Cybersecurity neu gedacht Mit Deep-Learning die IT-Sicherheit auf ein neues Niveau heben

Autor / Redakteur: Kevin Börner / Peter Schmitz

Cyber-Kriminelle werden immer schlauer und nutzen zunehmend fortschrittlichere Angriffstechniken, die selbst die raffiniertesten Abwehrmechanismen überwinden. Traditionelle Erkennungs- und Reaktionssysteme reichen nicht mehr aus. Hinzu kommt die neue Geißel in der Business-Welt: Ransomware. Zuwachsraten in dreistelliger Höhe sind in den letzten zwei Jahren zu verzeichnen. Interessant ist dabei, dass vermehrt mittelständische Unternehmen in den Fokus rücken und immer beliebtere Angriffsziele werden.

Firmen zum Thema

Deep Learning hat das Potential, Cybersecurity auf ein neues Niveau zu heben, und effektiven Schutz grundlegend zu verbessern.
Deep Learning hat das Potential, Cybersecurity auf ein neues Niveau zu heben, und effektiven Schutz grundlegend zu verbessern.
(© ibravery - stock.adobe.com)

Ransomware-Angriffe im Monatsvergleich zwischen Januar 2020 und Juni 2021.
Ransomware-Angriffe im Monatsvergleich zwischen Januar 2020 und Juni 2021.
(Bild: Deep Instinct)

In der neuen Studie „Voice of SecOps Report“ von Deep Instinct, in der rund 600 IT- und Cybersecurity-Fachleuten befragt wurden, gaben mit 52 Prozent mehr als die Hälfte der Befragten Ransomware oder Zero-Day-Angriffe als die größten Bedrohungen für ihr Unternehmen an. Von der Cyberattacke auf die Colonial Pipeline bis hin zu kritischen Infrastrukturen wie eine Zunahme von Angriffen auf Krankenhäuser – Ransomware ist zu einem immensen globalen Problem geworden, so der Tenor der Studie.

64 Prozent der Befragten gaben als wesentliche Ursache an, dass IT-Sicherheitspersonal zunehmend nicht mehr in der Lage sei, mit der hohen Frequenz von Cybersicherheitsbedrohungen Schritt zu halten. Diese Realität wird durch die Tatsache verstärkt, dass die Befragten angeben, allein etwa 10 Stunden pro Woche mit der Bewertung von falschen Fehlermeldungen, sprich „False Positive"-Warnungen zu verbringen. 69 Prozent der Befragten befürchten zudem, dass die Arbeitsmoral der Mitarbeiter aufgrund der überwältigenden Anzahl von „False Positive"-Warnungen zu sinken drohe. Darüber hinaus geben 80 Prozent der Befragten an, zu viel Zeit aufwenden zu müssen, sich mit zeitaufwändigen Sicherheits-Patches und -Updates zu beschäftigen, statt die Sicherheitsstrategie ihrer Organisation effizient weiterzuentwickeln. Zeit also, dass sich was ändert? Zeit, sich mit neuen wirkungsvollen Methoden zu beschäftigen.

Deep Learning – die neue DNA der Cybersecurity?

Unternehmen aller Branchen benötigen einen zuverlässigen, automatisierten und zeitnahen Schutz, der Schäden verhindert und Unternehmen wertvolle Zeit sowie Geld spart. Laut 86 Prozent der Befragten werden die von Data Science (KI/Machine Learning/Deep Learning) angetriebenen Tools einen erheblichen Einfluss auf die Verhinderung unbekannter Bedrohungen und die Reduzierung von Fehlalarmen haben. Geht man noch einen Schritt weiter, stimmen fast drei Viertel der Befragten zu, dass die Automatisierung der Cybersicherheit die einzige Möglichkeit für ihr Unternehmen ist, Cyberbedrohungen zu begegnen. Hier setzt Deep Learning an. Das Prinzip Deep Learning ist eine spezielle Methode der Informationsverarbeitung und funktioniert analog zur Lernfähigkeit des menschlichen Gehirns. Das Gehirn lernt ständig dazu und diese Lernprozesse werden vom Körper verinnerlicht. Je mehr Rohdaten in die Maschine eingespeist werden, desto besser ist sie in der Lage, die Kausalitäten der neuen Daten zu zu ordnen und dann intuitiv zu verstehen.

Die Vorteile von Deep Learning:

Unabhängigkeit von (ungenauen) menschlichen Annahmen

  • Zufallsunabhängige und vorausschauende Algorithmen sind in der Lage Bedrohungen in einer bisher unerreichten Effizienz zu erkennen
  • Analyse von Rohdaten und Attributen ermöglicht die Erkennung bisher unbekannter Bedrohungen
  • Großes neuronales Netzwerk, trainiert auf Basis hunderter Millionen Dateien kombiniert mit geringstem technischen Bedarf an Bandbreite (CPU)

Mehr als AI-basiertes maschinelles Lernen

Cybersicherheitsunternehmen nutzen bisher konventionelle Technologien, wie beispielsweise maschinelles Lernen (ML), zur Erkennung und Abwehr von Angriffen. ML ist dabei allerdings auf die zum Training verwendeten und festgelegten Merkmale (Features) angewiesen. Deep Learning hingegen kommt ohne die Auswahl und Klassifizierung bestimmter Features aus. Die Modelle verarbeiten 100 Prozent der Rohdaten ohne menschliches qualifizieren relevanter Eigenschaften. Deep Learning beschleunigt so den Erkennungsprozess rapide und ist in der Lage, bekannte und unbekannte Angriffe in weniger als 20ms vorherzusagen, zu identifizieren und effektiv zu verhindern. Ein weiterer immenser Vorteil ist die signifikante Reduzierung von False Positives auf unter 0,1 Prozent. False Positives bedeuten in der Regel, dass der Betrieb durch die Quarantänisierung oder Blockade der betroffenen Daten gestoppt wird. Dann muss erst festgestellt werden, dass es sich um einen blinden Alarm gehandelt hat, um schließlich die Ressourcen wieder freizugeben. Unter Umständen könnte sich, während mit der Bewältigung von auf falsch-positiven Quarantänemaßnahmen beschäftigt ist, unerkannt an anderer Stelle ein wirklicher Schädling in die Netzwerke einschleichen.

