Ako možno viete, moderná softvérová architektúra funguje oveľa lepšie ako kedykoľvek predtým. Je nepochybne prispôsobivejší, dátovo náročnejší a rýchlejší ako jeho predchodcovia. Je však skutočnou výzvou - najmä v modernej dobe - chrániť rovnaký softvér pred online hrozbami (tiež známymi ako kybernetické útoky). Pretože softvérové ​​systémy v dnešnej dobe napájajú všetko - od mobilných zariadení po bezpečnostné kamery, od inteligentných automobilov po inteligentné domácnosti a od výrobných závodov po jadrové elektrárne, moderný softvér je príliš dôležitý na to, aby došlo k jeho porušeniu alebo hacknutiu.

Napríklad jadrová elektráreň v indickom Kudankulame bola napadnutá v októbri 2019. Pri útoku bol použitý malvér naprogramovaný na extrakciu dát, ale interná sieť elektrárne bola, našťastie, nekompromisná. Ak by malvér mohol narušiť vnútornú sieť, mohol by ukradnúť dôležité údaje o elektrárni, a tak narušiť kritickú infraštruktúru krajiny. Okrem toho, ak by cieľom útoku bolo prevziať kontrolu nad elektrárňou a bol by úspešný v jej pláne, mohol by jej ovládnutím spôsobiť obrovské škody.

Našťastie nedošlo k žiadnym kritickým škodám. India – alebo ktorákoľvek iná krajina v tomto prípade – však v budúcnosti nemusí mať také šťastie. To je dôvod, prečo sa moderný softvér musí vyvíjať od základov s ohľadom na jeho bezpečnosť. Taktiež sa musí pravidelne testovať na bezpečnostné chyby a zraniteľnosti. Testovanie bezpečnosti aplikácií je však nákladný proces, a preto je automatizované testovanie nevyhnutnosťou . Medzi stratégiami automatizovaného testovania je jedným z najbežnejších a najúčinnejších riešení automatizované penetračné testovanie.

Automatizované testovanie prieniku

Týka sa procesu automatického spúšťania simulovaných útokov na sieť alebo systém s cieľom zistiť chyby zabezpečenia a slabé miesta. Cieľom je nájsť zraniteľné miesta a opraviť ich skôr, ako sa o nich zločinci dozvedia a budú ich využívať. Spravidla je súčasťou úplného auditu kybernetickej bezpečnosti, ktorý sa môže vyžadovať z dôvodu súladu a právnych dôvodov. Napríklad PCI DSS (Payment Card Industry Data Security Standard) žiada organizácie, aby pravidelne testovali testovanie.

Automatizované penetračné testovanie sa vykonáva pomocou softvéru , na rozdiel od manuálneho penetračného testovania, ktoré vykonávajú experti na kybernetickú bezpečnosť. Keďže ho vykonáva softvér, je obmedzený rozsahom daného softvéru, ktorý je obmedzený znalosťami a zručnosťami bezpečnostných profesionálov, ktorí softvér navrhujú. Navyše sa ukazuje ako menej účinný proti novým hrozbám, pretože identifikuje alebo testuje iba známe zraniteľnosti, čo ho robí neúčinným proti neznámym.

„ Tu prichádza na rad umelá inteligencia – automatizácia, ktorú je možné dosiahnuť prostredníctvom umelej inteligencie, by mohla značne uľahčiť konzistentné a rozsiahle vykonávanie penetračného testovania. To by následne pomohlo organizáciám riešiť otázky zručností aj kultúry a brať ich stratégie kybernetickej bezpečnosti vážne, “ napísal Packt Hub . Umelá inteligencia pomáha škálovať automatizovaný proces penetračného testovania a zároveň vylepšuje jeho funkcie skenovania neznámych zraniteľností.

