{"id":1838,"date":"2023-04-07T17:19:04","date_gmt":"2023-04-07T17:19:04","guid":{"rendered":"https:\/\/securitybriefing.net\/?p=1689"},"modified":"2023-04-07T17:19:04","modified_gmt":"2023-04-07T17:19:04","slug":"teknikker-losninger-og-modeller-anvendelse-af-maskinlaering-til-cybersikkerhed","status":"publish","type":"post","link":"https:\/\/securitybriefing.net\/da\/cybersikkerhed\/teknikker-losninger-og-modeller-anvendelse-af-maskinlaering-til-cybersikkerhed\/","title":{"rendered":"Teknikker, l\u00f8sninger og modeller: Anvendelse af maskinl\u00e6ring til cybersikkerhed"},"content":{"rendered":"

Maskinl\u00e6ring, et underomr\u00e5de af kunstig intelligens, g\u00f8r det muligt for systemer og applikationer at l\u00e6re i dynamiske milj\u00f8er uden eksplicit programmering. Ved at analysere historiske data og identificere m\u00f8nstre kan disse systemer afg\u00f8re, om de opn\u00e5r de \u00f8nskede resultater. V\u00e6ksten inden for maskinl\u00e6ring er blevet drevet frem af fremskridt inden for Big Data, forskellige datakilder og stigende regnekraft hos enheder og servere.<\/p>\n\n\n\n

Inden for cybersikkerhed er der brug for en kontinuerlig indsats for at opretholde modeller som CID-triaden, der fokuserer p\u00e5 informationens integritet, tilg\u00e6ngelighed og fortrolighed. Det er en stor udfordring for systemer, konsulenter og forskere at h\u00e5ndtere nye cybertrusler og forbedre mulighederne for at opdage og analysere dem. Faktorer, der bidrager til disse udfordringer, omfatter varierende kompleksitet, hurtigt udviklende teknologi og cyberkriminelles opfindsomhed.<\/p>\n\n\n\n

I 2023 skal al konventionel software prioritere sikkerhedsfunktioner og -politikker og forlade sig p\u00e5 menneskelige input til at identificere og analysere s\u00e5rbarheder. Etablering af processer og standarder til at opdage og karakterisere s\u00e5rbarheder er afg\u00f8rende for at udvikle effektive v\u00e6rkt\u00f8jer. Integration af datavidenskabelige teknikker, modeller og maskinl\u00e6ringsalgoritmer kan i h\u00f8j grad forbedre effektiviteten af disse analyseprocesser.<\/p>\n\n\n

Vigtigheden af at klassificere malware for Learning Machine<\/h2>\n\n\n

Fra 2014 og frem har fagfolk inden for cybersikkerhed fors\u00f8gt at skabe et klassifikationssystem for malware til MS Windows ved hj\u00e6lp af funktioner, der stammer fra statisk og dynamisk analyse. Denne forskning anvendte forskellige klassificeringsalgoritmer som MultiLayer Perceptron, IB1<\/a>, Beslutningstr\u00e6<\/a>og Tilf\u00e6ldig skov<\/a>. Is\u00e6r kan man opn\u00e5 fremragende resultater ved at kombinere data fra b\u00e5de statiske og dynamiske analyser.<\/p>\n\n\n\n

Fra 2019 er anvendelsen af datavidenskab i udviklingen af softwarel\u00f8sninger, herunder specialiserede forudsigelsesmodeller til detektering af malware og forudsigelse af cyberangreb p\u00e5 nettet, dukket op som en lovende tilgang.<\/p>\n\n\n\n

I 2023 har cybersikkerhed udviklet sig til en datalogisk disciplin med fokus p\u00e5 at udvikle og implementere informationsbeskyttelsesmekanismer og teknologisk infrastruktur for virksomheder og organisationer mod potentielle interne eller eksterne angreb. Siden 2020 har der v\u00e6ret en voksende tendens til at integrere kunstig intelligens (AI)-teknologier i cybersikkerhed.<\/p>\n\n\n\n

I 2023 vil 69% af virksomhederne vil indarbejde AI i deres cybersikkerhedssystemer<\/a> p\u00e5 tv\u00e6rs af fem prim\u00e6re brugsscenarier: indbrudsregistrering, netv\u00e6rksrisikoklassificering, svindelregistrering, analyse af bruger- og enhedsadf\u00e6rd og registrering af malware. AI-drevet cybersikkerhed bruges i \u00f8jeblikket p\u00e5 forskellige omr\u00e5der, herunder 75% inden for netv\u00e6rkssikkerhed, 71% inden for datasikkerhed, 68% inden for endpoint-sikkerhed, 65% inden for identitets- og adgangssikkerhed, 64% inden for applikationssikkerhed, 59% inden for cloud-sikkerhed og 53% inden for IoT-sikkerhed.<\/p>\n\n\n

Implementering af maskinl\u00e6ringsmodeller til forbedring af cybersikkerheden<\/h2>\n\n\n

I takt med at udbredelsen af cyberkriminalitet forts\u00e6tter med at vokse, udtrykker virksomheder p\u00e5 tv\u00e6rs af forskellige sektorer bekymring over falske sikkerhedsopfattelser, utilstr\u00e6kkelige forebyggelsespolitikker eller retningslinjer og begr\u00e6nset reaktionsevne over for cyberangreb. Fortalere for kunstig intelligens (AI) inden for cybersikkerhed foresl\u00e5r, at integration af AI kan skabe et nyt paradigme, der effektivt reducerer s\u00e5rbarheder ved slutpunktet og dermed mindsker eksponeringsomr\u00e5det.<\/p>\n\n\n\n

