Šis klausimas tampa pasikartojančiu klausimu, nes saugumo komandos susiduria su grėsmėmis, kurios nebesilaiko tradicinių kenkėjiškų programų modelių. Dirbtiniu intelektu pagrįstas kenkėjiškų programų aptikimas reiškia mašininio mokymosi ir dirbtinio intelekto metodų naudojimą kenkėjiškai programinei įrangai nustatyti analizuojant elgesį, vykdymo modelius ir kontekstinius signalus, o ne vien remiantis žinomais parašais. Skirtingai nuo tradicinių antivirusinių sistemų, jis nedaro prielaidos, kad kenkėjiška programa yra statinė, pakartotinai naudojama ar viešai atskleidžiama. Šiuolaikinė kenkėjiška programa dažnai modifikuojama, sąlygiškai vykdoma arba įterpiama į kitaip teisėtus programinės įrangos objektus. Tokiais atvejais parašais pagrįstas aptikimas dėl savo ypatybių neveikia. Dirbtiniu intelektu pagrįstos sistemos yra sukurtos veikti esant tokiam neapibrėžtumui, nustatant kenkėjiškus ketinimus, o ne lyginant žinomus rodiklius. Norint suprasti, kas yra dirbtiniu intelektu pagrįstas kenkėjiškų programų aptikimas, reikia atsisakyti prielaidos, kad kenkėjiškas programas galima patikimai aptikti po fakto. Šiandien kenkėjiškos programos yra prisitaikančios, polimorfinės ir atsižvelgia į aplinką. Aptikimo mechanizmai turi atsižvelgti į tai, kaip programinė įranga elgiasi skirtinguose vykdymo kontekstuose, o ne tik į tai, kaip ji atrodo atskirai.
Kodėl egzistuoja dirbtinio intelekto valdoma kenkėjiškų programų aptikimo sistema? #
Tradiciniai kenkėjiškų programų aptikimo metodai buvo sukurti grėsmių modeliui, kuris darė prielaidą apie pakartotinį naudojimą. Kenkėjiškų programų autoriai pakartotinai naudojo naudingąją apkrovą, parašai plito greitai, o aptikimas rėmėsi išankstiniu atskleidimu. Toks modelis nebeatspindi realybės. Šiuolaikinės kenkėjiškų programų atakos vis dažniau pasikliaujama anksčiau nematyta kenkėjiška programine įranga, minimaliais kodo pakeitimais, skirtais apeiti parašus, ir kenkėjišku elgesiu, įterptu patikimuose komponentuose. Vykdymas dažnai atidedamas arba ribojamas aplinkos patikrų, pvz., integralinio tinklo kredencialų, debesies metaduomenų paslaugų ar kūrėjo įrankių, buvimo. Daugeliu atvejų kenkėjiškas elgesys niekada nesukeliamas įprasto nuskaitymo metu.
Šios sąlygos paaiškina, kodėl tapo būtinas dirbtinio intelekto pagrindu veikiantis kenkėjiškų programų aptikimas. Dirbtinio intelekto modeliai gali apibendrinti žinomą kenkėjišką elgesį ir nustatyti anomalijas, rodančias kenkėjiškus ketinimus, net jei pagrindinis kodas niekada anksčiau nebuvo pastebėtas. Šis skirtumas yra esminis dalykas, susijęs su dirbtinio intelekto pagrindu veikiančiu kenkėjiškų programų aptikimu praktikoje. Tikslas nėra tobulas aptikimas. Tikslas – sumažinti poveikio laikotarpius ir nustatyti grėsmes prieš joms įvykstant gamybinėje aplinkoje.
