Fremtiden for cybersikkerhet: AI, automatisering og det menneskelige elementet

I det siste tiåret, sammen med den eksplosive veksten i informasjonsteknologi, har den mørke realiteten av cybersikkerhetstrusler også utviklet seg dramatisk. Cyberangrep, som tidligere var drevet primært av skadefro hakere som søkte berømmelse eller finansiell gevinst, har blitt langt mer sofistikerte og målrettede. Fra statsstøttet spionasje til bedrifter og identitetstyveri, er motiver bak cyberkriminalitet stadig mer skumle og farlige. Selv om finansiell gevinst fortsatt er en viktig årsak til cyberkriminalitet, har det blitt overskygget av mer skumle mål om å stjele kritisk data og aktiva. Cyberangripere utnytter omfattende teknologi, inkludert kunstig intelligens, for å trenge inn i systemer og utføre skadelig aktivitet. I USA rapporterte Federal Bureau of Investigation (FBI) over 800 000 cyberkriminalitet-relaterte klager i 2022, med totalt tap på over 10 milliarder dollar, og slo dermed 2021-tallets total på 6,9 milliarder dollar, ifølge byråets Internet Crime Complaint Center.

Med trussellandskapet som utvikler seg raskt, er det på tide for organisasjoner å adoptere en flerdelte tilnærming til cybersikkerhet. Tilnærmingen bør være å håndtere hvordan angripere får adgang; forhindre initial kompromittering; raskt oppdage innbrudd; og aktivere rask respons og avhjelpning. Å beskytte digitale aktiva krever å utnytte kraften av AI og automatisering samtidig som det sikres at dyktige menneskelige analytikere forblir en integrert del av sikkerhetsposturen.

Beskyttelse av en organisasjon krever en flerlaget strategi som tar hensyn til de forskjellige inngangspunktene og angrepsvektorene som brukes av motstandere. Generelt kan disse deles inn i fire hovedkategorier: 1) Web- og nettangrep; 2) Brukeratferd og identitetsbaserte angrep; 3) Entitetsangrep som målretter sky- og hybridmiljøer; og 4) Malware, inkludert ransomware, avanserte varige trusler og annen skadelig kode.

Utnytting av AI og automatisering

Det er kritisk å deployere AI- og maskinlæringsmodeller (ML) tilpasset hver av disse angrepsklassene for proaktiv trusseldeteksjon og forebygging. For web- og nettangrep må modellene identifisere trusler som phishing, nettleser-utnyttelse og Distributed Denial-of-Service (DDoS)-angrep i sanntid. Bruker- og entitetsatferdsanalyse som utnytter AI kan spore anomale aktiviteter som indikerer konto-kompromittering eller misbruk av systemressurser og data. Til slutt kan AI-drevet malware-analyse raskt triage nye stammer, peke ut skadelig atferd og mitigere effekten av filbaserte trusler. Ved å implementere AI- og ML-modeller over dette spekteret av angrepsflater kan organisasjoner betydelig forbedre sin evne til å autonomt identifisere angrep på de tidligste stadiene før de eskalerer til fullstendige hendelser.

Når AI/ML-modellene har identifisert potensiell trusselaktivitet over forskjellige angrepsvektorer, står organisasjoner overfor en annen nøkkelutfordring – å gi mening til de hyppige varslingene og å skille kritiske hendelser fra støyen. Med så mange datapunkter og deteksjoner generert, blir det kritisk å bruke en annen lag AI/ML til å korrelere og prioritere de alvorligste varslingene som fortjener videre undersøkelse og respons. Varslingsutmattelse er et stadig mer kritisk problem som må løses.

AI kan spille en avgjørende rolle i denne varslingstriage-prosessen ved å innta og analysere store volumer av sikkerhetstelemetri, fusjonere innsikter fra multiple deteksjonskilder, inkludert trusselintelligens, og fremheve kun de høyeste troverdighets hendelser for respons. Dette reduserer byrden på menneskelige analytikere, som ellers ville bli overveldet av utstrakte falske positiver og lavtroverdighetsvarsel mangler adekvat kontekst for å bestemme alvorlighetsgrad og neste trinn.

Selv om trusselaktører har vært aktive i å deployere AI for å drive angrep som DDoS, målrettet phishing og ransomware, har forsvarssiden lidd under AI-adoptsjon. Imidlertid skjer dette raskt, ettersom sikkerhetsleverandører konkurrerer om å utvikle avanserte AI/ML-modeller i stand til å detektere og blokkere disse AI-drevne truslene.

