{"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":"tekniker-losningar-och-modeller-tillampa-maskininlarning-pa-cybersakerhet","status":"publish","type":"post","link":"https:\/\/securitybriefing.net\/sv\/cybersakerhet\/tekniker-losningar-och-modeller-tillampa-maskininlarning-pa-cybersakerhet\/","title":{"rendered":"Tekniker, l\u00f6sningar och modeller: Till\u00e4mpning av maskininl\u00e4rning p\u00e5 cybers\u00e4kerhet"},"content":{"rendered":"

Machine Learning, ett delomr\u00e5de inom artificiell intelligens, g\u00f6r det m\u00f6jligt f\u00f6r system och applikationer att l\u00e4ra sig i dynamiska milj\u00f6er utan explicit programmering. Genom att analysera historiska data och identifiera m\u00f6nster kan dessa system avg\u00f6ra om de uppn\u00e5r \u00f6nskade resultat. Tillv\u00e4xten inom maskininl\u00e4rning har drivits p\u00e5 av framsteg inom Big Data, olika datak\u00e4llor och \u00f6kad ber\u00e4kningskraft hos enheter och servrar.<\/p>\n\n\n\n

Inom cybers\u00e4kerhetsomr\u00e5det kr\u00e4vs kontinuerliga insatser f\u00f6r att uppr\u00e4tth\u00e5lla modeller som CID-triaden, som fokuserar p\u00e5 informationens integritet, tillg\u00e4nglighet och konfidentialitet. Att hantera nya cyberhot och f\u00f6rb\u00e4ttra f\u00f6rm\u00e5gan till uppt\u00e4ckt och analys inneb\u00e4r betydande utmaningar f\u00f6r system, konsulter och forskare. Faktorer som bidrar till dessa utmaningar \u00e4r bland annat varierande komplexitet, snabb teknikutveckling och cyberbrottslingars uppfinningsrikedom.<\/p>\n\n\n\n

\u00c5r 2023 ska all konventionell programvara prioritera s\u00e4kerhetsfunktioner och policyer och f\u00f6rlita sig p\u00e5 m\u00e4nsklig input f\u00f6r att identifiera och analysera s\u00e5rbarheter. Att etablera processer och standarder f\u00f6r att uppt\u00e4cka och karakterisera s\u00e5rbarheter \u00e4r avg\u00f6rande f\u00f6r att utveckla effektiva verktyg. Genom att integrera datavetenskapliga tekniker, modeller och maskininl\u00e4rningsalgoritmer kan dessa analysprocesser effektiviseras avsev\u00e4rt.<\/p>\n\n\n

Vikten av att klassificera skadlig kod f\u00f6r maskininl\u00e4rning<\/h2>\n\n\n

Fr\u00e5n 2014 och fram\u00e5t har experter p\u00e5 cybers\u00e4kerhet arbetat med att skapa ett klassificeringssystem f\u00f6r skadlig programvara f\u00f6r MS Windows, med hj\u00e4lp av funktioner som h\u00e4rr\u00f6r fr\u00e5n statisk och dynamisk analys. I denna forskning anv\u00e4ndes olika klassificeringsalgoritmer som MultiLayer Perceptron, IB1<\/a>, Beslutstr\u00e4d<\/a>, och Slumpm\u00e4ssig skog<\/a>. Framf\u00f6r allt kan man uppn\u00e5 enast\u00e5ende resultat genom att kombinera data fr\u00e5n b\u00e5de statiska och dynamiska analyser.<\/p>\n\n\n\n

Fr\u00e5n och med 2019 har till\u00e4mpningen av datavetenskap f\u00f6r att utveckla mjukvarul\u00f6sningar, inklusive specialiserade prediktiva modeller f\u00f6r uppt\u00e4ckt av skadlig kod och f\u00f6ruts\u00e4gelse av cyberattacker p\u00e5 n\u00e4tet, visat sig vara en lovande metod.<\/p>\n\n\n\n

