Som du måske ved, fungerer moderne softwarearkitektur langt bedre end nogensinde. Det er uden tvivl mere tilpasningsdygtigt, dataintensivt og hurtigt end dets forgængere. Det er dog en reel udfordring - især i moderne tid - at beskytte den samme software mod onlinetrusler (også kendt som cyberangreb). Da softwaresystemer driver alt i dag - fra mobile enheder til sikkerhedskameraer, fra smarte biler til smarte hjem og fra produktionsanlæg til atomkraftværker, er moderne software for afgørende til at blive brudt eller hacket.

For eksempel blev et atomkraftværk i Kudankulam, Indien hacket i oktober 2019. Angrebet brugte en malware programmeret til dataudvinding, men anlæggets interne netværk var heldigvis kompromisløst. Hvis malware kunne have brudt det interne netværk, kunne det have stjålet vigtige data om kraftværket og dermed trænge ind i landets kritiske infrastruktur. Desuden, hvis angrebet havde til formål at tage kontrol over kraftværket og havde haft succes i dets plan, kunne det have gjort enorme skader ved at overmande anlægget.

Heldigvis skete der ingen kritisk skade. Indien – eller i så fald noget andet land – er dog muligvis ikke så heldig i fremtiden. Det er grunden til, at moderne software skal bygges fra bunden med dens sikkerhed i tankerne. Den skal også regelmæssigt testes for sikkerhedsfejl og sårbarheder. Test af applikationssikkerhed er dog en dyr proces, og derfor er automatiseret testning et vigtigt behov . Blandt de automatiserede teststrategier er en af ​​de mest almindelige og effektive løsninger kendt som automatiseret penetrationstestning.

Automatiseret penetrationstest

Henviser til processen med at starte simulerede angreb på et netværk eller system automatisk for at finde sikkerhedsfejl og sårbarheder. Målet er at finde sårbarhederne og rette dem, inden cyberkriminelle lærer om og udnytter dem. Det er normalt en del af en komplet cybersikkerhedsrevision, som kan være påkrævet af overholdelse og juridiske årsager. For eksempel beder PCI DSS (Payment Card Industry Data Security Standard) organisationer om at udføre pentesting efter en regelmæssig tidsplan.

Automatiseret pentestning udføres ved hjælp af software , i modsætning til manuel penetrationstestning, som udføres af cybersikkerhedseksperter. Da den udføres af software, er den begrænset af omfanget af den givne software, som er begrænset af den viden og de færdigheder, som sikkerhedsprofessionelle, der designer softwaren, har. Desuden viser den sig mindre effektiv mod nye trusler, da den kun identificerer eller tester for kendte sårbarheder, hvilket gør den ineffektiv mod ukendte.

" Det er her, kunstig intelligens kommer ind i billedet – den automatisering, man kan opnå gennem kunstig intelligens, kan meget vel bidrage til at gøre pentesting meget nemmere at udføre konsekvent og i stor skala. Dette vil til gengæld hjælpe organisationer med at tackle både spørgsmål om færdigheder og kultur og tage deres cybersikkerhedsstrategier alvorligt, " skrev Packt Hub . Kunstig intelligens hjælper med at skalere den automatiserede pentestproces, samtidig med at den forbedrer dens scanningsfunktioner for ukendte sårbarheder.

Kunstig intelligens og dens virkning

Med udviklingen af ​​kunstig intelligens i de seneste årtier forsøger automatiseringseksperter og computerforskere at automatisere alt med cyberforsvarsteknologier, der ikke er nogen undtagelse. For eksempel er der mange automatiserede værktøjer, der supplerer penetrationstestværktøjer til at levere intelligente rapporter. Disse automatiserede løsninger har nogle grundlæggende muligheder for kunstig intelligens, men den vokser gradvist takket være løbende forskning og åbne konkurrencer.

For eksempel udfordrede Cyber ​​Grand Challenge 2016 - en DARPA-sponsoreret konkurrence - folk til at opbygge og konkurrere med hackingbots. Disse kunstigt intelligente bots udfører penetrationstest for at søge efter og patch sikkerhedssårbarheder, før de konkurrerende hold kunne udnytte dem. Dens vinder - kendt som Mayhem - kunne finde, rette og lede efter indtrængen i sit værtssystem, mens han fandt og udnyttede sikkerhedssårbarheder i konkurrencedygtige systemer.

Når det er sagt, hjælper kunstig intelligens med at forbedre effektiviteten af ​​cyberforsvarsløsninger - især penetrationstestløsninger. Årsagen er, at det hjælper med at forbedre forskellige faser af automatiseret penetrationstest som beskrevet nedenfor.

Trin 1: Planlægning

Den første fase - planlægning og rekognoscering - er at indsamle information om målet. Og det tager mange ressourcer, da jo flere oplysninger du indsamler, jo større chance har du for at få succes. På dette stadium hjælper AI med at give bedre resultater med mindre mængde ressourcer. AI sammen med Computer Vision og Natural Language Processing kan hjælpe med at opbygge en komplet profil om målorganisationen og dens medarbejdere, netværk, sikkerhedsstilling osv.

Trin 2: Scanning

Den anden fase beder om omfattende dækning af målsystemerne. Det vil sige, du skal scanne efter hundreder, hvis ikke tusinder af computere og andre enheder og analysere resultaterne. Ved hjælp af AI kan værktøjerne finjusteres for at scanne enhederne intelligent og samle de krævede resultater, hvilket forenkler analyseprocessen.

Trin 3: Få adgang

Den tredje fase er at få adgang til et af målnetværkerne eller -systemerne. Dette kompromitterede system kan derefter bruges til at udtrække data eller starte angreb på de andre systemer i netværket. Ved hjælp af AI kan værktøjerne prøve en række angreb og adskillige adgangskodekombinationer for at få adgang. Derefter kan de også bruge algoritmer til at finde svage mønstre eller tendenser, der kan blive kompromitteret.

Trin 4: Opretholdelse af adgang

Den fjerde fase er opretholdelse af adgangen til det kompromitterede system. Ved hjælp af AI kan værktøjerne søge efter kendte eller ukendte bagdøre, krypterede kanaler og holde øje med konti og logfiler for at opdage og rapportere mistænkelige eller uautoriserede aktiviteter. For eksempel kan en ny administratorkonto eller netværksadgangskanal vende mod et kompromitteret system og / eller uautoriseret adgang.

Trin 5: Analyse og rapportering

Den sidste fase er at teste, om en uautoriseret enhed kan dække spor, dvs. slette historik og logfiler fra dine systemer, hvilket gør det umuligt at opdage angreb. Ved hjælp af AI kan værktøjerne registrere skjulte bagdøre, uautoriserede slutpunkter osv. Disse værktøjer kan også bedre analysere fejlmeddelelser og systemlogfiler for at finde fejl, manglende poster eller andre mistænkelige aktiviteter. Endelig er denne analyse sat på en letlæselig rapport, der beskriver de komplette testresultater af målet.