Kaip veikia dirbtinio intelekto valdomas kenkėjiškų programų aptikimas? #
Iš esmės dirbtinio intelekto valdomas kenkėjiškų programų aptikimas remiasi mašininio mokymosi modeliais, apmokytais dideliais duomenų rinkiniais, kuriuose yra tiek gerybinių, tiek kenkėjiškų pavyzdžių. Šie duomenų rinkiniai paprastai apima dvejetainius failus, scenarijus, vykdymo pėdsakus, žurnalus, tinklo veiklą ir metaduomenis, surinktus iš realios aplinkos. Dirbtiniu intelektu pagrįstas aptikimas taiko skirtingus mokymosi metodus, priklausomai nuo aptikimo tikslo. Prižiūrimi modeliai klasifikuoja žinomus modelius, o neprižiūrimi modeliai nustato nukrypimus nuo numatomo elgesio. Elgesio modeliavimas orientuotas į vykdymo laiko veiksmus, o ne į statinę struktūrą, o požymių išskyrimas leidžia modeliams įvertinti koreliuojančius signalus, o ne izoliuotus indikatorius. Štai kodėl dirbtinio intelekto valdomo kenkėjiškų programų aptikimo negalima susiaurinti iki „dirbtinio intelekto, pakeičiančio antivirusinę programą“. Aptikimo logika iš esmės skiriasi. Užuot atitikusios žinomus blogus artefaktus, dirbtinio intelekto sistemos kenkėjiškus ketinimus nustato pagal tai, kaip programinė įranga sąveikauja su savo aplinka.
Statinis, dinaminis ir elgesio dirbtinio intelekto aptikimas #
Dirbtinis intelektas taikomas įvairiose kenkėjiškų programų analizės technikose, kurių kiekviena prisideda prie dirbtinio intelekto valdomo kenkėjiškų programų aptikimo.
Statinė analizė Dirbtinis intelektas (DI) įvertina šaltinio kodą arba dvejetainius failus be vykdymo. Modeliai ieško tokių rodiklių kaip klaidinimas, anomalinis importavimas arba įtartinas valdymo srautas. Nors tai padeda aptikti kenkėjiškas programas naudojant DI, vien statinės analizės nepakanka kovojant su grėsmėmis, kurios suaktyvėja tik tam tikromis sąlygomis.
Dinaminė analizė leidžia dirbtinio intelekto sistemoms stebėti vykdymo elgseną, įskaitant prieigą prie failų sistemos, tinklo ryšį, procesų kūrimą ir sistemos iškvietimus. Daugelis dirbtinio intelekto valdomų kenkėjiškų programų pavyzdžių remiasi dinaminiais signalais, nes kenkėjiška logika lieka neveikli iki vykdymo laiko.
Elgesio koreliacija čia dirbtiniu intelektu paremtas kenkėjiškų programų aptikimas tampa decisive. Koreliuodamos veiksmus laikui bėgant, versijose ir aplinkoje, dirbtinio intelekto sistemos gali nustatyti kenkėjiškus ketinimus net tada, kai atskiri veiksmai atrodo teisėti. Šis daugiasluoksnis požiūris paaiškina, kodėl šį aptikimą geriausia suprasti kaip metodų derinį, o ne kaip vieną aptikimo metodą.
Dirbtiniu intelektu pagrįstas kenkėjiškų programų aptikimas, palyginti su tradiciniu aptikimu #
Skirtumas tarp dirbtiniu intelektu pagrįsto aptikimo ir tradicinių aptikimo metodų yra praktinis, o ne teorinis. Tradicinis aptikimas remiasi žinomais parašais ir ankstesniu atskleidimu, todėl tarp išnaudojimo ir aptikimo sukuriamas neišvengiamas poveikio laikotarpis. Priešingai, dirbtiniu intelektu pagrįstas kenkėjiškų programų aptikimas skirtas nustatyti nežinomas grėsmes analizuojant elgesio anomalijas ir prisitaikant prie naujų atakų metodų. Ši galimybė paaiškina, kodėl ji tampa vis aktualesnė „DevSecOps“ komandos veikiant dideliu mastu. Nepaisant to, jis nėra neklystantis. Pasitaiko klaidingų teigiamų rezultatų, o automatizuotas klasifikavimas nepakeičia ekspertų vertinimo. Dirbtinis intelektas pagerina greitį ir aprėptį, tačiau galutiniam patvirtinimui vis tiek reikalinga žmogaus analizė.
