Diep Leer gebruikt om Hackers te Misleiden

Een groep computerwetenschappers aan de University of Texas at Dallas heeft een nieuwe benadering ontwikkeld voor het verdedigen tegen cyberbeveiliging. In plaats van hackers te blokkeren, lokken ze hen naar binnen.

De nieuw ontwikkelde methode heet DEEP-Dig (DEcEPtion DIGging), en het lokt hackers naar een decoy-site zodat de computer hun tactieken kan leren. De computer wordt vervolgens getraind met de informatie om toekomstige aanvallen te herkennen en te stoppen.

De onderzoekers van de UT Dallas presenteerden hun paper met de titel “Improving Intrusion Detectors by Crook-Sourcing” op de jaarlijkse Computer Security Applications Conference in december in Puerto Rico. De groep presenteerde ook “Automating Cyberdeception Evaluation with Deep Learning” op de Hawaii International Conference of System Sciences in januari.

DEEP-Dig maakt deel uit van een steeds populairder wordend cyberbeveiligingsveld dat bekend staat als deception technology. Zoals de naam al aangeeft, maakt dit veld gebruik van valstrikken voor hackers. Onderzoekers hopen dat dit effectief kan worden gebruikt voor verdedigingsorganisaties.

Dr. Kevin Hamlen is een Eugene McDermott Professor in de computerwetenschappen.

“Er zijn criminelen die onze netwerken proberen aan te vallen, en meestal zien we dat als een negatieve zaak,” zei hij. “In plaats van hen te blokkeren, kunnen we misschien zien dat we deze aanvallers als een bron van gratis arbeid beschouwen. Zij bieden ons gegevens over wat kwaadaardige aanvallen lijken. Het is een gratis bron van zeer gewilde gegevens.”

Deze nieuwe benadering wordt gebruikt om enkele van de grote problemen op te lossen die samenhangen met het gebruik van kunstmatige intelligentie (AI) voor cyberbeveiliging. Een van die problemen is dat er een tekort is aan gegevens die nodig zijn om computers te trainen om hackers te detecteren, en dit wordt veroorzaakt door privacyproblemen. Volgens Gbadebo Ayoade MS’14, PhD’19, betekent betere gegevens een betere mogelijkheid om aanvallen te detecteren. Ayoade presenteerde de resultaten op de conferenties en is nu een datawetenschapper bij Procter & Gamble (PG ) Co.

“We gebruiken de gegevens van hackers om de machine te trainen om een aanval te identificeren,” zei Ayoade. “We gebruiken misleiding om betere gegevens te krijgen.”

De meest voorkomende methode die door hackers wordt gebruikt, is om te beginnen met eenvoudige trucs en vervolgens steeds geavanceerder te worden, volgens Hamlen. De meeste cyberverdedigingsprogramma’s die vandaag worden gebruikt, proberen de indringers onmiddellijk te verstoren, zodat de technieken van de indringers nooit worden geleerd. DEEP-Dig probeert dit op te lossen door de hackers naar een decoy-site vol misinformatie te leiden, zodat de technieken kunnen worden waargenomen. Volgens Dr. Latifur Khan, professor in de computerwetenschappen aan de UT Dallas, lijkt de decoy-site legitiem voor de hackers.

“Aanvallers zullen denken dat ze succesvol zijn,” zei Khan.

Cyberaanvallen zijn een groot probleem voor overheidsinstanties, bedrijven, non-profitorganisaties en individuen. Volgens een rapport aan het Witte Huis van de Council of Economic Advisers, kosten de aanvallen de Amerikaanse economie meer dan $57 miljard in 2016.

DEEP-Dig kan een belangrijke rol spelen bij het evolueren van verdedigingstactieken, terwijl hacktechnieken evolueren. De indringers kunnen de methode verstoren als ze beseffen dat ze een decoy-site zijn binnengegaan, maar Hamlen maakt zich daar niet al te veel zorgen over.

“Tot nu toe hebben we gevonden dat dit niet werkt. Wanneer een aanvaller probeert mee te spelen, leert het verdedigingssysteem alleen hoe hackers proberen hun sporen te verbergen,” zei Hamlen. “Het is een win-winsituatie – voor ons, tenminste.”

Andere onderzoekers die betrokken zijn bij het werk zijn Frederico Araujo PhD’16, onderzoeker bij het Thomas J. Watson Research Center van IBM; Khaled Al-Naami PhD’17; Yang Gao, een graduate student in de computerwetenschappen aan de UT Dallas; en Dr. Ahmad Mustafa van de Jordan University of Science and Technology.

Het onderzoek werd deels ondersteund door het Office of Naval Research, de National Security Agency, de National Science Foundation en het Air Force Office of Scientific Research.