Machine Learning i Intel·ligència Artificial: focus en la ciberseguretat!
En els entorns digitals complexos d'avui, les màquines lluiten contra les màquines i atacants experts i organitzacions criminals inventen mètodes nous i sofisticats per perpetrar les seves missions.
Machine Learning i Intel·ligència Artificial:
focus en la ciberseguretat!
En la seguretat informàtica ha començat una nova era.
En els entorns digitals complexos d'avui, les màquines lluiten contra les màquines i atacants experts i organitzacions criminals inventen mètodes nous i sofisticats per perpetrar les seves missions. La xarxa empresarial s'ha convertit en un camp de batalla.
El perill avui no consisteix només en els escenaris clàssics de robatori de dades o de compromís d'un lloc web, sinó en l'amenaça silenciosa que s'amaga sota la superfície, "kill switch" preparats per ser activats, amenaces gairebé impossibles de descobrir.
Davant aquesta nova realitat, els sistemes de seguretat legacy estan fallant perquè l'enfocament tradicional a la seguretat informàtica es basa en la capacitat de definir per endavant l'amenaça.
Des dels atacs nous i de ràpida difusió als insiders més hàbils, dels dispositius IoT hackerats a les supply chain compromeses, el panorama de les amenaces evoluciona de manera imprevisible i un nou enfocament a la ciberdefensa és absolutament necessari.
IA/AI i ML
La Intel·ligència Artificial pot identificar i neutralitzar amenaces informàtiques mai vistes abans.
El Machine Learning té el poder de transformar la ciberdefensa, superant el repte de fer-la funcionar a gran escala en una varietat d'entorns de dades dinàmics, detectant amenaces autèntiques en temps real sense intervenció humana, tasca que certament no és trivial.
Introduint per primera vegada la intel·ligència artificial per a la ciberdefensa i aplicant-la amb èxit en diferents contextos digitals, Darktrace s'ha demostrat líder mundial en la detecció i resposta autònoma a les amenaces informàtiques que els sistemes legacy no capten. Alimentada pel machine learning i els algoritmes d'intel·ligència artificial, la tecnologia del "sistema immunitari" de Darktrace és utilitzada per milers d'organitzacions a tot el món.
Diferents tipologies de Machine Learning
Segons el paradigma tradicional, els firewalls, els mètodes de seguretat dels endpoints i altres eines com SIEM i sandbox s'implementen per aplicar polítiques específiques i proporcionar protecció contra les amenaces reconegudes.
Tot i que aquestes eines tinguin igualment un paper defensiu, no són suficients.
Els sistemes legacy han estat superats per la complexitat moderna del negoci i per la innovació adoptada pels atacants a causa d'alguns límits fonamentals:
Sobretot, les eines legacy requereixen víctimes abans de poder oferir solucions.
El Machine Learning "Supervised" funciona utilitzant dades classificades prèviament, de les quals la màquina aprèn el sistema de classificació.
La proliferació de dades en el món modern significa que no només és improductiu, sinó que és impossible per als éssers humans, escrutar la gran quantitat d'informació generada cada minut dins d'una xarxa empresarial típica.
El machine learning, si s'aplica correctament, pot donar suport a les màquines en la presa de decisions lògiques basades en la probabilitat, augmentant les capacitats dels equips humans i descobrint intuïcions prèviament inimaginables.
Avui el machine learning "supervised" s'utilitza en molts àmbits comercials i industrials amb finalitats de classificació. Per exemple:
No obstant això, l'overfitting és un problema comú en el machine learning "supervised", en el qual els paràmetres del model estan massa ajustats a les dades d'entrenament. En lloc d'aprendre l'essència d'una categoria, la màquina aprèn un exemple particular: per exemple, pot aprendre a reconèixer un pastor alemany, però no és capaç d'entendre els "gossos" com a categoria, i les característiques que fan que aquell pastor alemany formi part del grup.
Els sistemes que es basen exclusivament en el machine learning "supervised" presenten punts febles fonamentals:
Tot i que el machine learning "supervised" pugui ser potent, hi ha qui té en el seu ADN la visió de construir la primera plataforma self-learning de ciberdefensa: els nous mètodes de machine learning poden millorar notablement la precisió de la detecció d'amenaces i millorar la visibilitat de la xarxa gràcies a la major quantitat d'anàlisi computacional que poden gestionar.
Les dades relatives als atacs històrics no protegeixen necessàriament dels futurs: és imprescindible poder utilitzar també tècniques de deep learning per integrar el motor d'intel·ligència artificial amb competències especialitzades d'experts ciberanalistes, reforçant encara més la potència del Machine Learning "Unsupervised".
A diferència dels enfocaments "supervised", el Machine Learning "Unsupervised" no requereix dades d'entrenament etiquetades i no necessita inputs humans. L'aprenentatge "unsupervised" pot, per tant, portar el processament informàtic més enllà del que els programadors ja saben o poden imaginar i descobrir relacions prèviament desconegudes: en lloc de basar-se en el coneixement de les amenaces passades, classifica de manera independent les dades i detecta patrons vàlids. A partir d'això, forma una comprensió dels comportaments "normals" a través de la xarxa, relatius a dispositius, usuaris o grups de tots dos, i detecta les desviacions d'aquest "model de comportament" en evolució que podrien indicar una amenaça en desenvolupament.
En resum: el Machine Learning pot detectar coses que humanament no podem preveure ni definir. De manera figurada, és com trobar la clàssica agulla en un enorme paller.
Si aquest paller fos la seguretat de les vostres dades, del vostre negoci, de la vostra privacitat i l'agulla una cigarreta encesa…en quant temps i amb quins mètodes voldríeu trobar-la!?
