Πέρα από Up/Down: Υπάρχει ένας Καλύτερος Τρόπος για τον Ορισμό του «Κανονικού» σε Συμπλεγμένα Υποδομήματα

Έχουμε προχωρήσει πολύ από την παρακολούθηση up/down. Από τα εργοστάσια μέχρι τη σύγχρονη υποδομή επιχειρήσεων, οι διαχειριστές IT απαιτούν σημαντικά περισσότερες πληροφορίες από μια απλή έλεγχο για να καθορίσουν εάν ένας ιστότοπος ή μια εφαρμογή είναι σε θέση να εξυπηρετήσει τους χρήστες. Βέβαια, είναι χρήσιμο να δούμε μια βασική κατάσταση “up” ή “down”, αλλά αυτό δεν λέει την整ρη ιστορία του πώς η τεχνολογία παρέχει την αναμενόμενη επιχειρηματική αξία. Επιπλέον, καθώς τα περιβάλλοντα IT και OT συγκλίνουν και τα οικοσυστήματα γίνονται πιο δυναμικά και εφήμερα, αυτά τα ειδοποιήσεις δεν καθορίζουν ή αντανακλούν με ακρίβεια τις βάσεις.

Η κατανόηση του τι είναι κανονικό, η μάθηση των προτύπων απόδοσης και η πρόληψη των δαπανηρών διακοπών είναι ζωτικές λειτουργίες στη σημερινή συμπλεγμένη υποδομή. Αυτό είναι ιδιαίτερα αληθινό καθώς οι actors απειλής χρησιμοποιούν όλο και πιο εξελιγμένα εργαλεία για να κάνουν περισσότερα με λιγότερα και η σύγχρονη διασυνδεδεμένη υποδομή δημιουργεί νέες ευπάθειες.

Σε αυτό το τοπίο, η παρακολούθηση με τη βοήθεια του AI μεταμορφώνει τη διαχείριση υποδομής προσφέροντας έμπνευση για το τι είναι και τι δεν είναι κανονική συμπεριφορά, εξαλείφοντας έτσι τις κακές βάσεις και την κόπωση των ειδοποιήσεων. Ας εξετάσουμε πώς αυτή η μετάβαση από τη αντιδραστική καταπολέμηση σε προληπτική πρόληψη σηματοδοτεί μια πολύ необходимή εξέλιξη της παρακολούθησης.

Ανακάλυψη του Νέου Κανονικού

Τι είναι κανονικό, άλλωστε; Αυτή είναι μια ερώτηση που οι ομάδες υποδομής που εποπτεύουν τους servers, τις συσκευές δικτύου, τις εφαρμογές και τις βάσεις δεδομένων έχουν κάνει για δεκαετίες. Γιατί; Γιατί ο ορισμός του “κανονικού” είναι σύνθετος και ευάλωτος σε λάθη σε δυναμικά και ολοένα και πιο κατανεμημένα περιβάλλοντα με ποικίλους συστήματα για παρακολούθηση. Η εύρεση της απάντησης θα εξαρτηθεί από τα συγκεκριμένα επιχειρηματικά πρότυπα και τεχνολογίες σας. Επιπλέον, θα εξαρτηθεί από την τεχνολογία και τη διαμόρφωση παρακολούθησης σας, επειδή η ρύθμιση στατικών ορίων δεν πιάνει πολλά προβλήματα. Αντίθετα, θα σας δώσει μια καλή ιδέα όταν συμβαίνει κάτι που περιμένετε, αλλά δεν σας βοηθά να πιάσετε προβλήματα που δεν περιμένετε, οδηγώντας σε ψευδείς θετικούς, κόπωση ειδοποιήσεων και κενά στην ορατότητα.

Σκεφτείτε ένα εργοστάσιο κατασκευής όπου ο трафик αυξάνεται ξαφνικά στις 2 μ.μ. μιας Τρίτης. Η παραδοσιακή παρακολούθηση μπορεί να ενεργοποιήσει μια ειδοποίηση επειδή υπερβαίνει ένα προκαθορισμένο όριο, αλλά είναι αυτό πραγματικά ένα πρόβλημα; Δεν υπάρχει τρόπος να το γνωρίσουμε χωρίς βαθύτερα δεδομένα και διαγνωστικές. Η αύξηση του траφικού θα μπορούσε να υποδηλώνει легίτη επιχειρηματική δραστηριότητα, όπως ένα νέο πρόγραμμα βάρδιας ή αυξημένη παραγωγή για την κάλυψη μιας προθεσμίας. Εναλλακτικά, θα μπορούσε να υποδηλώνει một σοβαρή απειλή ασφαλείας, όπως εξαγωγή δεδομένων ή ένα συστημά που έχει διαρρεύσει και επικοινωνεί με διακομιστές ελέγχου.

