Zoals u wellicht weet, werkt moderne software-architectuur veel beter dan ooit. Het is ongetwijfeld meer aanpasbaar, data-intensief en sneller dan zijn voorgangers. Het is echter een echte uitdaging - vooral in de moderne tijd - om dezelfde software te beschermen tegen online bedreigingen (ook wel cyberaanvallen genoemd). Aangezien softwaresystemen tegenwoordig alles aandrijven - van mobiele apparaten tot flitspalen, van slimme auto's tot slimme huizen, en van fabrieken tot kerncentrales, is moderne software te cruciaal om te worden gehackt of gehackt.

Zo werd in oktober 2019 een kerncentrale in Kudankulam, India gehackt. Bij de aanval werd gebruik gemaakt van malware die was geprogrammeerd voor data-extractie, maar het interne netwerk van de centrale was gelukkig onaangetast. Als de malware het interne netwerk had kunnen binnendringen, had het cruciale gegevens over de energiecentrale kunnen stelen en zo de kritieke infrastructuur van het land kunnen binnendringen. Bovendien, als de aanval tot doel had de controle over de energiecentrale over te nemen en succesvol was geweest in zijn plan, had hij enorme schade kunnen aanrichten door de centrale te overmeesteren.

Gelukkig is er geen ernstige schade aangericht. India – of welk land dan ook – heeft in de toekomst echter mogelijk niet zoveel geluk. Daarom moet moderne software vanaf het begin met beveiliging in gedachten worden ontwikkeld. Bovendien moet deze regelmatig worden getest op beveiligingsfouten en kwetsbaarheden. Het testen van applicatiebeveiliging is echter een kostbaar proces, waardoor geautomatiseerd testen onmisbaar is geworden . Een van de meest gangbare en effectieve strategieën voor geautomatiseerd testen is geautomatiseerd penetratietesten.

Geautomatiseerde penetratietesten

Verwijst naar het proces waarbij gesimuleerde aanvallen op een netwerk of systeem automatisch worden gestart om beveiligingsbugs en kwetsbaarheden te vinden. Het doel is om de kwetsbaarheden te vinden en op te lossen voordat cybercriminelen ze te weten komen en ze misbruiken. Het maakt meestal deel uit van een volledige cyberbeveiligingsaudit, die mogelijk vereist is om nalevings- en juridische redenen. Zo vraagt ​​PCI DSS (Payment Card Industry Data Security Standard) organisaties om regelmatig pentesten uit te voeren.

Geautomatiseerde penetratietests worden uitgevoerd met behulp van software , in tegenstelling tot handmatige penetratietests die worden uitgevoerd door cybersecurity-experts. Omdat het door software wordt gedaan, is het beperkt door de mogelijkheden van de software, die op hun beurt beperkt zijn door de kennis en vaardigheden van de beveiligingsprofessionals die de software ontwerpen. Bovendien is het minder effectief tegen nieuwe bedreigingen, omdat het alleen bekende kwetsbaarheden identificeert of test, waardoor het niet effectief is tegen onbekende bedreigingen.

“ Hier komt kunstmatige intelligentie om de hoek kijken – de automatisering die je met kunstmatige intelligentie kunt bereiken, kan het uitvoeren van penetratietesten aanzienlijk vereenvoudigen en consistent en op grote schaal mogelijk maken. Dit zou organisaties helpen om zowel problemen met vaardigheden als met de bedrijfscultuur aan te pakken en hun cybersecuritystrategieën serieus te nemen ”, schreef Packt Hub . Kunstmatige intelligentie helpt bij het schalen van het geautomatiseerde penetratietestproces en verbetert tegelijkertijd de scanmogelijkheden voor onbekende kwetsbaarheden.

