Jak možná víte, moderní softwarová architektura funguje mnohem lépe než kdy dříve. Je bezpochyby přizpůsobivější, datově náročnější a rychlejší než jeho předchůdci. Je však skutečnou výzvou - zejména v moderní době - ​​chránit stejný software před online hrozbami (také známými jako kybernetické útoky). Vzhledem k tomu, že softwarové systémy dnes napájí vše - od mobilních zařízení po bezpečnostní kamery, od inteligentních automobilů po inteligentní domy a od výrobních závodů po jaderné elektrárny, je moderní software příliš důležitý na to, aby byl porušen nebo hacknut.

Například jaderná elektrárna v indickém Kudankulam byla napadena v říjnu 2019. K útoku byl použit malware naprogramovaný pro extrakci dat, ale interní síť elektrárny byla naštěstí nekompromisní. Pokud by malware mohl narušit interní síť, mohl by odcizit důležitá data o elektrárně, a tak vniknout do kritické infrastruktury země. Kromě toho, pokud by útok měl za cíl převzít kontrolu nad elektrárnou a byl úspěšný v jejím plánu, mohl by tím, že elektrárnu přemůže, způsobit obrovské škody.

Naštěstí nedošlo k žádným kritickým škodám. Indie – nebo v jejím případě kterákoli jiná země – však v budoucnu takové štěstí mít nemusí. To je důvod, proč musí být moderní software vytvářen od základů s ohledem na jeho bezpečnost. Také musí být pravidelně testován na bezpečnostní chyby a zranitelnosti. Testování bezpečnosti aplikací je však nákladný proces, a proto je automatizované testování nezbytností . Mezi strategiemi automatizovaného testování je jedním z nejběžnějších a nejúčinnějších řešení automatizované penetrační testování.

Automatizované penetrační testování

Odkazuje na proces spouštění simulovaných útoků na síť nebo systém automaticky za účelem zjištění bezpečnostních chyb a chyb zabezpečení. Cílem je najít zranitelná místa a opravit je, než se o nich zločinci dozvědí a využijí je. Obvykle je součástí úplného auditu kybernetické bezpečnosti, který může být vyžadován z důvodu dodržování předpisů a právních důvodů. Například PCI DSS (Payment Card Industry Data Security Standard) žádá organizace, aby prováděly testování v pravidelných intervalech.

Automatizované penetrační testování se provádí pomocí softwaru , na rozdíl od manuálního penetračního testování, které provádějí experti na kybernetickou bezpečnost. Vzhledem k tomu, že je prováděno softwarově, je omezeno rozsahem daného softwaru, který je omezen znalostmi a dovednostmi bezpečnostních profesionálů, kteří software navrhují. Navíc se ukazuje jako méně efektivní u nových hrozeb, protože identifikuje nebo testuje pouze známé zranitelnosti, což ho činí neúčinným proti neznámým.

„ A tady přichází na řadu umělá inteligence – automatizace, které lze pomocí umělé inteligence dosáhnout, by mohla výrazně usnadnit konzistentní a hromadné provádění penetractingu. To by organizacím zase pomohlo řešit otázky dovedností i kultury a brát své strategie kybernetické bezpečnosti vážně, “ napsal Packt Hub . Umělá inteligence pomáhá škálovat automatizovaný proces penetractingu a zároveň vylepšuje jeho funkce skenování neznámých zranitelností.

Umělá inteligence a její dopad

S pokrokem umělé inteligence v posledních desetiletích se odborníci na automatizaci a počítačoví vědci snaží vše automatizovat, přičemž technologie kybernetické obrany nejsou výjimkou. Například existuje mnoho automatizovaných nástrojů, které doplňují nástroje pro testování penetrace pro poskytování inteligentních zpráv. Tato automatizovaná řešení mají některé základní schopnosti umělé inteligence, ale díky rostoucímu výzkumu a otevřeným soutěžím se postupně rozrůstají.

Například Cyber ​​Grand Challenge 2016 - soutěž sponzorovaná DARPA - vyzvala lidi, aby stavěli a soutěžili s hackerskými roboty. Tito uměle inteligentní roboti provádějí penetrační testy k hledání a opravování chyb zabezpečení dříve, než je mohou konkurenční týmy zneužít. Jeho vítěz - známý jako Mayhem - mohl najít, opravit a hledat vniknutí do svého hostitelského systému při hledání a využívání zranitelných míst zabezpečení v konkurenčních systémech.

To znamená, že umělá inteligence pomáhá zvyšovat účinnost řešení kybernetické obrany - zejména řešení penetračního testování. Důvodem je to, že pomáhá zlepšit různé fáze automatizovaného penetračního testování, jak je popsáno níže.

Fáze 1: Plánování

První etapa - plánování a průzkum - je shromažďování informací o cíli. A to vyžaduje spoustu zdrojů, protože čím více informací nashromáždíte, tím větší máte šanci na úspěch. V této fázi pomáhá používání AI poskytovat lepší výsledky s menším množstvím zdrojů. AI spolu s počítačovým viděním a zpracováním přirozeného jazyka mohou pomoci vytvořit úplný profil o cílové organizaci a jejích zaměstnancích, síti, pozici zabezpečení atd.

Fáze 2: Skenování

Druhá fáze požaduje komplexní pokrytí cílových systémů. To znamená, že musíte vyhledat stovky, ne-li tisíce počítačů a dalších zařízení a analyzovat výsledky. Pomocí AI lze nástroje vylepšit tak, aby inteligentně skenovaly zařízení a shromažďovaly požadované výsledky, což zjednodušuje proces analýzy.

Fáze 3: Získání přístupu

Třetí etapou je získání přístupu k jedné z cílových sítí nebo systémů. Tento kompromitovaný systém lze poté použít k extrakci dat nebo zahájení útoků na ostatní systémy v síti. Pomocí AI mohou nástroje vyzkoušet různé útoky a četné kombinace hesel pro získání přístupu. Poté mohou také pomocí algoritmů najít slabé vzorce nebo trendy, které by mohly být ohroženy.

Fáze 4: Zachování přístupu

Čtvrtou fází je udržování přístupu k ohroženému systému. Pomocí AI mohou nástroje vyhledávat známé nebo neznámé zadní vrátka, šifrované kanály a sledovat účty a protokoly, aby mohly detekovat a hlásit podezřelé nebo neoprávněné aktivity. Například nový účet správce nebo kanál pro přístup k síti může směřovat ke kompromitovanému systému a / nebo neoprávněnému přístupu.

Fáze 5: Analýza a podávání zpráv

Poslední fází je testování, zda neautorizovaná entita může pokrýt stopy, tj. Odstranit historii a protokoly z vašich systémů, což znemožňuje detekovat útoky. Pomocí AI mohou nástroje detekovat skrytá zadní vrátka, neoprávněné koncové body přístupu atd. Tyto nástroje také mohou lépe analyzovat chybové zprávy a systémové protokoly a vyhledávat chyby, chybějící položky nebo jiné podezřelé aktivity. Nakonec je tato analýza vložena do snadno čitelné zprávy s podrobnými údaji o úplných výsledcích testu cíle.