ไปไกลกว่าการตรวจสอบแบบ Up/Down: มีทางที่ดีกว่าในการกำหนด ‘ปกติ’ ในโครงสร้างพื้นฐานที่ซับซ้อน

เราได้พัฒนาไปไกลจากการตรวจสอบแบบ Up/Down แล้ว ตั้งแต่พื้นโรงงานถึงโครงสร้างพื้นฐานขององค์กรสมัยใหม่ ผู้ดูแลระบบ IT ต้องการข้อมูลมากกว่าการตรวจสอบแบบง่ายๆ เพื่อดูว่าเว็บไซต์หรือแอปพลิเคชันสามารถให้บริการผู้ใช้ได้หรือไม่ ใช่แล้ว การดูสถานะ “Up” หรือ “Down” แบบพื้นฐานเป็นประโยชน์ แต่ไม่ได้บอกเล่าเรื่องราวทั้งหมดว่าเทคโนโลยีสามารถส่งมอบคุณค่าทางธุรกิจที่คาดหวังได้อย่างไร นอกจากนี้ เมื่อสภาพแวดล้อม IT และ OT รวมกันและระบบนิเวศกลายเป็นแบบไดนามิกและชั่วคราวมากขึ้น การแจ้งเตือนเหล่านี้ไม่ได้กำหนดหรือสะท้อนถึงค่าพื้นฐานได้อย่างแม่นยำ

การทำความเข้าใจว่าอะไรคือ ‘ปกติ’ การเรียนรู้รูปแบบการทำงาน และการป้องกันการหยุดทำงานที่มีค่าใช้จ่ายสูงเป็นฟังก์ชันที่สำคัญในโครงสร้างพื้นฐานที่ซับซ้อนในปัจจุบัน สิ่งนี้เป็นจริงโดยเฉพาะอย่างยิ่งเมื่อผู้กระทำความผิดใช้เครื่องมือที่ซับซ้อนมากขึ้นเพื่อทำมากกว่านี้ด้วยน้อยกว่า และโครงสร้างพื้นฐานที่เชื่อมต่อกันสมัยใหม่สร้างความเสี่ยงใหม่ๆ

ในภูมิทัศน์นี้ การตรวจสอบที่ขับเคลื่อนด้วย AI เปลี่ยนแปลงการบริหารจัดการโครงสร้างพื้นฐานโดยการให้ข้อมูลเชิงลึกเกี่ยวกับสิ่งที่เป็นพฤติกรรมปกติและไม่ปกติ ดังนั้นจึงกำจัดค่าพื้นฐานที่ไม่ดีและความเหนื่อยล้าจากการแจ้งเตือน มาทำความเข้าใจว่าการเปลี่ยนแปลงจากการตอบสนองต่อการดับเพลิงแบบตอบสนองไปสู่การป้องกันแบบ chủ độngเป็นการพัฒนาการตรวจสอบที่จำเป็น

การค้นพบปกติใหม่

อะไรคือ ‘ปกติ’ จริงๆ? นี่คือคำถามที่ทีมโครงสร้างพื้นฐานที่ดูแลเซิร์ฟเวอร์ อุปกรณ์เครือข่าย แอปพลิเคชัน และฐานข้อมูลได้ถามมาเป็นเวลาหลายทศวรรษแล้ว ทำไม? เพราะการกำหนด ‘ปกติ’ เป็นเรื่องที่ซับซ้อนและผิดพลาดได้ในสภาพแวดล้อมที่มีการกระจายและเปลี่ยนแปลงอย่างรวดเร็ว โดยมีระบบต่างๆ มากมายที่ต้องตรวจสอบ การหาคำตอบจะขึ้นอยู่กับรูปแบบธุรกิจและเทคโนโลยีของคุณ นอกจากนี้ยังขึ้นอยู่กับเทคโนโลยีการตรวจสอบและคอนฟิกของ bạn เนื่องจากการตั้งค่าขีดจำกัดแบบคงที่ไม่สามารถจับปัญหาได้มากนัก

