Som du kanskje vet, fungerer moderne programvarearkitektur langt bedre enn noen gang. Det er uten tvil mer tilpasningsdyktig, datakrevende og rask enn forgjengerne. Imidlertid er det en reell utfordring - spesielt i moderne tid - å beskytte den samme programvaren mot online trusler (også kjent som nettangrep). Siden programvaresystemer driver alt i dag - fra mobile enheter til sikkerhetskameraer, fra smarte biler til smarte hjem og fra produksjonsanlegg til atomkraftverk, er moderne programvare for viktig til å bli brutt eller hacket.

For eksempel ble et atomkraftverk i Kudankulam, India hacket i oktober 2019. Angrepet brukte skadelig programvare programmert for datautvinning, men anleggets interne nettverk var heldigvis kompromissløst. Hvis skadelig programvare kunne ha brutt det interne nettverket, kunne det ha stjålet viktige data om kraftverket, og dermed trengt inn i landets kritiske infrastruktur. Dessuten, hvis angrepet hadde som mål å ta kontroll over kraftverket og hadde vært vellykket i planen, kunne det ha gjort enorm skade ved å overmanne anlegget.

Heldigvis ble det ikke skjedd noen kritisk skade. India – eller i så fall et hvilket som helst land – er kanskje ikke like heldig i fremtiden. Det er grunnen til at moderne programvare må bygges fra grunnen av med sikkerheten i tankene. Den må også testes regelmessig for sikkerhetsfeil og sårbarheter. Imidlertid er testing av applikasjonssikkerhet en kostbar prosess, og derfor er automatisert testing et presserende behov . Blant de automatiserte teststrategiene er en av de vanligste og mest effektive løsningene kjent som automatisert penetrasjonstesting.

Automatisert penetrasjonstesting

Viser til prosessen med å starte simulerte angrep på et nettverk eller system automatisk for å finne sikkerhetsfeil og sårbarheter. Målet er å finne sårbarhetene og fikse dem før nettkriminelle blir kjent med og utnytter dem. Det er vanligvis en del av en fullstendig cybersikkerhetsrevisjon, som kan være nødvendig av samsvar og juridiske grunner. For eksempel ber PCI DSS (Payment Card Industry Data Security Standard) organisasjoner om å utføre pentesting etter en vanlig tidsplan.

Automatisert penetrasjonstesting utføres ved hjelp av programvare , i motsetning til manuell penetrasjonstesting som utføres av cybersikkerhetseksperter. Siden den utføres av programvare, er den begrenset av omfanget av den gitte programvaren, som er begrenset av kunnskapen og ferdighetene til sikkerhetsekspertene som designer programvaren. Dessuten viser den seg å være mindre effektiv for nye trusler, siden den bare identifiserer eller tester for kjente sårbarheter, noe som gjør den ineffektiv mot ukjente.

« Det er her kunstig intelligens kommer inn i bildet – automatiseringen du kan oppnå gjennom kunstig intelligens kan bidra til å gjøre penetrasjonstesting mye enklere å gjøre konsekvent og i stor skala. Dette vil igjen hjelpe organisasjoner med å takle både ferdighets- og kulturproblemer, og ta sine nettsikkerhetsstrategier på alvor », skrev Packt Hub . Kunstig intelligens bidrar til å skalere den automatiserte penetrasjonstestingsprosessen samtidig som den forbedrer skannefunksjonene for ukjente sårbarheter.

Kunstig intelligens og dens innvirkning

Med fremgangen med kunstig intelligens de siste tiårene, prøver automatiseringseksperter og dataforskere å automatisere alt med nettforsvarsteknologi som intet unntak. For eksempel er det mange automatiserte verktøy som utfyller penetrasjonstestverktøy for å levere intelligente rapporter. Disse automatiserte løsningene har noen grunnleggende funksjoner for kunstig intelligens, men den vokser gradvis takket være pågående forskning og åpne konkurranser.

For eksempel utfordret Cyber ​​Grand Challenge 2016 - en DARPA-sponset konkurranse - folk til å bygge og konkurrere med hackingsroboter. Disse kunstig intelligente robotene utfører penetrasjonstesting for å søke etter og lappe sikkerhetsproblemer før de konkurrerende lagene kunne utnytte dem. Dens vinner - kjent som Mayhem - kunne finne, fikse og se etter inntrenging i vertssystemet mens det fant og utnyttet sikkerhetsproblemer i konkurransesystemer.

Når det er sagt, hjelper kunstig intelligens med å forbedre effektiviteten til cyberforsvarsløsninger - spesielt penetrasjonstestløsninger. Årsaken er at det bidrar til å forbedre ulike stadier av automatisert penetrasjonstesting som beskrevet nedenfor.

Trinn 1: Planlegging

Den første fasen - planlegging og rekognosering - er å samle informasjon om målet. Og det tar mange ressurser siden jo mer informasjon du samler, jo større sjanse har du til å bli vellykket. På dette stadiet hjelper bruk av AI å gi bedre resultater med mindre mengde ressurser. AI sammen med Computer Vision og Natural Language Processing kan bidra til å bygge en komplett profil om målorganisasjonen og dens ansatte, nettverk, sikkerhetsstilling, etc.

Trinn 2: Skanning

Den andre fasen ber om omfattende dekning av målsystemene. Det vil si at du må skanne etter hundrevis om ikke tusenvis av datamaskiner og andre enheter og analysere resultatene. Ved hjelp av AI kan verktøyene justeres for å skanne enhetene på en intelligent måte og samle de nødvendige resultatene, forenkle analyseprosessen.

Trinn 3: Få tilgang

Den tredje fasen er å få tilgang til et av målnettverkene eller systemene. Dette kompromitterte systemet kan deretter brukes til å trekke ut data eller starte angrep på de andre systemene i nettverket. Ved hjelp av AI kan verktøyene prøve ut en rekke angrep og mange passordkombinasjoner for å få tilgang. Deretter kan de også bruke algoritmer for å finne svake mønstre eller trender som kan komme i fare.

Trinn 4: Opprettholde tilgang

Den fjerde fasen er å opprettholde tilgangen til det kompromitterte systemet. Ved hjelp av AI kan verktøyene lete etter kjente eller ukjente bakdører, krypterte kanaler og holde øye med kontoer og logger for å oppdage og rapportere mistenkelige eller uautoriserte aktiviteter. For eksempel kan en ny administratorkonto eller nettverkstilgangskanal rette mot et kompromittert system og / eller uautorisert tilgang.

Trinn 5: Analyse og rapportering

Den siste fasen er å teste om en uautorisert enhet kan dekke spor, dvs. slette historie og logger fra systemene dine, noe som gjør det umulig å oppdage angrep. Ved hjelp av AI kan verktøyene oppdage skjulte bakdører, uautoriserte tilgangspunkter osv. Disse verktøyene kan også bedre analysere feilmeldinger og systemlogger for å finne feil, manglende oppføringer eller andre mistenkelige aktiviteter. Til slutt legges denne analysen på en lettlest rapport som beskriver de fullstendige testresultatene til målet.