Kur naudojamas dirbtinio intelekto valdomas kenkėjiškų programų aptikimas? #
Šiandien jis diegiamas keliuose steko sluoksniuose, įskaitant galinių taškų apsaugą, debesijos darbo krūvius, CI/CD pipelines, programinės įrangos tiekimo grandinės stebėjimas ir tinklo srauto analizė. „DevSecOps“ aplinkose dirbtiniu intelektu pagrįstas kenkėjiškų programų aptikimas yra efektyviausias, kai taikomas prieš diegimą. Analizuojant elgseną priklausomybių įkėlimo, diegimo ir kūrimo vykdymo metu, dirbtiniu intelektu pagrįstos sistemos sumažinti kenkėjiško kodo patekimo į produkciją riziką.
Ši pozicija sustiprina dirbtinio intelekto valdomą kenkėjiškų programų aptikimą kaip... prevencinė kontrolė, o ne reaktyvus atsako mechanizmas.
Pramoninis pritaikymas ir praktinis įgyvendinimas #
Praktiškai dirbtinio intelekto valdomas kenkėjiškų programų aptikimas vis dažniau taikomas software supply chain security, kur kenkėjiška veikla gali būti vykdoma per priklausomybes, kūrimo scenarijus arba automatizuotus veiksmus pipelines. Kai kurios platformos, pvz., Ksigeni, taikyti dirbtinio intelekto pagalba atliekamą elgsenos analizę tiesiogiai priklausomybių įsisavinimui ir kompiliavimo vykdymui. Šis modelis iliustruoja, kaip dirbtiniu intelektu pagrįstas kenkėjiškų programų aptikimas gali būti naudojamas prevenciškai, nustatant kenkėjišką elgesį prieš programinei įrangai pasiekiant gamybos aplinką, o ne reaguojant po diegimo.
Šis metodas pabrėžia, kad dirbtinio intelekto valdomas kenkėjiškų programų aptikimas apima ne tik galinius įrenginius ir stebėjimą vykdymo metu, bet ir ankstesniuose programinės įrangos gyvavimo ciklo etapuose.
Kodėl tai svarbu „DevSecOps“? #
„DevSecOps“ komandoms dirbtiniu intelektu pagrįstas aptikimas atitinka operacinius automatizavimo, mastelio keitimo ir ankstyvo grįžtamojo ryšio reikalavimus. Tai leidžia kenkėjiško elgesio aptikimas nestabdant kūrimo ir nepasikliaujant vien reagavimu į incidentą. Integruojant šį aptikimą į pipelinesumažina riziką, kartu išsaugant pristatymo greitį. Štai kodėl dirbtinio intelekto valdomas kenkėjiškų programų aptikimas nebėra abstrakti sąvoka. Tai praktinis šiuolaikinės programinės įrangos teikimo reikalavimas.
Apibendrinant: aiškus dirbtinio intelekto valdomo kenkėjiškų programų aptikimo apibrėžimas #
Apibendrinant, kas yra dirbtinio intelekto valdomas kenkėjiškų programų aptikimas? Jį galima apibrėžti kaip kenkėjiškos programinės įrangos identifikavimo metodą naudojant dirbtinio intelekto modelius, kurie analizuoja elgesį, modelius ir kontekstą. Dirbtiniu intelektu pagrįstas kenkėjiškų programų aptikimas daugiausia dėmesio skiria nežinomoms ir besivystančioms grėsmėms, tuo pačiu papildydamas, o ne pakeisdamas tradicines priemones. Realūs dirbtinio intelekto valdomų kenkėjiškų programų pavyzdžiai parodo, kodėl vien parašais pagrįsto aptikimo nepakanka.
Dirbtinio intelekto valdomas aptikimas nėra stebuklinga priemonė. Tačiau tai yra svarbus šiuolaikinių programų saugumo ir programinės įrangos tiekimo grandinės apsaugos komponentasSuprasdamos tai, saugumo komandos gali sumažinti pavojaus intervalus ir apsaugoti aplinkas, kuriose tradicinės prielaidos nebegalioja.
