De Menselijk-AI-Samenwerking in EDR: Het Versterken van Cyberbeveiligingsteams met Kunstmatige Intelligentie

Naarmate cyberaanvallen vaker en complexer worden, hebben bedrijven moeite om bij te blijven. Hooggeschoolde beveiligingsteams werken dag en nacht om digitale indringers te ontdekken en te stoppen, maar het voelt vaak als een verloren strijd. Hackers lijken altijd het voordeel te hebben.

Er is echter een lichtpuntje aan de horizon. Een nieuwe golf van kunstmatige intelligentietechnologie kan de kansen weer in het voordeel van de verdedigers doen keren. Door zelflerende programma’s als digitale bondgenoten te gebruiken, kunnen beveiligingsanalisten hun inspanningen om bedrijfsnetwerken en apparaten te beschermen versterken, zonder dat daarvoor een ton extra middelen nodig is.

Een tak van cyberbeveiliging waarbij AI een grote impact heeft, is endpoint detection and response (EDR). Dit fungeert als een vroegwaarschuwingssysteem tegen aanvallen, waarbij computers, telefoons en andere eindpunten worden gecontroleerd op de subtiele kenmerken van een dreigende cyberaanval. Wanneer er iets verdachts wordt gevonden, klinkt EDR de alarmbel, zodat menselijke experts het kunnen onderzoeken. Het kan zelfs basisacties uitvoeren, zoals het isoleren van aangetaste apparaten, om tijd te winnen.

Maar zal AI-gepowered EDR de noodzaak voor menselijke interventie volledig vervangen en tenietdoen? Het eenvoudige antwoord is nee. Net zoals we zien bij veel AI-toepassingen, lijken de beste resultaten te komen wanneer AI en mensen samenwerken, in plaats van dat de een de ander vervangt. Laten we onderzoeken waarom dit het geval is.

De Belofte van AI-gepowered EDR

EDR-tools zijn essentiële wapens geworden voor het identificeren, analyseren en herstellen van voortdurend evoluerende aanvallen op een groot aantal apparaten. Vandaag de dag gebruiken veel van de toonaangevende EDR-platforms kunstmatige intelligentie om menselijke capaciteiten te versterken, waardoor de nauwkeurigheid en efficiëntie verbeteren.

Met behulp van supervised machine learning-algoritmes die zijn getraind op bergen aan bedreigingsdata, kan AI-gepowered EDR:

• Nieuwe, nooit eerder gezien aanvalspatronen en -gedragingen identificeren. Door systeemevenementen te analyseren en enorme datasets te vergelijken, detecteert AI anomalieën die menselijke analisten waarschijnlijk zouden missen. Hierdoor kan uw team aanvallen identificeren en stoppen die andere tools niet kunnen zien.
• Context bieden door middel van geautomatiseerd onderzoek. AI kan onmiddellijk de volledige omvang van een incident traceren, door te zoeken naar tekenen van compromissen in uw omgeving. Hierdoor wordt het voor analisten gemakkelijker om de oorzaken te begrijpen.
• De meest kritieke incidenten prioriteren. Niet alle waarschuwingen vereisen hetzelfde niveau van urgentie, maar het onderscheiden tussen triviale en ernstige kan moeilijk zijn. AI-beoordelingen benadrukken de meest gevaarlijke bedreigingen om waardevolle menselijke aandacht te richten.
• Optimale reacties aanbevelen die zijn aangepast aan elke aanval. Op basis van de specificaties van malware-stammen, kwetsbaarheden en meer, stelt AI de beste containments- en herstelacties voor om de bedreiging met chirurgische precisie te elimineren.

AI-versterking stelt analisten in staat om slimmer en sneller te werken door het zware werk in bedreigingsdetectie, -onderzoek en -aanbevelingen te doen. Menselijke expertise en kritisch denken blijven echter essentieel om de puzzelstukjes te verbinden.

Het Menselijke Element: Oordeel, Creativiteit, Intuïtie

Terwijl AI goed is in het verwerken van gegevens, brengen menselijke analisten essentiële krachten naar endpoint-beveiliging die machines missen. Mensen bieden drie cruciale capaciteiten:

Balans in Beoordeling

AI kan soms onschuldige gebeurtenissen als verdacht markeren, waardoor valse alarmen ontstaan, of het kan echte bedreigingen missen. Maar menselijke experts kunnen hun ervaring en goed oordeel gebruiken om te beoordelen wat AI vindt. Als het systeem bijvoorbeeld een normale software-update ten onrechte als kwaadaardig labelt, kan een analist het controleren en de fout corrigeren, waardoor onnodige storingen worden voorkomen. Deze gebalanceerde menselijke beoordeling maakt nauwkeurige bedreigingsdetectie mogelijk.

Creatief Probleemoplossen

Aanvallers blijven hun malware aanpassen om AI-systemen te slim af te zijn, die vaak zijn ingesteld om bekende bedreigingen te detecteren. Maar menselijke analisten kunnen buiten de gebaande paden denken en nieuwe of subtiele bedreigingen identificeren op basis van kleine onregelmatigheden. Wanneer hackers hun tactieken veranderen, kunnen analisten creatieve nieuwe detectieregels ontwikkelen op basis van kleine anomalieën in de code – inzichten die machines moeilijk kunnen oppikken.

Het Grotere Plaatje Zien

Het beschermen van complexe netwerken houdt in dat veel veranderende factoren in overweging moeten worden genomen, die algoritmes niet volledig kunnen verwerken. Tijdens een geavanceerde aanval wordt menselijk oordeel kritiek voor het nemen van hoge-stakes beslissingen – zoals of systemen moeten worden geïsoleerd of een losgeld moeten worden betaald. Terwijl AI opties kan aanbevelen, is menselijke perspectief nog steeds nodig om de reactie te leiden en de impact op het bedrijf te minimaliseren.