ลองพิจารณาโรงงานผลิตที่มีการรับส่งข้อมูลที่เพิ่มขึ้นอย่างรวดเร็วเมื่อเวลา 14.00 น. วันพุธ การตรวจสอบแบบดั้งเดิมอาจกระตุ้นการแจ้งเตือนเพราะมันเกินขีดจำกัดที่กำหนดไว้ แต่นี่คือปัญหาหรือไม่? ไม่มีทางรู้ได้โดยไม่มีข้อมูลและวิธีการวิเคราะห์ที่ลึกซึ้งยิ่งขึ้น การเพิ่มขึ้นอาจบ่งบอกถึงกิจกรรมทางธุรกิจที่ถูกต้อง เช่น ตารางการทำงานใหม่หรือการผลิตที่เพิ่มขึ้นเพื่อตอบสนองความต้องการ หรืออาจเป็นสัญญาณของภัยคุกคามด้านความปลอดภัยที่ร้ายแรง เช่น การขโมยข้อมูลหรือระบบที่ถูกบุกรุกและกำลังส่งสัญญาณไปยังเซิร์ฟเวอร์ควบคุม

นี่คือจุดที่ การตรวจจับการผิดปกติแบบ AI เพิ่มความฉลาดให้กับการตรวจสอบโครงสร้างพื้นฐาน วิธีการที่เกิดขึ้นใหม่นี้วิเคราะห์ข้อมูลในอดีตอย่างต่อเนื่องเพื่อสร้างค่าพื้นฐานที่ฉลาดซึ่งปรับเปลี่ยนตามสภาพแวดล้อมที่เปลี่ยนแปลงไป วิธีการนี้ช่วยให้สามารถแจ้งเตือนได้ล่วงหน้ามากขึ้น ซึ่งให้เวลาผู้ดูแลระบบ IT และทีม DevOps มากขึ้นในการแก้ไขปัญหาก่อนที่จะส่งผลกระทบอย่างรุนแรง

การตรวจสอบการรับส่งข้อมูลเครือข่ายเป็นตัวอย่างที่ดีของสิ่งนี้ในการดำเนินการ ระบบตรวจสอบโครงสร้างพื้นฐานรวบรวมสัญญาณต่างๆ รวมถึงบันทึกและเมตริก บันทึกเป็นเหตุการณ์ที่สร้างโดยระบบ ในขณะที่เมตริกเป็นมาตรการ เมื่อเวลาผ่านไป มาตรการเหล่านี้จะถูกเก็บและแสดงเป็นชุดเวลา เช่นเดียวกับการวัดอุณหภูมิตลอดทั้งวัน ข้อมูลที่รวบรวมเพื่อตรวจสอบสภาพเครือข่ายรวมถึงเมตริก เช่น อัตราการรับส่งข้อมูลแบบโฆษณาเข้าและออก จำนวนการละทิ้งและข้อผิดพลาด และปริมาณการรับส่งข้อมูลทั้งหมด หากสิ่งใดผิดปกติเมื่อเทียบกับการทำงานปกติ การตรวจสอบแบบฉลาดสามารถรับรองว่าเสียงเตือนถูกต้องและหลีกเลี่ยงการแจ้งเตือนเท็จ

การหลีกเลี่ยงการซ้ำซ้อนของการแจ้งเตือน

การตรวจสอบซ้ำอาจนำไปสู่ความท้าทายเพิ่มเติมโดยการสร้างการแจ้งเตือนมากขึ้น การตรวจสอบสามารถกลายเป็น混乱เมื่อเวลาผ่านไป เนื่องจากทีมเพิ่มการตรวจสอบสำหรับโครงการใหม่หรือสร้างการตรวจสอบเพิ่มเติมเมื่อแก้ไขปัญหาหรือทดสอบ ก่อนที่จะรู้ตัว การตั้งค่าการตรวจสอบที่ดูเรียบง่ายอาจกลายเป็นป่าของการแจ้งเตือนเท็จหรือซ้ำซ้อนซึ่งบดบังปัญหาแทนที่จะชี้ให้เห็น

ตัวอย่างเช่น ทีม IT อาจได้รับการแจ้งเตือนสำหรับการใช้ CPU สูง เวลาในการตอบสนองของแอปพลิเคชันที่ช้า และการรับส่งข้อมูลเครือข่ายที่หนาแน่นจากเซิร์ฟเวอร์ที่มีภาระงานมากเกินไป โดยไม่เข้าใจความสัมพันธ์ ทีมอาจสอบสวนสามปัญหาแยกกันแทนที่จะเป็นสาเหตุหลักเดียว

เทคโนโลยี AI สมัยใหม่ เมื่อรวมกับการตรวจสอบ จะเปลี่ยนแปลงปัญหานี้อีกครั้งผ่านการตรวจจับการกำหนดค่าการตรวจสอบที่คล้ายกันโดยอัตโนมัติ โดยใช้เทคนิค เช่น คณิตศาสตร์模糊และวิธีการเชิงอุปนัย วิธีการนี้วิเคราะห์รูปแบบพฤติกรรมและค้นหาความสัมพันธ์ระหว่างการตรวจสอบที่คล้ายกันเพื่อเปิดเผยการเชื่อมต่อที่ซ่อนอยู่