Fremtiden for defensiv AI ligger i å deployere spesialiserte små språkmodeller tilpasset bestemte angreps typer og bruksscenarier, i stedet for å bare stole på store, generative AI-modeller. Store språkmodeller viser mer løfte for cybersikkerhetsoperasjoner som å automatisere hjelpefunksjoner, hente standard operasjonsprosedyrer og assistere menneskelige analytikere. Den tungt arbeidet med presis trusseldeteksjon og forebygging vil bli best håndtert av de høyt spesialiserte små AI/ML-modellene.

Rollen til menneskelig ekspertise

Det er avgjørende å bruke AI/ML sammen med prosessautomatisering for å aktivere rask avhjelpning og begrensning av verifiserte trusler. På dette stadiet, utstyrt med høykonfidens-hendelser, kan AI-systemer starte automatiske playbook-responser tilpasset hver bestemt angreps type – blokkere skadelige IP-er, isolere kompromitterte verts-maskiner, påtvinge adaptive politikker og mer. Imidlertid forblir menneskelig ekspertise avgjørende, validerer AI-utgangene, anvender kritisk tenkning og overvåker de autonome responsaksjonene for å sikre beskyttelse uten forretningsavbrudd.

Nuansert forståelse er det mennesker bringer til bordet. Analyse av nye og komplekse malware-trusler krever også kreativitet og problemløsningsevner som kan være utenfor maskinens rekkevidde.

Menneskelig ekspertise er essensiell i flere nøkkelområder:

• Validering og kontekstualisering: AI-systemer, til tross for deres sofistikerte natur, kan noen ganger generere falske positiver eller misfortolke data. Menneskelige analytikere er nødvendige for å validere AI-utgangene og gi den nødvendige konteksten som AI kan overse. Dette sikrer at responsene er passende og proporsjonale med den faktiske trusselen.
• Kompleks trusselundersøkelse: Noen trusler er for komplekse for AI å håndtere alene. Menneskelige eksperter kan dykke dyptere inn i disse hendelsene, ved å bruke deres erfaring og intuition til å avdekke skjulte aspekter av trusselen som AI kan overse. Denne menneskelige innsikten er kritisk for å forstå det fullstendige omfanget av sofistikerte angrep og å utvikle effektive mottiltak.
• Strategisk beslutningstaking: Mens AI kan håndtere rutinemessige oppgaver og dataprosessering, krever strategiske beslutninger om den overordnede sikkerhetsposturen og langsiktige forsvarsstrategier menneskelig dømmekraft. Eksperter kan tolke AI-genererte innsikter for å ta informerte beslutninger om ressursallokering, politikkendringer og strategiske initiativer.
• kontinuerlig forbedring: Menneskelige analytikere bidrar til den kontinuerlige forbedringen av AI-systemer ved å gi tilbakemelding og treningdata. Deres innsikter hjelper med å finjustere AI-algoritmer, gjøre dem mer nøyaktige og effektive over tid. Denne symbiotiske relasjonen mellom menneskelig ekspertise og AI sikrer at begge utvikler seg sammen for å møte fremtidige trusler.

Optimert menneske-maskin-samarbeid

Underliggende denne overgangen er behovet for AI-systemer som kan lære fra historiske data (overvåket læring) og kontinuerlig tilpasse seg for å detektere nye angrep gjennom uovervåket/forsterkingslæringsmetoder. Kombinering av disse metodene vil være nøkkel til å holde foran angripernes evoluerende AI-kapasiteter.

Samlet sett vil AI være avgjørende for forsvarerne til å skalerer deres deteksjons- og responsekapasiteter. Menneskelig ekspertise må forblir tett integrert for å undersøke komplekse trusler, granske AI-systemutgangene og lede strategiske defensive strategier. Et optimert menneske-maskin-samarbeidsmodell er ideelt for fremtiden.

Som massive volumer av sikkerhetsdata akkumuleres over tid, kan organisasjoner bruke AI-analyse på denne skatten av telemetri til å avlede innsikter for proaktiv trusseljakt og forsterkning av forsvar. Kontinuerlig læring fra tidligere hendelser tillater prediktiv modellering av nye angrepsmønster. Ettersom AI-kapasiteter utvikler seg, vil rollen til små og spesialiserte språkmodeller tilpasset bestemte sikkerhetsbruksscenarier vokse. Disse modellene kan hjelpe med å redusere ‘varslingsutmattelse’ ved å presist triage de mest essensielle varslingene for menneskelig analyse. Autonom respons, drevet av AI, kan også utvides til å håndtere flere Tier 1-sikkerhetsoppgaver.

Likevel vil menneskelig dømmekraft og kritisk tenkning forblir uerstattelige, spesielt for høy-alvorlighets hendelser. Uten tvil er fremtiden en av optimert menneske-maskin-samarbeid, hvor AI håndterer voluminøs dataprosessering og rutinemessige oppgaver, og muliggjør at menneskelige eksperter kan fokusere på å undersøke komplekse trusler og høynivå-sikkerhetsstrategi.