Samen vormen menselijke inzichten en AI een krachtige verdediging die geavanceerde cyberaanvallen kan tegenhouden die andere systemen misschien missen. AI verwerkt gegevens snel, terwijl menselijke redenering de lacunes vult. Door samen te werken, versterken mensen en AI de endpoint-beveiliging.

Optimaliseren van het Menselijk-AI-Beveiligingsteam

Hier zijn enkele tips om het meeste uit uw AI-versterkte EDR te halen met menselijke teams:

• Vertrouw AI-beoordelingen, maar verifieer ze. Gebruik AI-detecties om incidenten snel te onderzoeken, maar valideer de resultaten door middel van handmatig onderzoek voordat u actie onderneemt. Vertrouw niet blindelings op elke waarschuwing.
• Gebruik AI om menselijke expertise te focussen. Laat AI repetitieve taken zoals het bewaken van eindpunten en het verzamelen van bedreigingsgegevens doen, zodat analisten hun energie kunnen richten op hogere-waarde inspanningen, zoals strategisch responsplanning en proactief jagen.
• Geef feedback om AI-modellen over tijd te verbeteren. Door menselijke validatie terug te voeren in het systeem – door true/false positives te bevestigen – kunnen algoritmes zichzelf corrigeren en nauwkeuriger worden. AI leert van menselijke wijsheid over tijd.
• Samenwerken met AI dagelijks. Hoe meer analisten en AI samenwerken, hoe meer beide partijen leren, waardoor de vaardigheden en prestaties op beide zijden worden verbeterd. Dagelijkse samenwerking versterkt kennis.

Net zoals cyberaanvallers automatisering en AI gebruiken voor aanvallen, moeten verdedigers terugvechten met een AI-aangedreven arsenaal. Endpoint-beveiliging die zowel door kunstmatige als door menselijke intelligentie wordt aangedreven, biedt de beste hoop voor het beveiligen van onze digitale wereld.

Wanneer mensen en machines samenwerken, door hun complementaire capaciteiten te benutten om elke tegenstander te slim af te zijn, zijn er geen grenzen aan wat we samen kunnen bereiken. De toekomst van cyberbeveiliging is aangebroken – en het is een menselijk-AI-samenwerking.

Uitdagingen bij het Aannemen van AI-Versterkte EDR

Het implementeren van AI voor beveiligingsbewaking klinkt goed in theorie. Maar voor teams die al dun zijn uitgespreid, kan het in de praktijk een rommeltje worden. Mensen worden geconfronteerd met allerlei hindernissen bij het implementeren van deze geavanceerde technologie, van het begrijpen van hoe de tools denken tot het voorkomen van

alarmmoeheid.

De Complexiteit

De beveiligingsanalisten die EDR-tools dagelijks gebruiken, zijn niet altijd ingenieurs van beroep. Dus, van hen verwachten dat ze instinctief begrijpen wat confidence-intervals, precisie-rates, model-optimalisatie en andere machine learning-ideeën zijn? Dat is een hoge eis. Zonder eenvoudige training om de concepten te demystificeren, worden de beloften van AI nooit gebruikt om slechte actoren te vangen.

Verdrinken in Valse Positives

In de beginfase, vooral, gingen sommige AI-tools te ver in het labelen van bedreigingen. Plotseling begonnen analisten te verdrinken onder honderden lage-confidence-waarschuwingen per week – veel ervan vals. Dit begroef de kritieke signalen in ruis. Overweldigd door de hoeveelheid, konden teams de waarschuwingen helemaal negeren. De tools moeten worden geoptimaliseerd en fijn afgesteld, zodat er een balans is in de gevoeligheid.

De Black Box-Tools

Neurale netwerken werken als ondoordringbare black boxes. Aangezien de redenering achter risicoscores en aanbevelingen ondoorzichtig blijft, hebben medewerkers moeite om een geautomatiseerd systeem te vertrouwen dat de beslissingen neemt. Om AI geloofwaardigheid te geven bij zijn menselijke collega’s, moet het hen toelaten om onder de motorkap te kijken om zijn redenering te begrijpen – maar dat is niet altijd mogelijk met de huidige technologie.

Meer dan een Magisch Kogel

Het invoeren van nieuwe AI-tools alleen is niet genoeg. Om de technologie volledig te benutten, moeten beveiligingsteams hun processen, vaardigheden, beleid, metrieken en zelfs culturele normen verbeteren om deze aan te passen. Het implementeren van AI als een turnkey-pakket zonder de organisatie daadwerkelijk te laten evolueren, zal alle potentieel revolutionaire mogelijkheden voor goed opsluiten.

Laatste Woord

AI brengt een breed scala aan spannende tools en verdedigingen tegen cyberbeveiligingsbedreigingen. Hoewel dit goed nieuws is, zal veel ervan potentieel blijven totdat AI- en menselijke teams samen kunnen werken in harmonie, waarbij ze elkaars sterke punten benutten. EDR is een gebied van cyberbeveiliging dat vooral afhankelijk is van een soepele samenwerking tussen machine-intelligentie en menselijke expertise.

Natuurlijk is er een leercurve die beide kanten op gaat. AI-systemen moeten hun interne logica beter overbrengen aan menselijke teamleden in transparante termen die ze kunnen intueren en acteren. Het oplossen van het signaal-ruisprobleem in vroegwaarschuwingssystemen zal ook helpen om analistenmoeheid en afstemming te voorkomen.