I 2020 stammede 70% af de rapporterede h\u00e6ndelser fra netv\u00e6rkstilsluttede slutpunkter, hvor pc'er og smartphones var de mest involverede. Selvom udtrykket \"kunstig intelligens\" m\u00e5ske er overbrugt, er det ubestrideligt, at AI-fremskridt kan fremskynde identifikationen af nye cybertrusler betydeligt og muligg\u00f8re proaktive reaktioner for at stoppe cyberangreb, f\u00f8r de spreder sig.<\/p>\n\n\n\n

Mange virksomheder bruger nu forskellige v\u00e6rkt\u00f8jer til at analysere deres produkters sikkerhed. Blandt disse v\u00e6rkt\u00f8jer er Generative Adversarial Networks (GAN'er<\/a>) udm\u00e6rker sig ved deres evne til at opdage fejl i maskinl\u00e6ringsmodeller og tr\u00e6ne dem til at blive mere robuste. GAN'er er AI-algoritmer designet til uoverv\u00e5get maskinl\u00e6ring, der best\u00e5r af konkurrerende neurale netv\u00e6rkssystemer. Vi pr\u00e6senterer tre rammer for tr\u00e6ning af maskinl\u00e6ringsmodeller:<\/p>\n\n\n\n

    \n
  1. Deep-Pwing<\/strong>: Deep-Pwing er udviklet i TensorFlow 1 og er en ramme, der g\u00f8r det muligt at eksperimentere med maskinl\u00e6ringsmodeller for at evaluere deres modstandsdygtighed over for potentielle angreb. Det underst\u00f8tter ogs\u00e5 den gradvise udvidelse af deres vidensbase, hvilket potentielt kan omdanne den til et v\u00e6rkt\u00f8j til udf\u00f8relse af penetrationstest og muligg\u00f8re statistiske unders\u00f8gelser af specifikke maskinl\u00e6ringsmodeller.<\/li>\n\n\n\n
  2. Modsatrettet Lib<\/strong>: Dette Python-bibliotek er designet til at vurdere sikkerheden af maskinl\u00e6ringsklassifikatorer mod potentielle angreb eller indtr\u00e6ngen. Adversarial Lib giver brugerne mulighed for at starte et script eller en kodestump og underst\u00f8tter en bred vifte af maskinl\u00e6ringsalgoritmer, der er optimeret og omskrevet i C++. Derudover kan brugerne bidrage med eventuelle manglende algoritmer til biblioteket, hvilket g\u00f8r det stadig mere omfattende.<\/li>\n\n\n\n
  3. Den zoologiske have i GAN<\/strong>: The GAN Zoo fungerer som en referenceside og giver brugerne adskillige GAN'er til tr\u00e6ning og evaluering af maskinl\u00e6ringsmodeller. Underst\u00f8ttet af et stort f\u00e6llesskab af udviklere tilf\u00f8jes der nye artikler til GitHub-arkivet hver uge. (The GAN Zoo, 2018)<\/a>).<\/li>\n<\/ol>\n\n\n\n

    Afslutningsvis er maskinl\u00e6ring blevet et uvurderligt v\u00e6rkt\u00f8j for forskere og udviklere inden for cybersikkerhed, da det giver mulighed for at udf\u00f8re adskillige tests, der sparer betydelig tid og kr\u00e6fter med hensyn til sikkerhed og penetration (Flores Sinani, 2020).<\/p>\n\n\n

    Udnyttelse af dyb l\u00e6ring til cybersikkerhedsapplikationer<\/h2>\n\n\n

    Deep Learning, en delm\u00e6ngde af Machine Learning, anvender en automatiseret l\u00e6ringsmetode, der tr\u00e6ner kunstig intelligens (AI) til at forudsige specifikke resultater baseret p\u00e5 inputdata. Denne evne g\u00f8r AI'en i stand til at forudsige resultater ved at behandle og kombinere datas\u00e6t.<\/p>\n\n\n\n

    En af de vigtigste fordele ved Deep Learning er dens evne til at l\u00e6re i realtid og udvikle nye klassificeringskriterier uden menneskelig indgriben. Da cyberkriminelle hurtigt udvikler sig og producerer adaptive cybertrusler, anvendes Deep Learning i stigende grad til at bek\u00e6mpe malware og onlinesvindel.<\/p>\n\n\n\n

    Deep Learning kan opdage, klassificere og h\u00e5ndtere cybertrusler effektivt og generere l\u00f8sninger effektivt og hurtigt. De mange anvendelsesmuligheder omfatter brugeridentifikationsmetoder til at skelne mellem mennesker og bots, opdage cyberkriminelles fors\u00f8g p\u00e5 at udgive sig for at v\u00e6re andre eller identificere uautoriseret adgang til brugerkonti fra fjerntliggende steder.<\/p>\n\n\n\n

    Nedenfor fremh\u00e6ver vi nogle virksomheder, der har specialiseret sig i dyb l\u00e6ring:<\/p>\n\n\n\n