Ang isang pangunahing buzzword sa inter-connected digital landscape ngayon ay "machine learning". Ang konsepto ay karaniwang tumutukoy sa mga computer na natututo mula sa data sa halip na makatanggap ng tahasang programming. Sa pamamagitan ng gayong mga algorithm sa pag-aaral ng machine, ang mga computer ay pinapakain ng malalaking dataset at na-parse ang mga ito upang makilala ang mga pattern o co-relasyon sa pamamagitan ng pinahabang pagsusuri ng data.
Ang pag-aaral ng machine ay nagiging isang karaniwang tampok sa parami nang parami ng mga industriya at ang cybersecurity ay hindi nahuhuli. Tinatantya ng isang ABI Research na ang machine learning sa cybersecurity ay magpapalaki ng malaking data, intelligence at analytics na paggastos sa $96 bilyon pagsapit ng 2021. Malinaw na malinaw kung bakit may ganoong pinalawig na paglago – ang machine learning ay nagbibigay-daan sa negosyo na mag-alok ng mas mahusay na tugon at palakasin ang kanilang sariling depensa pagdating sa malaki, masamang mundo ng mga banta sa cyber. Ang mga kumpanya ng seguridad ay nag-rejigging ng mga solusyon na kanilang inaalok na naaayon sa trend na ito. Lumilipat sila mula sa mga signature-based na system patungo sa mga layered na solusyon kung saan binibigyang-kahulugan ng mga machine learning system ang data para mas mahusay na makakita ng malware.
Ang mga gawain sa machine learning ay ikinategorya sa tatlong uri: 1) Pinangangasiwaang Pag-aaral kung saan ang may label na data ay ginagamit upang sanayin ang isang modelo na maaaring ilapat sa ibang pagkakataon sa hindi nakikitang data upang lagyan ng label ito, 2) Hindi pinangangasiwaang Pag-aaral kung saan ang walang label na data ay ginagamit para sa pagsasanay upang tumuklas ng mga pattern o isang istraktura sa input data at 3) Reinforcement Learning kung saan ang isang paraan ng pagpaparusa-gantimpala ay ginagamit para sa pag-aaral.
Mayroong ilang mga lugar kung saan ang machine learning ay gumaganap ng mahalagang papel sa cybersecurity. Ang ilan sa mga ito ay:
Paglikha ng mga sample ng cluster
Ang pangunahing resulta ng machine learning ay ang mga cluster sample, o paghahati ng mga dataset sa paraang may sariling grupo ang mga katulad na sample. Karaniwan, ang mga grupo ay pinaghihiwalay ayon sa kanilang mga katangian at pagkatapos ay itinalaga sa mga kumpol. Ang mga cluster na ito ay muling pinagsama-sama sa mga agwat upang mapaunlakan ang mga mas bagong sample sa isang proseso na tinatawag na incremental clustering. Ginagamit ang mga algorithm ng machine learning tulad ng Centroid Models, Distribution Models at Density Models para sa layuning ito.
Pagkilala sa mga Sample
Ginagamit ang machine learning upang pagsama-samahin at suriin ang malawakang datos tulad ng mga nabanggit na cluster sample upang awtomatiko ang proseso ng klasipikasyon. SeqriteTinatawag ng awtomatikong sistema ng pag-uuri ng malware ng automated malware classification ng `s` ang datos na ito bilang malisyoso o hindi sa pamamagitan ng impormasyong nakalap batay sa konteksto. Sa pamamagitan ng malawak na prosesong ito ng data mining, madaling matukoy ang mga sample bilang malisyoso o hindi, na tinatawag na sample classification.
Magbasa nang higit pa: Pamamaraan sa machine learning para sa advanced threat hunting
Paggawa ng Deployable Detection Model
Ang dalawang proseso sa itaas ay gumaganap ng kanilang bahagi upang lumikha ng Deployable Detection Model. Mahalagang piliin ang tamang hanay at ratio ng mga benign at malware na sample, sanayin at subukan ang napiling hanay at pumili ng tamang algorithm para dito. Gayunpaman, hindi kaagad na-deploy ang mga ito sa mga endpoint – hinuhusgahan ang mga ito ayon sa mga parameter gaya ng laki, oras na kinakailangan para makabuo ng nasabing modelo, oras na ginugugol ng modelo para mag-scan ng sample, kalidad ng modelo, false positive ratio, atbp. Pagkatapos lamang ng malawak na pagsubok, maaari silang isaalang-alang para sa pag-deploy ng endpoint.
Sa simula, gumagana sa passive mode at nagmamasid sa mga detection pattern, sinusuportahan din ang mga modelong ito ng Seqriteplataporma ng seguridad sa cloud. Sinusuri ng mga awtomatikong sistema sa cloud ang telemetry na nabuo ng mga passive model na ito at batay sa kanilang mga natuklasan, maaaring gawing aktibo ang mga modelong ito.
Bagama't kinakatawan ng Machine Learning ang isang kapana-panabik na bagong pamumuhunan, mahalagang huwag dalhin at maniwala na ito ang solusyon para sa lahat ng problema sa cybersecurity. Ang mundo ng mga banta sa cyber ay patuloy na umuunlad at kung minsan kahit na ang mga makina ay maaaring hindi makasabay. Ang pagtitiwala sa mga algorithm ng machine learning ay magiging isang maling ideya - kung ano ang dapat na pinakamahusay na paraan pasulong ay ang paggamit ng mga algorithm ng machine learning bilang isang tool upang palakasin ang pagtatanggol sa cybersecurity, kasama ng data science at kadalubhasaan ng tao.
Bilang isang IT security partner para sa iyong negosyo, Seqrite nagbibigay ng komprehensibong seguridad mula sa mga advanced na banta sa cyber. Para malaman pa
