9/11袭击是最著名的安全威胁之一，它改变了我们出行的方式。为了保护乘客和机组人员，机场已经将寻找危险物品作为首要任务，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。
行为识别背后的理论基础是这样的：当某人正在或准备实施犯罪或恐怖行为时，该人的表现行为会超出常态。传感器、视频数据以及其他技术为行为识别、识别紧张、压力等提供了关键因素。
根据datanami的说法，这种类型的行为通常可以表现出来，可以分为两类——微观行为和宏观行为。面部表情、出汗、缺乏眼神交流都是微观的例子;宏观行为是在整个空间中更广泛的活动，或者当有人接近或投来目光时，试图躲避、隐藏他或她的脸。
目前，是由人工负责行为监测，如果使用技术自动监测这些行为可能会更加准确。基于新的分析工具，机场现在可以创建每个人的行为轨迹和360度视图。通过应用物联网预测分析并查看这些大型结构化和非结构化数据，并通过地图绘制工具、地理位置信息等提供支持，机场安全将能够对每个人的潜在风险进行评级。
讽刺的是，在识别非典型人类行为方面，技术通常比人类更好。对工作人员来说，最困难的是追踪所有与恐怖主义行为相结合的行为。这些行为中的每一个可能都不会引起怀疑，只有当我们能够看到他们的所有行为表现时，我们才能获得完整的分析结果。
虽然威胁可能来自恐怖分子或乘客等外部来源，但也可能是由心怀不满的机场员工或合同工从内部煽动。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。
安全团队应该知道哪些机场员工可以访问资产，包括物理资产(行李、飞机)和日常运营中使用的网络信息等。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范的员工活动。
机器学习平台可以整合来自员工的各种来源数据，例如绩效历史、犯罪记录、信息系统访问，包括现场VPN(虚拟专用网络)使用，以及机场终端内的物理移动——从工作胸牌扫描或基于物联网的门锁和地理空间扫描仪接收的数据。
像美国其他警察部门一样，法国国家宪兵队正在向其武器库中添加数据分析。他们并没有放弃成熟的技术，而是将军队现代化。
