Machine Learning und Künstliche Intelligenz: Fokus auf Cyber Security!

Machine Learning und Künstliche Intelligenz:
Fokus auf Cyber Security!

In der Informationssicherheit hat eine neue Ära begonnen.

In den komplexen digitalen Umgebungen von heute kämpfen Maschinen gegen Maschinen, und erfahrene Angreifer sowie kriminelle Organisationen entwickeln immer neue und ausgefeiltere Methoden, um ihre Ziele zu verfolgen. Das Unternehmensnetzwerk ist zu einem Schlachtfeld geworden.

Die Gefahr besteht heute nicht nur in den klassischen Szenarien des Datendiebstahls oder der Kompromittierung einer Website, sondern in der stillen Bedrohung, die sich unter der Oberfläche verbirgt – „Kill Switches", die darauf warten, aktiviert zu werden, und Bedrohungen, die nahezu unmöglich zu entdecken sind.

Gegen diese neue Realität versagen Legacy-Sicherheitssysteme, weil der traditionelle Ansatz zur Informationssicherheit auf der Fähigkeit basiert, Bedrohungen im Voraus zu definieren.

Von neuen und sich rasch verbreitenden Angriffen bis hin zu besonders geschickten Insidern, von gehackten IoT-Geräten bis hin zu kompromittierten Supply Chains – die Bedrohungslandschaft entwickelt sich auf unvorhersehbare Weise, und ein neuer Ansatz zur Cyber-Abwehr ist unbedingt erforderlich.

KI/AI und ML

Künstliche Intelligenz kann noch nie dagewesene Cyber-Bedrohungen identifizieren und neutralisieren.

Machine Learning hat das Potenzial, die Cyber-Abwehr zu transformieren, indem es die Herausforderung meistert, diese in großem Maßstab in einer Vielzahl dynamischer Datenumgebungen zum Einsatz zu bringen – echte Bedrohungen werden in Echtzeit ohne menschliches Eingreifen erkannt, was keine triviale Aufgabe darstellt.

Durch die erstmalige Einführung Künstlicher Intelligenz für die Cyber-Abwehr und deren erfolgreiche Anwendung in verschiedenen digitalen Kontexten hat sich Darktrace als weltweiter Marktführer beim autonomen Erkennen und Reagieren auf Cyber-Bedrohungen erwiesen, die Legacy-Systeme nicht erfassen. Angetrieben von Machine Learning und Algorithmen der Künstlichen Intelligenz wird die „Immunsystem"-Technologie von Darktrace von Tausenden von Organisationen weltweit eingesetzt.

Unterschiedliche Arten von Machine Learning

Nach dem traditionellen Paradigma werden Firewalls, Endpoint-Sicherheitsmethoden und andere Tools wie SIEM und Sandboxen eingesetzt, um spezifische Richtlinien durchzusetzen und Schutz vor bekannten Bedrohungen zu bieten.

Obwohl diese Tools nach wie vor eine Schutzfunktion erfüllen, sind sie nicht ausreichend.

Legacy-Systeme wurden durch die moderne Komplexität des Geschäftsumfelds und die von Angreifern eingesetzte Innovation aufgrund einiger grundlegender Einschränkungen überholt:

Vor allem benötigen Legacy-Tools erst Opfer, bevor sie Lösungen bereitstellen können.

„Supervised" Machine Learning funktioniert durch die Verwendung zuvor klassifizierter Daten, aus denen die Maschine das Klassifizierungsschema erlernt.

Die Datenflut in der modernen Welt bedeutet, dass es nicht nur ineffizient, sondern schlicht unmöglich ist, dass Menschen die enorme Menge an Informationen durchforsten, die jede Minute innerhalb eines typischen Unternehmensnetzwerks generiert werden.

Machine Learning kann, wenn es korrekt eingesetzt wird, Maschinen dabei unterstützen, logische Entscheidungen auf Basis von Wahrscheinlichkeiten zu treffen, die Fähigkeiten menschlicher Teams zu erweitern und bisher unvorstellbare Erkenntnisse zu gewinnen.

Heute wird „Supervised" Machine Learning in vielen kommerziellen und industriellen Bereichen zu Klassifizierungszwecken eingesetzt. Zum Beispiel:

Allerdings ist Overfitting ein häufiges Problem beim „Supervised" Machine Learning, bei dem die Modellparameter zu stark auf die Trainingsdaten abgestimmt sind. Anstatt das Wesen einer Kategorie zu erlernen, erlernt die Maschine ein konkretes Beispiel: So kann sie beispielsweise lernen, einen deutschen Schäferhund zu erkennen, versteht jedoch „Hunde" nicht als Kategorie und erfasst nicht die Merkmale, die diesen Schäferhund der Gruppe zuordnen.

Systeme, die ausschließlich auf „Supervised" Machine Learning setzen, weisen grundlegende Schwachstellen auf:

Obwohl „Supervised" Machine Learning leistungsstark sein kann, gibt es diejenigen, die es in ihrer DNA haben, die erste Self-Learning-Plattform für Cyber-Abwehr zu entwickeln: Neue Machine-Learning-Methoden können die Genauigkeit der Bedrohungserkennung erheblich verbessern und die Netzwerktransparenz dank der höheren Menge an rechnerischen Analysen steigern, die sie verarbeiten können.

Daten zu historischen Angriffen schützen nicht zwangsläufig vor künftigen: Es ist unerlässlich, auch Deep-Learning-Techniken einsetzen zu können, um die KI-Engine mit dem Fachwissen spezialisierter Cyber-Analysten zu ergänzen und die Leistungsfähigkeit des „Unsupervised" Machine Learning weiter zu stärken.

Im Gegensatz zu „Supervised"-Ansätzen erfordert „Unsupervised" Machine Learning keine gekennzeichneten Trainingsdaten und kommt ohne menschliche Eingaben aus. „Unsupervised" Learning kann die maschinelle Verarbeitung daher über das hinausführen, was Programmierer bereits wissen oder sich vorstellen können, und bisher unbekannte Zusammenhänge aufdecken: Anstatt sich auf Kenntnisse vergangener Bedrohungen zu stützen, klassifiziert es Daten eigenständig und erkennt gültige Muster. Daraus bildet es ein Verständnis von „normalem" Verhalten im gesamten Netzwerk – bezogen auf Geräte, Benutzer oder Gruppen beider – und erkennt Abweichungen von diesem sich entwickelnden „Verhaltensmodell", die auf eine sich anbahnende Bedrohung hinweisen könnten.

Zusammenfassend lässt sich sagen: Machine Learning kann Dinge erkennen, die wir menschlich nicht vorhersehen oder definieren können. Bildlich gesprochen ist es wie das Finden der sprichwörtlichen Nadel im Heuhaufen.

Wenn dieser Heuhaufen die Sicherheit Ihrer Daten, Ihres Unternehmens, Ihrer Privatsphäre wäre und die Nadel eine brennende Zigarette… wie schnell und mit welchen Methoden würden Sie sie finden wollen!?