\u00c5r 2023 har cybers\u00e4kerhet utvecklats till en datavetenskaplig disciplin som fokuserar p\u00e5 att utveckla och implementera mekanismer f\u00f6r informationsskydd och teknisk infrastruktur f\u00f6r f\u00f6retag och organisationer mot potentiella interna eller externa attacker. Sedan 2020 har det varit en v\u00e4xande trend att integrera AI-teknik (artificiell intelligens) i cybers\u00e4kerhet.<\/p>\n\n\n\n

\u00c5r 2023 kommer 69% av f\u00f6retagen str\u00e4var efter att inf\u00f6rliva AI i sina cybers\u00e4kerhetssystem<\/a> inom fem prim\u00e4ra anv\u00e4ndningsomr\u00e5den: intr\u00e5ngsdetektering, riskklassificering av n\u00e4tverk, bedr\u00e4geridetektering, analys av anv\u00e4ndar- och enhetsbeteende samt detektering av skadlig kod. AI-driven cybers\u00e4kerhet anv\u00e4nds f\u00f6r n\u00e4rvarande inom olika omr\u00e5den, inklusive 75% inom Network Security, 71% inom Data Security, 68% inom Endpoint Security, 65% inom Identity and Access Security, 64% inom Application Security, 59% inom Cloud Security och 53% inom IoT Security.<\/p>\n\n\n

Implementering av maskininl\u00e4rningsmodeller f\u00f6r f\u00f6rb\u00e4ttrad cybers\u00e4kerhet<\/h2>\n\n\n

I takt med att cyberbrottsligheten forts\u00e4tter att \u00f6ka uttrycker f\u00f6retag inom olika sektorer oro \u00f6ver falska s\u00e4kerhetsuppfattningar, otillr\u00e4ckliga f\u00f6rebyggande policyer eller riktlinjer och begr\u00e4nsad reaktionsf\u00f6rm\u00e5ga vid cyberattacker. F\u00f6respr\u00e5kare f\u00f6r artificiell intelligens (AI) inom cybers\u00e4kerhet menar att integrering av AI kan skapa ett nytt paradigm, som effektivt minskar s\u00e5rbarheterna vid slutpunkten och d\u00e4rmed minskar exponeringsomr\u00e5det.<\/p>\n\n\n\n

Under 2020 h\u00e4rr\u00f6rde 70% av de rapporterade incidenterna fr\u00e5n n\u00e4tverksanslutna slutpunkter, d\u00e4r persondatorer och smartphones var de mest inblandade. \u00c4ven om termen \"artificiell intelligens\" kan vara \u00f6veranv\u00e4nd, \u00e4r det obestridligt att AI-framsteg kan p\u00e5skynda identifieringen av nya cyberhot och m\u00f6jligg\u00f6ra proaktiva svar f\u00f6r att stoppa cyberattacker innan de sprids.<\/p>\n\n\n\n

M\u00e5nga f\u00f6retag anv\u00e4nder nu olika verktyg f\u00f6r att analysera sina produkters s\u00e4kerhet. Bland dessa verktyg \u00e4r Generative Adversarial Networks (GANs<\/a>) utm\u00e4rker sig f\u00f6r sin f\u00f6rm\u00e5ga att uppt\u00e4cka brister i maskininl\u00e4rningsmodeller och tr\u00e4na dem f\u00f6r att bli mer robusta. GAN \u00e4r AI-algoritmer som \u00e4r utformade f\u00f6r o\u00f6vervakad maskininl\u00e4rning och best\u00e5r av konkurrerande neurala n\u00e4tverkssystem. Vi presenterar tre ramverk f\u00f6r tr\u00e4ning av maskininl\u00e4rningsmodeller:<\/p>\n\n\n\n