Εδώ είναι όπου η ανίχνευση ανωμαλιών με τη βοήθεια του AI βελτιώνει την ευφυΐα της παρακολούθησης υποδομής. Αυτή η αναδυόμενη μέθοδος αναλύει συνεχώς ιστορικά δεδομένα για να δημιουργήσει ευφυείς βάσεις που προσαρμόζονται αυτόματα στις μεταβαλλόμενες συνθήκες. Αυτή η προσέγγιση επιτρέπει μια πιο προληπτική ειδοποίηση που παρέχει επιπλέον χρόνο στους διαχειριστές IT και τις ομάδες DevOps για να παρέμβουν και να μετριάσουν το πρόβλημα πριν από τις μεγάλες επιπτώσεις.

Η παρακολούθηση του траφικού δικτύου είναι ένα καλό παράδειγμα αυτού. Τα συστήματα παρακολούθησης υποδομής συλλέγουν διάφορα σήματα, συμπεριλαμβανομένων αρχείων καταγραφής και μετρήσεων. Ένα αρχείο καταγραφής είναι ένα γεγονός που παράγεται από ένα σύστημα, ενώ μια μέτρηση είναι μια μέτρηση. Με τον καιρό, αυτές οι μετρήσεις συλλέγονται και αναπαρίστανται ως μια χρονοσειρά, παρόμοια με τη θερμοκρασία που μετράται καθ’ όλη τη διάρκεια της ημέρας. Τα δεδομένα που συλλέγονται για την παρακολούθηση των συνθηκών δικτύου περιλαμβάνουν μετρήσεις όπως οι ρυθμοί πακέτων broadcast εισερχόμενων και εξερχόμενων, ο αριθμός των απορριπτέων και σφαλμάτων, και η συνολική απόδοση του траφικού. Αν κάτι είναι λάθος σε σύγκριση με την κανονική απόδοση, η ευφυής παρακολούθηση μπορεί να διασφαλίσει ότι οι σωστές ειδοποιήσεις ενεργοποιούνται και οι ψευδείς θετικοί αποφεύγονται.

Αποφυγή Διπλοειδοποίησης

Η διπλή παρακολούθηση μπορεί να εισαγάγει πρόσθετες προκλήσεις δημιουργώντας περισσότερες ειδοποιήσεις. Η παρακολούθηση μπορεί να γίνει ακατάστατη με τον καιρό καθώς οι ομάδες προσθέτουν παρακολούθηση για νέα έργα ή δημιουργούν πρόσθετη παρακολούθηση κατά τη διάρκεια της αντιμετώπισης προβλημάτων ή του ελέγχου. Σε λίγο, αυτό που φαινόταν ως καθαρό και απλό σύστημα παρακολούθησης μπορεί να μετατραπεί σε ένα υπερφορτωμένο λαβύρινθο ψευδών ή επαναλαμβανόμενων ειδοποιήσεων που θολώνουν παρά να φωτίζουν τα προβλήματα.

Για παράδειγμα, οι ομάδες IT μπορεί να λαμβάνουν ειδοποιήσεις για υψηλή χρήση CPU, αργή απόκριση εφαρμογής και συμφόρηση δικτύου από τον ίδιο υπερφορτωμένο διακομιστή. Χωρίς να κατανοούν τη συσχέτιση, οι ομάδες μπορεί να ερευνήσουν τρία ξεχωριστά προβλήματα αντί για την ενιαία ριζική αιτία.

Οι σύγχρονες τεχνολογίες AI, όταν συνδυάζονται με παρακολούθηση, μεταμορφώνουν ξανά αυτό το ζήτημα μέσω της αυτόματης ανίχνευσης παρόμοιων ρυθμίσεων παρακολούθησης. Χρησιμοποιώντας τεχνικές όπως η ασαφής μαθηματική και οι εύρητες, αυτή η προσέγγιση αναλύει προτύπων συμπεριφοράς και αποκαλύπτει συσχετίσεις μεταξύ παρόμοιων παρακολουθήσεων για να αποκαλύψει κρυφές διασυνδέσεις.

Αυτό έχει σημασία για δύο κύριους λόγους. Πρώτον, μειώνει τον θόρυβο των ειδοποιήσεων. Αντί να λαμβάνετε τρεις ξεχωριστές ειδοποιήσεις για ένα πρόβλημα, οι ομάδες λαμβάνουν μια einz ειδοποίηση με σαφή κατανόηση του τι χρειάζεται προσοχή και γιατί. Δεύτερον, εξαλείφει την επαναλαμβανόμενη παρακολούθηση. Αυτό βοηθά στη δημιουργία ενός πιο διαχειρίσιμου συστήματος που συντομεύει τις πίνακες ελέγχου και μειώνει το γνωστικό φορτίο.