อนาคตของการตรวจสอบแบบฉลาด

การพัฒนาด้านเครือข่ายและความปลอดภัยด้านไซเบอร์อื่นๆ ยังสนับสนุนกรณีสำหรับการตรวจสอบที่เพิ่มขึ้น เนื่องจากความซับซ้อนยังคงเติบโตอย่างรวดเร็ว สิ่งที่เคยเป็นเครือข่ายอุตสาหกรรมที่แยกออกมาและไม่เชื่อมต่อกัน ตอนนี้เชื่อมต่อกับระบบองค์กร สร้างสภาพแวดล้อมแบบไฮบริดที่ปัญหาเครือข่ายเดียวสามารถส่งผลกระทบต่อทั้งการผลิตและแอปพลิเคชันทางธุรกิจ

เซ็นเซอร์ IoT เกตเวย์ขอบ และอุปกรณ์ OT ติดต่อสื่อสารพร้อมกับโพรโทคอล IT มาตรฐาน เมื่อระบบที่หลากหลายเหล่านี้ประสบปัญหา ผู้ดูแลระบบต้องการการตรวจสอบที่สามารถเข้าใจความสัมพันธ์ข้ามระบบนิเวศ แทนที่จะรักษาแต่ละระบบเป็นซิลโอด้านเดียว ความตื่นตัวเป็นสิ่งจำเป็น เนื่องจากการละเมิดที่สำเร็จสามารถหยุดการผลิต เสียหายต่ออุปกรณ์ที่มีราคาแพง และก่อให้เกิดอันตรายต่อความปลอดภัย

ในขณะเดียวกัน ไม่มีทางหลีกเลี่ยงได้ว่าแฮกเกอร์ทางด้านตรงข้ามของบัญชีไซเบอร์กำลังใช้เทคโนโลยีนี้เป็นช่องทางในการโจมตีในระดับใหญ่ โมเดลภาษาขนาดใหญ่แบบสร้างสรรค์ (LLM) ที่ฟรีหรือราคาไม่แพงทำให้แฮกเกอร์สามารถสร้างและปรับเปลี่ยนการโจมตีได้ด้วยต้นทุนที่น้อยที่สุด และเมื่อเวลาผ่านไป แฮกเกอร์เห็น AI เป็นตัวเปลี่ยนเกม

การตรวจจับการผิดปกติแบบ AI ที่ใช้กันในปัจจุบันขึ้นอยู่กับ数学และสถิติที่ได้รับการยอมรับมาเป็นเวลาหลายทศวรรษ เทคโนโลยีนี้ใช้ได้ผล แต่การนำ AI และ LLM มาใช้กับการตรวจสอบเมตริกเป็นการเปลี่ยนแปลงเกม เราได้เห็นโมเดล LLM แบบแรกที่ใช้เวลาสeries มาใช้ในตลาด และสามารถคาดหวังว่าสิ่งนี้จะเปลี่ยนแปลงการตรวจจับการผิดปกติในสองปีข้างหน้า

ทีม IT และการดำเนินงานมีทางเลือกในการดูแลระบบนิเวศและตอบโต้ภัยคุกคามของตน การดูแลระบบที่มีการตรวจจับการผิดปกติและติดตามพื้นฐานโดยอัตโนมัติช่วยปกป้องทรัพย์สินได้ดีขึ้น ในขณะเดียวกันก็เรียนรู้ ปรับเปลี่ยน และเพิ่มประสิทธิภาพ ซึ่งทำให้สามารถวางแผนความสามารถและเพิ่มประสิทธิภาพทรัพยากรได้อย่างมีประสิทธิภาพมากขึ้น การตรวจสอบแบบ Up/Down พื้นฐานยังคงมีคุณค่า แต่เมื่อปัญหาเดียวสามารถส่งผลกระทบต่อระบบ IT, OT และ IoT – เราต้องการบริบทที่ฉลาดบนพื้นฐานนั้น ผู้ป้องกันโครงสร้างพื้นฐานสามารถตอบสนองความท้าทายโดยการปรับขนาดความสามารถในการมองเห็นของตนตามนั้น ables more effective capacity planning and resource optimization. Basic up/down checks are still valuable but – when a single issue can cascade across IT, OT, and IoT systems – we need intelligent context on top of that foundation. Infrastructure defenders can meet the moment by scaling up their visibility accordingly.