Una parola chiave nell'attuale panorama digitale interconnesso è "machine learning". Il concetto si riferisce essenzialmente all'apprendimento automatico da parte dei computer, che imparano dai dati anziché ricevere una programmazione esplicita. Attraverso questi algoritmi di machine learning, i computer vengono alimentati con enormi set di dati e li analizzano per riconoscere pattern o correlazioni attraverso un'analisi estesa dei dati.
L'apprendimento automatico sta diventando una caratteristica comune in sempre più settori e la sicurezza informatica non è rimasta indietro. Una ricerca di ABI Research ha stimato che l'apprendimento automatico nella sicurezza informatica aumenterà la spesa per big data, intelligence e analisi a 96 miliardi di dollari entro il 2021. Il motivo di questa crescita così estesa è abbastanza chiaro: l'apprendimento automatico consente alle aziende di offrire una risposta migliore e rafforzare le proprie difese contro il grande e pericoloso mondo delle minacce informatiche. Le aziende di sicurezza stanno riorganizzando le soluzioni che offrono in linea con questa tendenza. Stanno passando da sistemi basati su firme a soluzioni a più livelli in cui i sistemi di apprendimento automatico interpretano i dati per rilevare meglio il malware.
Le attività di apprendimento automatico sono classificate in tre tipi: 1) Apprendimento supervisionato, in cui i dati etichettati vengono utilizzati per addestrare un modello che può essere successivamente applicato a dati non visti per etichettarli, 2) Apprendimento non supervisionato, in cui i dati non etichettati vengono utilizzati per l'addestramento al fine di scoprire modelli o una struttura nei dati di input e 3) Apprendimento per rinforzo, in cui per l'apprendimento viene utilizzato un metodo punizione-ricompensa.
Esistono diversi ambiti in cui l'apprendimento automatico gioca un ruolo chiave nella sicurezza informatica. Alcuni di questi sono:
Creazione di campioni di cluster
Un risultato chiave dell'apprendimento automatico sono i campioni a cluster, ovvero la suddivisione di set di dati in modo che campioni simili abbiano i propri gruppi. In pratica, i gruppi vengono segregati in base alle loro caratteristiche e poi assegnati a cluster. Questi cluster vengono poi riclassificati a intervalli per accogliere campioni più recenti, in un processo chiamato clustering incrementale. A questo scopo vengono utilizzati algoritmi di apprendimento automatico come i modelli centroidi, i modelli di distribuzione e i modelli di densità.
Identificazione dei campioni
L'apprendimento automatico viene utilizzato per aggregare e analizzare dati su larga scala, come i campioni di cluster menzionati in precedenza, al fine di automatizzare il processo di classificazione. SeqriteIl sistema automatizzato di classificazione del malware etichetta questi dati come dannosi o non dannosi in base alle informazioni contestuali raccolte. Attraverso questo processo approfondito di data mining, i campioni possono essere facilmente distinti come dannosi o benigni, un processo chiamato classificazione dei campioni.
Per saperne di più: Approccio di apprendimento automatico per la ricerca avanzata delle minacce
Creazione di un modello di rilevamento distribuibile
I due processi sopra descritti contribuiscono a creare un modello di rilevamento implementabile. È importante selezionare il set e il rapporto corretti tra campioni benigni e malware, addestrare e testare il set selezionato e selezionare un algoritmo corretto per lo stesso. Tuttavia, questi non vengono implementati immediatamente sugli endpoint: vengono valutati in base a parametri quali dimensioni, tempo necessario per generare il modello, tempo impiegato dal modello per analizzare un campione, qualità del modello, rapporto di falsi positivi, ecc. Solo dopo test approfonditi possono essere presi in considerazione per l'implementazione sugli endpoint.
Operando inizialmente in modalità passiva e osservando i modelli di rilevamento, questi modelli sono supportati anche da SeqriteLa piattaforma di sicurezza cloud di . I sistemi automatizzati nel cloud analizzano la telemetria generata da questi modelli passivi e, in base ai risultati ottenuti, questi modelli possono essere resi attivi.
Sebbene il Machine Learning rappresenti un nuovo, entusiasmante investimento, è importante non lasciarsi trasportare dalla convinzione che sia la soluzione a tutti i problemi di sicurezza informatica. Il mondo delle minacce informatiche è in continua evoluzione e a volte persino le macchine potrebbero non essere in grado di tenere il passo. Affidarsi completamente agli algoritmi di machine learning sarebbe un'idea sbagliata: la strada migliore da percorrere è utilizzare gli algoritmi di machine learning come strumento per rafforzare la difesa della sicurezza informatica, insieme alla scienza dei dati e alle competenze umane.
Come partner per la sicurezza IT della tua azienda, Seqrite fornisce una sicurezza completa dalle minacce informatiche avanzate. Per saperne di più
