好的飞行条件。行为识别背后的基本原理是，当一个人正在实施或准备实施犯罪或恐怖行为时，该人的行为会超出正常行为范围。传感器、视频数据和其他技术为行为识别、识别紧张、压力等提供了关键要素。根据datanami，这种行为往往可以表现出来，可以分为两类——微观行为和宏观行为。面部表情、出汗和缺乏眼神交流都是微观的例子；宏观行为是在整个空间中进行更广泛的运动，或者在某人接近或进行目光接触时试图避开、隐藏或隐藏某人的脸。目前，人类负责行为监控，如果使用技术自动监控这些行为，可能会更准确。基于新的分析工具，机场现在可以创建每个人行为的轨迹和360度视图。通过应用物联网预测分析并查看大量结构化和非结构化数据，在地图工具、地理位置信息等的支持下，机场安检将能够对每个人的潜在风险进行评级。具有讽刺意味的是，在识别非典型人类行为方面，技术往往比人类更擅长。工作人员最困难的事情是跟踪所有与恐怖主义行为有关的行为。这些行为中的每一个都可能不会引起怀疑，只有当我们看到所有这些行为时，才能进行完整的分析。虽然威胁可能来自恐怖分子或乘客等外部来源，但也可能由心怀不满的机场员工或承包商从内部挑起。通过使用预测分析，安全运营经理可以监控内部员工和承包商的访问和行为，识别危险的内部人员，并在攻击发生之前阻止它们。安全团队应该知道哪些机场员工可以访问资产，包括实物资产（行李、飞机）和日常运营中使用的网络信息。通过收集大数据和使用物联网预测分析，可以自动监控和记录不规则的员工活动。机器学习平台可以整合来自各种来源的员工数据，例如绩效历史记录、犯罪记录、信息系统访问权限，包括现场VPN（虚拟专用网络）使用，以及机场航站楼内的物理移动——来自工作徽章扫描或基于物联网门锁和地理空间扫描仪接收到的数据。与美国其他警察部门一样，法国国家宪兵队正在为其武器库添加数据分析。他们没有放弃成熟的技术，而是使军队现代化。
