Kao što možda znate, moderna softverska arhitektura djeluje puno bolje nego ikad. Bez sumnje je prilagodljiviji, intenzivniji i brži od svojih prethodnika. Međutim, pravi je izazov - posebno u moderno doba - zaštititi isti softver od mrežnih prijetnji (poznatih i kao kibernetaci). Budući da softverski sustavi danas pokreću sve - od mobilnih uređaja do sigurnosnih kamera, od pametnih automobila do pametnih domova i od proizvodnih pogona do nuklearnih elektrana, moderni softver previše je važan da bi se mogao provaliti ili hakirati.

Primjerice, nuklearna elektrana u Kudankulamu u Indiji hakirana je u listopadu 2019. U napadu je korišten zlonamjerni softver programiran za izdvajanje podataka, ali interna mreža elektrane, na sreću, nije bila kompromitirana. Ako je zlonamjerni softver mogao probiti internu mrežu, mogao je ukrasti ključne podatke o elektrani, upadajući tako u kritičnu infrastrukturu zemlje. Štoviše, da je cilj napada bio preuzimanje kontrole nad elektranom i da je bio uspješan u svom naumu, mogao bi nanijeti ogromnu štetu svladavanjem elektrane.

Srećom, nije bilo kritične štete. Međutim, Indija - ili bilo koja zemlja u tom slučaju - možda neće biti te sreće u budućnosti. To je razlog zašto se moderni softver mora graditi od temelja imajući na umu njegovu sigurnost. Također, mora se redovito testirati na sigurnosne greške i ranjivosti. Međutim, testiranje sigurnosti aplikacija skup je proces i stoga je automatizirano testiranje potreba vremena . Među strategijama automatiziranog testiranja, jedno od najčešćih i najučinkovitijih rješenja poznato je kao automatizirano testiranje penetracije.

Automatizirano ispitivanje penetracije

Odnosi se na postupak automatskog pokretanja simuliranih napada na mrežu ili sustav za pronalaženje sigurnosnih grešaka i ranjivosti. Cilj je pronaći ranjivosti i popraviti ih prije nego što ih cyber kriminalci saznaju i iskoriste. Obično je dio cjelovite revizije kibernetičnosti, koja može biti potrebna zbog usklađenosti i pravnih razloga. Na primjer, PCI DSS (Standard za zaštitu podataka industrije platnih kartica) traži od organizacija da izvrše testiranje po redovnom rasporedu.

Automatizirano testiranje prodiranja provodi se pomoću softvera , za razliku od ručnog testiranja prodiranja koje provode stručnjaci za kibernetičku sigurnost. Budući da se provodi pomoću softvera, ograničeno je opsegom danog softvera, koji je ograničen znanjem i vještinama sigurnosnih stručnjaka koji dizajniraju softver. Štoviše, pokazalo se manje učinkovitim za nove prijetnje jer identificira ili testira samo poznate ranjivosti, što ga čini neučinkovitim protiv nepoznatih.

„ Tu nastupa umjetna inteligencija – automatizacija koju možete postići umjetnom inteligencijom mogla bi znatno olakšati dosljedno i masovno provođenje penetracijskog testiranja. To bi zauzvrat pomoglo organizacijama da se pozabave pitanjima vještina i kulture te da ozbiljno shvate svoje strategije kibernetičke sigurnosti “, napisao je Packt Hub . Umjetna inteligencija pomaže u skaliranju automatiziranog procesa penetracijskog testiranja, a istovremeno poboljšava njegove značajke skeniranja za nepoznate ranjivosti.

Umjetna inteligencija i njezin utjecaj

S napretkom umjetne inteligencije u posljednjim desetljećima, stručnjaci za automatizaciju i računalni znanstvenici pokušavaju sve automatizirati s tim da tehnologije cyber-obrane nisu iznimka. Na primjer, postoje mnogi automatizirani alati koji nadopunjuju alate za ispitivanje penetracije za pružanje inteligentnih izvještaja. Ova automatizirana rješenja imaju neke osnovne mogućnosti umjetne inteligencije, ali ona postupno raste, zahvaljujući stalnim istraživanjima i otvorenim natjecanjima.

Na primjer, Cyber ​​Grand Challenge 2016. - natjecanje pod pokroviteljstvom DARPA-e - izazvalo je ljude da grade i natječu se s hakerskim botovima. Ovi umjetno inteligentni botovi provode penetracijsko testiranje kako bi tražili i popravili sigurnosne ranjivosti prije nego što bi ih konkurentski timovi mogli iskoristiti. Njegov pobjednik - poznat kao Mayhem - mogao je pronaći, popraviti i tražiti upade u svoj host sustav dok je pronalazio i iskorištavao sigurnosne ranjivosti na konkurentnim sustavima.

Usprkos tome, umjetna inteligencija pomaže poboljšati učinkovitost rješenja za kibernetsku obranu - posebno rješenja za testiranje penetracije. Razlog tome je što pomaže u poboljšanju različitih faza automatskog ispitivanja penetracije kako je opisano u nastavku.

Faza 1: planiranje

Prva faza - planiranje i izviđanje - je prikupljanje podataka o cilju. A potrebno je puno resursa jer što više informacija prikupite, to više šanse imate za uspjeh. U ovoj fazi upotreba AI pomaže u postizanju boljih rezultata s manje sredstava. AI zajedno s Computer Visionom i obradom prirodnog jezika može pomoći u stvaranju cjelovitog profila o ciljnoj organizaciji i njezinim zaposlenicima, mreži, sigurnosnom držanju itd.

Faza 2: Skeniranje

Druga faza traži sveobuhvatno pokrivanje ciljnih sustava. Odnosno, morate skenirati stotine, ako ne i tisuće računala i drugih uređaja, te analizirati rezultate. Koristeći AI, alati se mogu doraditi za inteligentno skeniranje uređaja i prikupljanje potrebnih rezultata, pojednostavljujući postupak analize.

Faza 3: Pristup

Treća faza je dobivanje pristupa jednoj od ciljnih mreža ili sustava. Taj se ugroženi sustav tada može koristiti za izdvajanje podataka ili pokretanje napada na druge sustave u mreži. Koristeći AI, alati mogu isprobati razne napade i brojne kombinacije lozinki za dobivanje pristupa. Zatim, također mogu koristiti algoritme za pronalaženje slabih obrazaca ili trendova koji mogu biti ugroženi.

Faza 4: Održavanje pristupa

Četvrta faza je održavanje pristupa ugroženom sustavu. Koristeći AI, alati mogu tražiti poznate ili nepoznate backdoor-ove, šifrirane kanale i paziti na račune i zapisnike kako bi otkrili i prijavili sumnjive ili neovlaštene aktivnosti. Na primjer, novi administratorski račun ili mrežni pristupni kanal mogu usmjeravati prema ugroženom sustavu i / ili neovlaštenom pristupu.

Faza 5: Analiza i izvještavanje

Posljednja faza je ispitivanje može li neovlašteni entitet pokriti tragove, tj. Izbrisati povijest i zapisnike sa svojih sustava, što onemogućava otkrivanje napada. Koristeći AI, alati mogu otkriti skrivene pozadine, krajnje točke neovlaštenog pristupa itd. Također, ti alati mogu bolje analizirati poruke o pogreškama i zapisnike sustava kako bi pronašli pogreške, nedostajuće unose ili druge sumnjive aktivnosti. Konačno, ova je analiza stavljena na lako čitljivo izvješće s detaljima o cjelovitim rezultatima ispitivanja cilja.