IT@BANK 2018: Sztuczna inteligencja i uczenie maszynowe w cyberbezpieczeństwie

Wojciech Ciesielski
wciesielski@fortinet.com

Jakość informacji jakością sztucznej inteligencji

Jedno z największych wyzwań w wykorzystaniu sztucznej inteligencji i uczenia maszynowego leży w jakości pozyskiwanych informacji o zagrożeniach. Uczenie maszynowe będzie napędzane dużymi ilościami danych pozyskiwanych m.in. z urządzeń IoT oraz aplikacjami przewidującymi zdarzenia w sieci. Informacje te zawierają jednak dziś dużo fałszywych sygnałów w wyniku dynamicznej natury zagrożeń IoT, które zmieniają się w ciągu sekund. Urządzenie może być wolne od zagrożeń w danym momencie, by za chwilę zostać zainfekowane i następnie ponownie „uzdrowione” w krótkim czasie.

Polepszenie jakości informacji o zagrożeniach staje się więc kluczowe, jako że działy IT przekazują sztucznej inteligencji coraz więcej zadań wykonywanych przez ludzi. Jest to swoisty test zaufania. Nie można przekazać pełnej kontroli maszynom i trzeba wypracować optymalny model równowagi operacyjnej. Ta współpraca – pomiędzy ludźmi a zaawansowanymi systemami – uczyni rozwiązania nowej generacji prawdziwie efektywnymi.

Często, zanim administratorzy sieci odkryją zagrożenie, jest już zbyt późno. Ten problem można rozwiązać poprzez automatyczne współdzielenie informacji pomiędzy rozwiązaniami wykrywającymi i przeciwdziałającymi, blokującymi zagrożenia. Pomocne może też być użycie asystowanej mitygacji – będącej kombinacją działań ludzi i technologii. Automatyzacja pozwoli też zespołom IT poświęcać więcej czasu na analizę zdarzeń w celu planowania lepiej zorganizowanych działań prewencyjnych.

Systemy cyberbezpieczeństwa bazujące na sztucznej inteligencji będą się stale dostosowywać do zmieniających się wektorów, metod i skali ataków.

Maszyna pomoże wykryć incydenty

Więcej niż jedna trzecia incydentów naruszenia danych firmowych zostaje odkryta dopiero przez podmioty zewnętrzne1, a średni czas, który mija od zaistnienia ataku do jego wykrycia, to ponad pół roku2. Organizacje próbują analizować dane na temat cyberzagrożeń gromadzone przez wiele urządzeń zabezpieczających firmową sieć. W rezultacie zespół IT szuka igły w stogu siana – informacji jest zbyt wiele i wzrasta ryzyko popełnienia błędu lub przeoczenia zagrożeń, które są wykrywane zbyt późno albo nawet wcale.

Szybkie przetwarzanie informacji i reagowanie na zagrożenia w czasie rzeczywistym jest możliwe dzięki uczeniu maszynowemu, które wykorzystuje algorytmy do analizy dużej ilości danych. Maszyna ...