Deep Learning ist ein Teilgebiet des maschinellen Lernens, allerdings erheblich fortgeschrittener als „klassisches“ ML. Das neuronale Netzwerk wird durch Rohdatenproben "trainiert", die Milliarden von gekennzeichneten Dateien enthalten, sowohl bösartige als auch gutartige. Mit der Zeit lernt das Netzwerk instinktiv bösartigen Code zu identifizieren. Da das neuronale Netzwerk mit diesen Rohdaten trainiert wird, kann es tatsächlich Angriffe vorhersagen und verhindern, bevor sie stattfinden. Der kontinuierliche Lernprozess bedeutet, dass die Technologie in der Lage ist, ohne Feature-Engineering vorherzusagen und zu verhindern - was es für Kriminelle schwieriger macht, die Funktionsweise zu verstehen und zu überwinden. Die Technologie bewegt sich damit weg vom traditionellen Ansatz der Endpoint-Erkennung und -Reaktion hin zu einem Ansatz der vollständigen Prävention. Deep Learning ist ein neuer Ansatz innerhalb der Cybersicherheitsbranche – Deep Instinct ist derzeit das einzige Unternehmen, das seine Technologie auf Deep Learning aufbaut. Ein weiterer wichtiger Vorteil: Die Entscheidung über die Abwehr von unbekannten Bedrohungen erfolgt sofort und lokal auf dem Endgerät. Deep Instinct ist der einzige Anbieter der keine Informationen über Bedrohungen an die Cloud senden muss. Dies spart wertvolle Zeit.

Es gibt aber bereits eine Reihe anderer realer Anwendungsbeispiele für Deep Learning. Unternehmen wie Tesla, YouTube, Netflix und Amazon haben Deep Learning genutzt, um ihre eigenen Frameworks zu erstellen, darunter autonomes Fahren, Empfehlungssysteme und Bilderkennung.

Vorhersage von eingehenden Angriffen

Es ist allgemein bekannt, dass Kriminelle maschinelles Lernen zu ihrem eigenen Vorteil manipulieren können. Zu den Techniken, die von Cyberkriminellen häufig eingesetzt werden, um maschinelles Lernen gezielt auszunutzen, gehört das sogenannte " adversarial machine learning", bei dem der Datensatz des maschinellen Lernens manipuliert wird. Auf diese Weise kann die Malware des Angreifers Produkte, die auf maschinellem Lernen basieren, umgehen, indem sie dem System vortäuscht, dass etwas Bösartiges in Wirklichkeit harmlos ist. Sobald die Maschine diesen Datensatz als sicher einstuft, öffnet sich für Hacker eine Hintertür in das Netzwerk. Deep Learning eliminiert dieses Risiko durch die Verwendung von Rohdaten, die robust und widerstandsfähig gegenüber gegnerischen Angriffen sind.

Deep Instinct selbst hat im November 2020 auf der BlackHat Europe bereits mit einer Forschungsarbeit ein reales Beispiel der Anwendung von adversarial techniques zur Umgehung von featurebasierten Klassifizierungsmodellen vorgestellt.

Ein Problem beim Nutzen tiefer neuronaler Netze zur Erkennung von Angriffen stellt die Erklärbarkeit dar. Die verwendeten Algorithmen sind in sich so komplex und vielschichtig (Stichwort: hidden layer), dass sie vom Menschen in ihren Entscheidungsstrukturen als Ganzes nicht mehr verstanden werden können. Um die Erklärbarkeit der Entscheidungen tiefer neuronaler Netze im Bereich der Cybersecurity zu verbessern, wird seit Jahren durch Deep Instinct an der automatischen Klassifizierung geforscht, diese zur Marktreife gebracht und heute schon in den Produkten von Deep Instinct angewendet. Hierbei unterstützt ein weiteres tiefes neuronales Netzwerk den Securityanalysten dabei mithilfe von Kategorisierung (Ransomware, Spyware, Dropper uvm.) das Verständnis der Entscheidung einfacher nachvollziehbar zu machen.

Fazit: Das Managen von IT-Sicherheitsinfrastruktur ist komplex – Entscheider müssen stets zwischen maximaler Wirksamkeit, Wirtschaftlichkeit, Business Agilität und Regularien abwägen. Systeme, die automatisiert in der Lage sind, eine performante Früherkennung zu bieten und die manuelle Zuarbeit auf ein Minimum reduzieren, sind gerade im Einsatz bei mittelständischen Unternehmen gefragt. Deep Learning hat das Potential, Cybersecurity auf ein neues Niveau zu heben, und effektiven Schutz grundlegend zu verbessern. Das zeigt die Tatsache, dass die Münchner RE bereits Verträge in den USA und UK mit Deep Instinct unterschrieben hat, die Ransomware-Schutz Garantien aussprechen. Mehr dazu welche Kriterien für eine solche Garantie gelten müssen und warum die Münchner RE Deep Learning ein solches Potential beimisst erfahren Sie alsbald.

Über den Autor: Kevin Börner ist Senior Sales Engineer - DACH bei Deep Instinct.

(ID:47758287)