De Toekomst van Cyberbeveiliging: AI, Automatisering en de Menselijke Factor

In het afgelopen decennium is, samen met de explosieve groei van informatie-technologie, de donkere realiteit van cyberbeveiligingsbedreigingen dramatisch geëvolueerd. Cyberaanvallen, die oorspronkelijk voornamelijk werden aangestuurd door nieuwsgierige hackers die op zoek waren naar faam of financieel gewin, zijn veel geavanceerder en gerichter geworden. Van door de staat gesponsorde spionage tot corporate en identiteitsdiefstal, zijn de motieven achter cybercrime steeds sinistere en gevaarlijker. Zelfs als financieel gewin nog steeds een belangrijke reden voor cybercrime is, is het overschaduwd door meer nefaste doelen, zoals het stelen van kritische gegevens en activa. Cyberaanvallers maken uitgebreid gebruik van cutting-edge technologieën, waaronder kunstmatige intelligentie, om systemen te infiltreren en kwaadaardige activiteiten uit te voeren. In de VS heeft het Federal Bureau of Investigation (FBI) meer dan 800.000 cybercrime-gerelateerde klachten gemeld in 2022, met totale verliezen van meer dan 10 miljard dollar, waarmee het totaal van 2021 van 6,9 miljard dollar werd overschreden, volgens het Internet Crime Complaint Center van het bureau.

Met het snel evoluerende bedreigingslandschap is het tijd voor organisaties om een multi-pronged aanpak van cyberbeveiliging te adopteren. De aanpak moet zich richten op hoe aanvallers toegang krijgen; de initiële compromittering voorkomen; snelle detectie van incursies mogelijk maken; en snelle respons en herstel mogelijk maken. Het beschermen van digitale activa vereist het benutten van de kracht van AI en automatisering, terwijl ervoor wordt gezorgd dat gekwalificeerde menselijke analisten een integraal onderdeel van de beveiligingspostuur blijven.

Het beschermen van een organisatie vereist een multi-laagse strategie die rekening houdt met de diverse toegangspunten en aanvalsvector die door tegenstanders worden gebruikt. In het algemeen vallen deze onder vier hoofdcategorieën: 1) Web- en netwerkaanvallen; 2) Gebruikersgedrag en identiteit-gebaseerde aanvallen; 3) Entiteitaanvallen die cloud- en hybride omgevingen richten; en 4) Malware, waaronder ransomware, geavanceerde persistente bedreigingen en andere kwaadaardige code.

Het Benutten van AI en Automatisering

Het implementeren van AI- en machine learning (ML)-modellen die zijn aangepast aan elk van deze aanvalsklassen is cruciaal voor proactieve bedreigingsdetectie en -preventie. Voor web- en netwerkaanvallen moeten modellen bedreigingen zoals phishing, browser-exploitatie en Distributed Denial-of-Service (DDoS)-aanvallen in real-time identificeren. Gebruikers- en entiteitsgedragsanalyse met AI kan afwijkende activiteiten detecteren die wijzen op accountcompromittering of misbruik van systeemresources en -gegevens. Ten slotte kan AI-gedreven malware-analyse nieuwe stammen snel triëren, kwaadaardig gedrag identificeren en de impact van bestandsgebonden bedreigingen mitigeren. Door AI- en ML-modellen over dit spectrum van aanvalsoppervlakken te implementeren, kunnen organisaties hun vermogen om aanvallen autonoom te identificeren in de vroegste stadia aanzienlijk verbeteren voordat ze escaleren tot volledig uitgevoerde incidenten.

Als AI/ML-modellen eenmaal potentiële bedreigingsactiviteit over verschillende aanvalsvector hebben geïdentificeerd, staan organisaties voor een andere belangrijke uitdaging: het maken van zin van de frequente waarschuwingen en het onderscheiden van kritieke incidenten van de ruis. Met zo veel datapunten en detecties gegenereerd, wordt het toepassen van een andere laag AI/ML om de meest ernstige waarschuwingen te correleren en prioriteren die verdere onderzoek en respons vereisen, cruciaal. Waarschuwingsmoeheid is een steeds kritieker wordend probleem dat moet worden opgelost.

AI kan een cruciale rol spelen in dit waarschuwingsfiltratieproces door grote hoeveelheden beveiligingstelemetrie te verwerken en te analyseren, inzichten van meerdere detectiebronnen, waaronder bedreigingsinformatie, te combineren en alleen de hoogste kwaliteitincidenten voor respons te presenteren. Dit vermindert de belasting voor menselijke analisten, die anders overspoeld zouden worden met wijdverbreide valse positieven en laagkwaliteitwaarschuwingen die onvoldoende context bieden om de ernst en de volgende stappen te bepalen.

Hoewel cyberaanvallers actief AI hebben ingezet om aanvallen zoals DDoS, gerichte phishing en ransomware te laten plaatsvinden, is de defensieve kant achtergebleven in AI-adoptie. Dit verandert echter snel, aangezien beveiligingsleveranciers racen om geavanceerde AI/ML-modellen te ontwikkelen die deze AI-geactiveerde bedreigingen kunnen detecteren en blokkeren.