Kunstmatige intelligentie en de impact ervan

Met de vooruitgang van kunstmatige intelligentie in de afgelopen decennia proberen automatiseringsexperts en computerwetenschappers alles te automatiseren, waarbij cyberverdedigingstechnologieën geen uitzondering zijn. Er zijn bijvoorbeeld veel geautomatiseerde tools die een aanvulling vormen op penetratietesttools voor het leveren van intelligente rapporten. Deze geautomatiseerde oplossingen hebben enkele basiscapaciteiten voor kunstmatige intelligentie, maar groeien geleidelijk dankzij lopend onderzoek en open competities.

Cyber ​​Grand Challenge 2016, een door DARPA gesponsorde wedstrijd, daagde mensen bijvoorbeeld uit om hackbots te bouwen en ermee te concurreren. Deze kunstmatig intelligente bots voeren penetratietests uit om beveiligingsproblemen op te sporen en op te lossen voordat de concurrerende teams ze kunnen misbruiken. De winnaar - bekend als Mayhem - kon inbraken op zijn hostsysteem vinden, repareren en zoeken, terwijl hij beveiligingsproblemen op concurrerende systemen vond en uitbuitte.

Dat gezegd hebbende, helpt kunstmatige intelligentie de efficiëntie van cyberdefensieoplossingen te verbeteren, met name oplossingen voor penetratietesten. De reden hiervoor is dat het helpt bij het verbeteren van verschillende stadia van geautomatiseerde penetratietesten, zoals hieronder beschreven.

Fase 1: Plannen

De eerste fase - planning en verkenning - is het verzamelen van informatie over het doelwit. En het kost veel middelen, want hoe meer informatie je verzamelt, hoe meer kans je hebt om succesvol te worden. In dit stadium zorgt het gebruik van AI voor betere resultaten met minder middelen. AI kan samen met Computer Vision en Natural Language Processing helpen een compleet profiel op te bouwen over de doelorganisatie en haar werknemers, netwerk, beveiligingshouding, enz.

Fase 2: Scannen

De tweede fase vraagt ​​om een ​​uitgebreide dekking van de doelsystemen. Dat wil zeggen, u moet naar honderden, zo niet duizenden computers en andere apparaten scannen en de resultaten analyseren. Met behulp van AI kunnen de tools worden aangepast om de apparaten intelligent te scannen en de vereiste resultaten te verzamelen, waardoor het analyseproces wordt vereenvoudigd.

Fase 3: Toegang verkrijgen

De derde fase is het verkrijgen van toegang tot een van de doelnetwerken of -systemen. Dit gecompromitteerde systeem kan vervolgens worden gebruikt om gegevens te extraheren of aanvallen uit te voeren op de andere systemen in het netwerk. Met behulp van AI kunnen de tools verschillende aanvallen en talloze wachtwoordcombinaties uitproberen om toegang te krijgen. Vervolgens kunnen ze ook algoritmen gebruiken om zwakke patronen of trends te vinden die in gevaar kunnen komen.

Fase 4: Toegang behouden

De vierde fase is het behouden van toegang tot het gecompromitteerde systeem. Met behulp van AI kunnen de tools zoeken naar bekende of onbekende achterdeuren, versleutelde kanalen en accounts en logboeken in de gaten houden om verdachte of ongeautoriseerde activiteiten te detecteren en te melden. Een nieuw beheerdersaccount of netwerktoegangskanaal kan bijvoorbeeld verwijzen naar een gecompromitteerd systeem en/of ongeautoriseerde toegang.

Fase 5: Analyse en rapportage

De laatste fase is het testen of een niet-geautoriseerde entiteit sporen kan afdekken, dwz geschiedenis en logs van uw systemen kunnen verwijderen, waardoor het onmogelijk wordt om aanvallen te detecteren. Met behulp van AI kunnen de tools verborgen achterdeuren, ongeautoriseerde toegangspunten, enz. detecteren. Ook kunnen deze tools foutmeldingen en systeemlogboeken beter analyseren om fouten, ontbrekende vermeldingen of andere verdachte activiteiten te vinden. Ten slotte wordt deze analyse op een gemakkelijk leesbaar rapport gezet met de volledige testresultaten van het doelwit.