Umelá inteligencia a jej dopad

S pokrokom umelej inteligencie v posledných desaťročiach sa odborníci na automatizáciu a počítačoví vedci snažia automatizovať všetko, pričom technológie kybernetickej obrany nie sú výnimkou. Napríklad existuje veľa automatizovaných nástrojov, ktoré dopĺňajú penetračné testovacie nástroje na poskytovanie inteligentných správ. Tieto automatizované riešenia majú niekoľko základných schopností umelej inteligencie, ale vďaka prebiehajúcemu výskumu a otvoreným súťažiam sa postupne rozrastajú.

Napríklad Cyber ​​Grand Challenge 2016 - súťaž sponzorovaná DARPA - vyzvala ľudí, aby stavali a súťažili s hackerskými robotmi. Títo umelo inteligentní roboti vykonávajú penetračné testy na vyhľadávanie a opravu bezpečnostných chýb skôr, ako ich konkurenčné tímy dokážu zneužiť. Jeho víťaz - známy ako Mayhem - mohol vyhľadávať, opravovať a hľadať narušenia v jeho hostiteľskom systéme a zároveň hľadať a využívať bezpečnostné chyby v konkurenčných systémoch.

Umelá inteligencia teda pomáha zvyšovať efektívnosť riešení kybernetickej obrany - najmä riešení penetračného testovania. Dôvodom je to, že pomáha zlepšovať rôzne fázy automatizovaného penetračného testovania, ako je opísané nižšie.

Fáza 1: Plánovanie

Prvá etapa - plánovanie a prieskum - je zhromažďovanie informácií o cieli. Vyžaduje si to veľa zdrojov, pretože čím viac informácií zhromaždíte, tým väčšia je šanca na úspech. V tejto fáze použitie AI pomáha poskytovať lepšie výsledky s menším počtom zdrojov. AI spolu s počítačovým videním a spracovaním prirodzeného jazyka môže pomôcť vytvoriť kompletný profil o cieľovej organizácii a jej zamestnancoch, sieti, správnom postavení atď.

Fáza 2: Skenovanie

Druhá etapa žiada komplexné pokrytie cieľových systémov. To znamená, že musíte vyhľadať stovky, ak nie tisíce počítačov a iných zariadení, a analyzovať výsledky. Pomocou AI je možné nástroje vylepšiť tak, aby inteligentne skenovali zariadenia a zhromažďovali požadované výsledky, čo zjednodušuje proces analýzy.

Fáza 3: Získanie prístupu

Tretia etapa je získanie prístupu do jednej z cieľových sietí alebo systémov. Tento kompromitovaný systém možno potom použiť na extrakciu údajov alebo na začatie útokov na iné systémy v sieti. Pomocou AI môžu nástroje vyskúšať rôzne útoky a početné kombinácie hesiel na získanie prístupu. Potom môžu tiež pomocou algoritmov nájsť slabé vzorce alebo trendy, ktoré by mohli byť ohrozené.

Fáza 4: Udržiavanie prístupu

Štvrtou etapou je udržanie prístupu k napadnutému systému. Pomocou AI môžu nástroje vyhľadávať známe alebo neznáme zadné vrátka, šifrované kanály a sledovať účty a protokoly, aby zistili a hlásili podozrivé alebo neoprávnené činnosti. Napríklad nový účet správcu alebo kanál prístupu do siete môže smerovať k narušenému systému a / alebo neoprávnenému prístupu.

Fáza 5: Analýza a vykazovanie

Poslednou fázou je testovanie, či neoprávnená entita dokáže pokryť stopy, tj. Odstrániť históriu a protokoly z vašich systémov, čo znemožňuje detekciu útokov. Pomocou AI môžu nástroje detekovať skryté zadné vrátka, neoprávnené prístupové koncové body atď. Tieto nástroje tiež môžu lepšie analyzovať chybové správy a systémové protokoly a vyhľadať chyby, chýbajúce záznamy alebo iné podozrivé aktivity. Na záver sa táto analýza umiestni do ľahko čitateľnej správy s podrobnými údajmi o úplných výsledkoch testu cieľa.