De toekomst voor defensieve AI ligt in het implementeren van gespecialiseerde kleine taalmodellen die zijn aangepast aan specifieke aanvalstypen en gebruikscases, in plaats van te vertrouwen op grote, generatieve AI-modellen alleen. Grote taalmodellen beloven meer voor cybersecurity-operaties, zoals het automatiseren van helpdeskfuncties, het ophalen van standaardoperatieprocedures en het ondersteunen van menselijke analisten. Het zware werk van precieze bedreigingsdetectie en -preventie zal het beste worden afgehandeld door de zeer gespecialiseerde kleine AI/ML-modellen.

De Rol van Menselijke Deskundigheid

Het is cruciaal om AI/ML naast procesautomatisering te gebruiken om snelle respons en herstel van geverifieerde bedreigingen mogelijk te maken. Op dit stadium, voorzien van hoge-vertrouwensincidenten, kunnen AI-systemen geautomatiseerde playbook-responsen starten die zijn aangepast aan elk specifiek aanvalstype – het blokkeren van kwaadaardige IP’s [internetprotocol], het isoleren van gehackte hosts, het afdwingen van adaptieve beleid en meer. Menselijke deskundigheid blijft echter essentieel, door AI-uitvoer te valideren, kritisch denken toe te passen en autonome responsacties te controleren om ervoor te zorgen dat de bescherming zonder bedrijfsverstoring plaatsvindt.

Verfijnd begrip is wat mensen naar de tafel brengen. Bovendien vereist het analyseren van nieuwe en complexe malware-bedreigingen creativiteit en probleemoplossende vaardigheden die buiten het bereik van machines kunnen liggen.

Menselijke deskundigheid is essentieel in verschillende sleutelgebieden:

• Validatie en Contextualisatie: AI-systemen, ondanks hun geavanceerdheid, kunnen soms valse positieven genereren of gegevens verkeerd interpreteren. Menselijke analisten zijn nodig om AI-uitvoer te valideren en de nodige context te bieden die AI mogelijk over het hoofd ziet. Dit zorgt ervoor dat reacties passend en evenredig zijn met de werkelijke bedreiging.
• Complexe Bedreigingsonderzoek: Sommige bedreigingen zijn te complex voor AI om alleen aan te pakken. Menselijke experts kunnen dieper in deze incidenten duiken, gebruikmakend van hun ervaring en intuïtie om verborgen aspecten van de bedreiging te ontdekken die AI mogelijk mist. Deze menselijke inzichten zijn cruciaal voor het begrijpen van de volledige omvang van geavanceerde aanvallen en het ontwikkelen van effectieve tegenmaatregelen.
• Strategische Besluitvorming: Terwijl AI routineuze taken en gegevensverwerking kan afhandelen, vereisen strategische beslissingen over de algehele beveiligingspostuur en langetermijnverdedigingsstrategieën menselijke oordeel. Experts kunnen AI-gegenereerde inzichten interpreteren om geïnformeerde beslissingen te nemen over middelenallocatie, beleidswijzigingen en strategische initiatieven.
• Continue Verbetering: Menselijke analisten dragen bij aan de continue verbetering van AI-systemen door feedback en trainingsgegevens te bieden. Hun inzichten helpen AI-algoritmen te verfijnen, waardoor ze nauwkeuriger en effectiever worden over tijd. Deze symbiotische relatie tussen menselijke deskundigheid en AI zorgt ervoor dat beide samen evolueren om opkomende bedreigingen aan te pakken.

Geoptimaliseerd Mens-Machine Samenwerken

Onderliggend aan deze overgang is de noodzaak aan AI-systemen die kunnen leren van historische gegevens (supervised learning) en continu kunnen aanpassen om nieuwe aanvallen te detecteren via ongezien/reinforcement learning-benaderingen. Het combineren van deze methoden zal cruciaal zijn om voorop te blijven lopen bij de evoluerende AI-mogelijkheden van aanvallers.

Over het algemeen zal AI cruciaal zijn voor verdedigers om hun detectie- en responsmogelijkheden te schalen. Menselijke deskundigheid moet nauw geïntegreerd blijven om complexe bedreigingen te onderzoeken, AI-systeemuitvoer te auditen en strategische defensieve strategieën te leiden. Een geoptimaliseerd mens-machine samenwerkingsmodel is ideaal voor de toekomst.

Naarmate enorme hoeveelheden beveiligingsgegevens in de loop van de tijd accumuleren, kunnen organisaties AI-analyse toepassen op deze verzameling van telemetrie om inzichten te verkrijgen voor proactief bedreigingsjagen en het verharden van verdedigingen. Continue leren van eerdere incidenten stelt organisaties in staat om predictief te modelleren van nieuwe aanvalspatronen. Naarmate AI-mogelijkheden evolueren, zal de rol van kleine en gespecialiseerde taalmodellen die zijn aangepast aan specifieke beveiligingsgevallen groeien. Deze modellen kunnen helpen om ‘waarschuwingsmoeheid’ verder te verminderen door precisie te triëren van de meest essentiële waarschuwingen voor menselijke analyse. Autonome respons, aangedreven door AI, kan ook uitbreiden om meer Tier 1-beveiligingstaken af te handelen.

Maar menselijk oordeel en kritisch denken zullen onmisbaar blijven, vooral voor incidenten met hoge ernst. Ongetwijfeld is de toekomst er een van geoptimaliseerd mens-machine samenwerken, waarbij AI omgaat met volumineuze gegevensverwerking en routineuze taken, waardoor menselijke experts zich kunnen concentreren op het onderzoeken van complexe bedreigingen en hoogwaardige beveiligingsstrategie.