    \n
  1. Deep-Pwing<\/strong>: Deep-Pwing \u00e4r utvecklat i TensorFlow 1 och \u00e4r ett ramverk som g\u00f6r det m\u00f6jligt att experimentera med maskininl\u00e4rningsmodeller f\u00f6r att utv\u00e4rdera deras motst\u00e5ndskraft mot potentiella attacker. Det st\u00f6der ocks\u00e5 den gradvisa utvidgningen av deras kunskapsbas, vilket potentiellt kan omvandla den till ett verktyg f\u00f6r att genomf\u00f6ra penetrationstester och m\u00f6jligg\u00f6ra statistiska studier av specifika maskininl\u00e4rningsmodeller.<\/li>\n\n\n\n
  2. Adversarial Lib<\/strong>: Detta Python-bibliotek \u00e4r utformat f\u00f6r att bed\u00f6ma s\u00e4kerheten f\u00f6r klassificerare f\u00f6r maskininl\u00e4rning mot potentiella attacker eller intr\u00e5ng. Adversarial Lib g\u00f6r det m\u00f6jligt f\u00f6r anv\u00e4ndare att starta ett skript eller en kodsnutt och st\u00f6der ett brett utbud av maskininl\u00e4rningsalgoritmer som \u00e4r optimerade och omskrivna i C ++. Dessutom kan anv\u00e4ndarna bidra med algoritmer som saknas i biblioteket, vilket g\u00f6r det alltmer omfattande.<\/li>\n\n\n\n
  3. GAN:s djurpark<\/strong>: The GAN Zoo fungerar som en referenssida och ger anv\u00e4ndarna m\u00e5nga GAN: er f\u00f6r utbildning och utv\u00e4rdering av maskininl\u00e4rningsmodeller. Med st\u00f6d av en stor grupp utvecklare l\u00e4ggs nya artiklar till i GitHub-f\u00f6rvaret varje vecka (The GAN Zoo, 2018)<\/a>).<\/li>\n<\/ol>\n\n\n\n

    Sammanfattningsvis har maskininl\u00e4rning blivit ett ov\u00e4rderligt verktyg f\u00f6r forskare och utvecklare inom cybers\u00e4kerhet, eftersom det g\u00f6r det m\u00f6jligt att utf\u00f6ra m\u00e5nga tester som sparar betydande tid och anstr\u00e4ngning n\u00e4r det g\u00e4ller s\u00e4kerhet och penetration (Flores Sinani, 2020).<\/p>\n\n\n

    Anv\u00e4ndning av djupinl\u00e4rning f\u00f6r cybers\u00e4kerhetsapplikationer<\/h2>\n\n\n

    Deep Learning, som \u00e4r en delm\u00e4ngd av Machine Learning, anv\u00e4nder en automatiserad inl\u00e4rningsmetod som tr\u00e4nar artificiell intelligens (AI) att f\u00f6ruts\u00e4ga specifika resultat baserat p\u00e5 indata. Denna f\u00f6rm\u00e5ga g\u00f6r det m\u00f6jligt f\u00f6r AI att f\u00f6rutse resultat genom att bearbeta och kombinera datam\u00e4ngder.<\/p>\n\n\n\n

    En av de viktigaste f\u00f6rdelarna med Deep Learning \u00e4r dess f\u00f6rm\u00e5ga att l\u00e4ra sig i realtid och utveckla nya klassificeringskriterier utan m\u00e4nsklig inblandning. Eftersom cyberbrottslingar snabbt utvecklas och skapar adaptiva cyberhot anv\u00e4nds Deep Learning i allt st\u00f6rre utstr\u00e4ckning f\u00f6r att bek\u00e4mpa skadlig kod och bedr\u00e4gerier p\u00e5 n\u00e4tet.<\/p>\n\n\n\n

    Deep Learning kan uppt\u00e4cka, klassificera och hantera cyberhot p\u00e5 ett effektivt s\u00e4tt och generera l\u00f6sningar snabbt och effektivt. Bland de m\u00e5nga anv\u00e4ndningsomr\u00e5dena finns metoder f\u00f6r anv\u00e4ndaridentifiering som g\u00f6r det m\u00f6jligt att skilja mellan m\u00e4nniskor och robotar, uppt\u00e4cka f\u00f6rs\u00f6k till imitation av cyberkriminella eller identifiera obeh\u00f6rig \u00e5tkomst till anv\u00e4ndarkonton fr\u00e5n avl\u00e4gsna platser.<\/p>\n\n\n\n

    Nedan lyfter vi fram n\u00e5gra f\u00f6retag som specialiserar sig p\u00e5 Deep Learning:<\/p>\n\n\n\n