Το Μέλλον της Ευφυούς Παρακολούθησης

Άλλες εξελίξεις δικτύων και κυβερνοασφάλειας υποστηρίζουν επίσης την περίπτωση για αυξημένη παρακολούθηση καθώς η复잡ότητα συνεχίζει να αυξάνεται εκθετικά. Τι ήταν κάποτε ξεχωριστά, αεροστεγείς βιομηχανικοί δικτύοι τώρα είναι διασυνδεδεμένοι με επιχειρηματικά συστήματα, δημιουργώντας υβριδικά περιβάλλοντα όπου ένα πρόβλημα δικτύου μπορεί να επηρεάσει τόσο τις γραμμές παραγωγής όσο και τις επιχειρηματικές εφαρμογές. Και βλέπουμε αυτή τη σύγκλιση σε όλο το σύγχρονο στάκο.

Αισθητήρες βιομηχανικών IoT, πύλες άκρης και συσκευές OT επικοινωνούν πλέον μαζί με τα τυπικά πρωτόκολλα IT. Όταν αυτά τα διαφορετικά συστήματα αντιμετωπίζουν προβλήματα, οι διαχειριστές απαιτούν παρακολούθηση που μπορεί να κατανοήσει τις σχέσεις σε όλο το οικοσύστημα και όχι να αντιμετωπίζει κάθε ένα ως ξεχωριστή θήκη. Η επιμέλεια είναι αδιαπραγμάτευτη, καθώς μια επιτυχημένη παραβίαση μπορεί να σταματήσει τις γραμμές παραγωγής, να βλάψει ακριβή εξοπλισμό και να θέσει σε κίνδυνο την ασφάλεια. Πράγματι, η μη προγραμματισμένη διακοπή κοστίζει τώρα τις εταιρείες Fortune Global 500 11% του ετήσιου εσόδου τους, υπογραμμίζοντας ότι το κόστος της ευφυούς παρακολούθησης είναι σημαντικά μικρότερο από το κόστος της χειροκίνητης αντιμετώπισης προβλημάτων και της χαμένης παραγωγικότητας.

Εν τω μεταξύ, δεν υπάρχει τρόπος να αποφύγουμε ότι οι χάκερ στην άλλη πλευρά του κυβερνοασφάλειας χρησιμοποιούν αυτή τη τεχνολογία ως突破 για να επιτεθούν σε κλίμακα. Οι δωρεάν ή φθηνές γενετικές μοντέλα μεγάλης γλώσσας (LLM) επιτρέπουν στους χάκερ να δημιουργούν και να τροποποιούν επιθέσεις με ελάχιστο κόστος. Και, με τον καιρό, είναι σαφές ότι οι κακόβουλοι ηθοποιοί βλέπουν όλο και περισσότερο τον AI ως game-changer. Σήμερα, 7 από τους 10 πιστεύουν ότι η τεχνολογία και τα διάφορα εργαλεία της ενισχύουν την χάκινγκ, σε σύγκριση με μόνο 2 από τους 10 το 2023.

Οι σημερινές αλγόριθμοι ανίχνευσης ανωμαλιών βασίζονται σε μαθηματικά και στατιστική που έχουν καθιερωθεί για δεκαετίες. Αυτή η τεχνολογία λειτουργεί, αλλά η έλευση και η εφαρμογή του AI και των LLM στην παρακολούθηση μετρήσεων είναι game-changing. Βλέπουμε κάποιους από τους πρώτους χρόνους-σειρές LLM να έρχονται στην αγορά και μπορούμε να περιμένουμε ότι αυτό θα μεταμορφώσει την ανίχνευση ανωμαλιών τα επόμενα δύο χρόνια. Κάποια από αυτά τα νέα μοντέλα δείχνουν εξαιρετική ακρίβεια και προόδους.

Η επιλογή τώρα ανήκει στις ομάδες IT και λειτουργίας για το πώς να επιβλέψουν καλύτερα τα οικοσυστήματα τους και να αντιμετωπίσουν τις απειλές. Η καλή είδηση είναι ότι η αυτόματη ανίχνευση ανωμαλιών και η παρακολούθηση βάσεων μπορεί να βοηθήσει στην καλύτερη προστασία των περιουσιακών στοιχείων ενώ μαθαίνει, προσαρμόζεται και βελτιώνεται, το οποίο με τη σειρά του ενεργοποιεί μια πιο αποτελεσματική σχεδιασμό ικανοτήτων και βελτιστοποίηση πόρων. Οι βασικές ελέγχοι up/down εξακολουθούν να είναι πολύτιμοι, αλλά όταν ένα μόνο πρόβλημα μπορεί να επηρεάσει τα συστήματα IT, OT και IoT – χρειαζόμαστε ευφυή контекστ στην κορυφή αυτής της βάσης. Οι υπερασπιστές της υποδομής μπορούν να ανταποκριθούν στην στιγμή αυξάνοντας ανάλογα την ορατότητά τους.