Reta mašininio mokymosi forma, kuri gali pastebėti įsilaužėlius, kurie jau įsilaužė

Darktrace kompiuterio platformos sąsajos vaizdas. Darktrace

2013 metais grupė britų žvalgybos agentų pastebėjo kažką keisto. Nors dauguma pastangų apsaugoti skaitmeninę infrastruktūrą buvo skirtos užkirsti kelią blogiečiams patekti į vidų, nedaugelis sutelkė dėmesį į priešingą pusę: neleisti jiems nutekėti informacijos. Remdamasi šia idėja, grupė įkūrė naują kibernetinio saugumo įmonę „Darktrace“.

Įmonė bendradarbiavo su Kembridžo universiteto matematikais, kad sukurtų įrankį, kuris panaudotų mašininį mokymąsi, kad būtų užfiksuoti vidiniai pažeidimai. Tačiau užuot mokę algoritmus pagal istorinius atakų pavyzdžius, jiems reikėjo būdo, kad sistema atpažintų naujus anomalaus elgesio atvejus. Jie kreipėsi į neprižiūrimą mokymąsi – techniką, pagrįstą retu mašininio mokymosi algoritmu, kuriam nereikia žmonių nurodyti, ko ieškoti.

„Darktrace“ nustatė užkrėstą įrenginį, kurio elgesys yra neįprastas. Darktrace

„Tai labai panašu į paties žmogaus organizmo imuninę sistemą“, – sako bendrovės generalinė direktorė Nicole Eagan. „Kad ir kaip būtų sudėtinga, ji turi įgimtą savęs, o ne savęs jausmą. Ir kai ji randa kažką, kas nepriklauso – tai nėra sau – ji reaguoja itin tiksliai ir greitai.

Didžioji dauguma mašininio mokymosi programų priklauso nuo prižiūrimo mokymosi. Tai reiškia, kad mašina tiekiama dideliais kiekiais kruopščiai pažymėtų duomenų, kad būtų išmokytas atpažinti siaurai apibrėžtą modelį. Tarkime, kad norite, kad jūsų aparatas atpažintų auksaspalvius retriverius. Jūs maitinate jį šimtais ar tūkstančiais auksaspalvių retriverių ir dalykų, kurių nėra, vaizdų, tuo pačiu aiškiai nurodydami, kurie iš jų yra kurie. Galų gale jūs gaunate gana neblogą auksaspalvių retriverių aptikimo mašiną.

Kibernetinio saugumo srityje prižiūrimas mokymasis veikia gana gerai. Jūs apmokote mašiną apie įvairias grėsmes, su kuriomis anksčiau susidūrė jūsų sistema, ir ji nenumaldomai vejasi jas.

Tačiau yra dvi pagrindinės problemos. Pirma, jis veikia tik su žinomomis grėsmėmis; po radaru vis dar slypi nežinomos grėsmės. Kitaip tariant, prižiūrimo mokymosi algoritmai geriausiai veikia su subalansuotais duomenų rinkiniais, kitaip tariant, tokiais, kuriuose yra tiek pat pavyzdžių, ko jis ieško ir ko gali nepaisyti. Kibernetinio saugumo duomenys yra labai nesubalansuoti: yra labai mažai grėsmingo elgesio pavyzdžių, slypinčių didžiojoje įprasto elgesio dalyje.

Visų tam tikro potinklio jungčių vizualizacija. Darktrace

Laimei, kur mokymasis prižiūrimas šlubuoja, mokymasis neprižiūrimas yra puikiausias. Pastarasis gali pažvelgti į didžiulį nepažymėtų duomenų kiekį ir rasti gabalus, kurie neatitinka įprasto modelio. Dėl to gali iškilti grėsmių, kurių sistema niekada anksčiau nematė ir tam reikia kelių anomalių duomenų taškų.

Kai „Darktrace“ įdiegia savo programinę įrangą, ji nustato fizinius ir skaitmeninius jutiklius aplink kliento tinklą, kad nustatytų jo veiklą. Šie neapdoroti duomenys nukreipiami į daugiau nei 60 skirtingų neprižiūrimų mokymosi algoritmų, kurie konkuruoja tarpusavyje, kad surastų nenormalų elgesį.

NEPRIžiūrima erdvė

• Keletas kitų įmonių taip pat nusprendė naudoti neprižiūrimą mokymąsi, kad sustiprintų skaitmenines apsaugos sistemas.

• Formos apsauga

  Įkurta 2011 m. buvusių Pentagono gynybos ekspertų, ji skirta užkirsti kelią netikrų paskyrų kūrimui ar sukčiavimui dėl kredito paraiškų teikimo, be kitų niekšiškų veiksmų. „Shape Security“ sujungia vienas kitą papildančias prižiūrimų ir neprižiūrimų metodų puses.

  
  
  

• DataVisor

  2013 m. įkurta „Microsoft“ alumnų, ji bendradarbiauja su bankais, socialinės žiniasklaidos ir elektroninės prekybos įmonėmis, siekdama kovoti su sukčiavimu sandoriais, pinigų plovimu ir kitu didelio masto piktnaudžiavimu. „DataVisor“ teigia, kad pirmiausia naudoja neprižiūrimus metodus.

Tada tie algoritmai išleidžia savo išvestį į kitą pagrindinį algoritmą, kuris naudoja įvairius statistinius metodus, kad nustatytų, kurio iš 60 klausytis, o kurio ignoruoti. Visas šis sudėtingumas yra supakuotas į galutinę vizualizaciją, kuri leidžia žmonėms operatoriams greitai pamatyti galimus pažeidimus ir į juos reaguoti. Kai žmonės sprendžia, ką daryti toliau, sistema stengiasi karantinuoti pažeidimą, kol jis bus pašalintas, pavyzdžiui, nutraukdama visą išorinį ryšį nuo užkrėsto įrenginio.

Tačiau mokymasis neprižiūrimas nėra sidabrinė kulka. Kai užpuolikai tampa vis sudėtingesni, jie vis geriau moka apgaudinėti mašinas, kad ir kokio tipo mašininį mokymąsi jie naudotų. „Yra šis katės ir pelės žaidimas, kuriame užpuolikai gali bandyti pakeisti savo elgesį“, – sako Dawn Song, Kalifornijos universiteto Berklio kibernetinio saugumo ir mašininio mokymosi ekspertas.

Reaguodama į tai, kibernetinio saugumo bendruomenė ėmėsi iniciatyvių metodų – „geresnės saugos architektūros ir principų, kad sistema būtų saugesnė statant“, – sako ji. Tačiau iki visiško visų pažeidimų ir nesąžiningos praktikos panaikinimo dar reikia daug. Ji priduria, kad „visa sistema yra tokia pat saugi, kaip ir silpniausia jos grandis“.

paslėpti