{"id":13366,"date":"2023-11-20T07:00:00","date_gmt":"2023-11-20T06:00:00","guid":{"rendered":"https:\/\/www.cyberfero.com\/?p=13366"},"modified":"2023-11-16T11:34:24","modified_gmt":"2023-11-16T10:34:24","slug":"machine-learning-cybersecurity","status":"publish","type":"post","link":"https:\/\/www.cyberfero.com\/it\/machine-learning-cybersecurity\/","title":{"rendered":"Machine learning e cybersecurity: Applicazioni UEBA e sicurezza"},"content":{"rendered":"\n

<\/path><\/svg><\/span><\/span>Estimated reading time: <\/span>6<\/span> minuti<\/span><\/p>\n\n\n\n

Il costo del cybercrimine ha ormai superato la capacit\u00e0 di tenere il passo. Gartner, societ\u00e0 multinazionale che si occupa di sicurezza e analisi nel campo della tecnologia, ha previsto<\/a> che la spesa mondiale per la sicurezza informatica sar\u00e0 16 volte inferiore ai danni causati. Per affrontare questa sfida, le organizzazioni si rivolgono oggi al machine learning e all’intelligenza artificiale per la cybersecurity, tentando di colmare le lacune.<\/strong><\/p>\n\n\n\n

La grande maggioranza dei malware prende di mira le vulnerabilit\u00e0 conosciute, ma le botnet passano spesso inosservate all’interno delle organizzazioni vittime per circa 12 giorni.<\/strong> Il problema in molti casi \u00e8 la scarsit\u00e0 di risorse a disposizione.<\/p>\n\n\n\n

Negli ultimi anni si \u00e8 espansa la superficie di attacco con l’adozione di dispositivi IoT e il diffondersi di ambienti di lavoro BYOD (Bring Your Own Device). Questo, combinato con la crescente sofisticazione<\/strong> degli attacchi e l’aumento del divario delle competenze di sicurezza, ha sopraffatto molti team.<\/strong><\/p>\n\n\n\n

In risposta, i fornitori di servizi MSSP<\/a> implementano sempre pi\u00f9 spesso un sistema di machine learning nelle loro soluzioni di cybersecurity.<\/strong> Questo \u00e8 sicuramente un campo interessante e molti capi della sicurezza sono alla ricerca di una soluzione definitiva nella lotta contro i cybercriminali. Ma la domanda \u00e8 se il machine learning offerto dall’intelligenza artificiale possa aggiungere nuovo valore al regno della sicurezza.<\/strong><\/p>\n\n\n\n

\"Machine<\/a><\/figure>\n\n\n\n

Rilevamento e prevenzione delle minacce<\/h2>\n\n\n\n

Buona parte delle aziende sta operando con un kit standard di sicurezza. Le loro stanze sono piene di dispositivi che affermano di poter rilevare e prevenire le ultime minacce attraverso il rilevamento signature-based<\/em>, politiche predefinite o configurazioni personalizzate.<\/strong> I sensori in questa categoria includono firewall<\/em>, DLP (Data Loss Prevention<\/em>), IPS (Intrusion Prevention System<\/em>) e WCF (Web Content Filter<\/em>). Una considerazione allarmante, dato che questi sensori continuano ad essere adottati in grandi quantit\u00e0, molti di loro potrebbero non essere configurati correttamente<\/strong>. <\/p>\n\n\n\n

Inoltre, molti di questi dispositivi operano in completo isolamento<\/strong>, incapaci di condividere o correlare le informazioni o di rispondere alle minacce con qualsiasi tipo di strategia coordinata. Di conseguenza, anche il controllo di questi dispositivi richiede un livello ulteriore di sensori<\/strong>, insieme a membri aggiuntivi del team di sicurezza. Naturalmente, pi\u00f9 sensori e pi\u00f9 dati richiedono pi\u00f9 persone e data l’attuale carenza di competenze di sicurezza, questa strategia \u00e8 insostenibile sul lungo periodo.<\/strong><\/p>\n\n\n\n

Attraverso un sistema completo come un SOC<\/a>, invece, questo non accade.<\/strong> La raccolta, la correlazione e l’analisi avvengono in modo coordinato in un SOAR (Security Orchestration, Automation and Response) pensato per essere un flusso di lavoro univoco. Parte di questi compiti \u00e8 svolto da intelligenza artificiale e machine learning mess<\/strong>e al servizio della cybersecurity<\/strong>. Lo scopo \u00e8 quello di analizzare il comportamento degli utenti e individuare anomalie, oltre che imparare dalle analisi passate.<\/p>\n\n\n\n

Machine learning per la cibersecurity<\/h3>\n\n\n\n

Il Machine Learning (ML) \u00e8 un sottoinsieme dell’IA (Intelligenza Artificiale).<\/strong> AI e ML possono aumentare le nostre capacit\u00e0 umane permettendoci di scavare attraverso grandi serie di dati e individuare modelli di comportamento<\/strong> o segnali che sarebbero quasi impossibili da scovare per gli esseri umani. Questo moltiplicatore di forze consente ai tecnici a disposizione di individuare i comportamenti insoliti.<\/strong> In seguito l’analisi comportamentale con strumenti UEBA (User Entity Behavior Analytics) per la sicurezza far\u00e0 il resto. I compiti banali e ripetitivi possono anche essere automatizzati con il machine learning, permettendo alle scarse risorse del personale per la cybersecurity di concentrarsi su compiti di pi\u00f9 alto valore.<\/strong><\/p>\n\n\n\n

UEBA e sicurezza<\/h2>\n\n\n\n

Il machine learning e l’intelligenza artificiale si basano sui cosiddetti “big data”. La loro efficienza e accuratezza migliorano con la quantit\u00e0 di dati che gli vengono passati<\/strong>. L’importante, per\u00f2, \u00e8 raccogliere i dati giusti. \u00c8 qui che entrano in gioco i sistemi UEBA<\/strong> per la sicurezza. La combinazione di dati comportamentali accurati ed essenziali con il machine learning \u00e8 la forza di questo sistema di cybersecurity. Questo connubio consente di monitorare in modo accurato gli utenti, fornendo una profonda visibilit\u00e0 su ci\u00f2 che fanno regolarmente<\/strong>.<\/p>\n\n\n\n

Una volta stabilita una routine di comportamento, quando un utente compie azioni che il sistema considera anomale<\/em>, si genera una notifica. Il team operativo viene cos\u00ec avvisato di ogni azione fuori dalle routine<\/em> definite<\/strong>. Se l’attivit\u00e0 rilevata \u00e8 legittima, gli analisti possono semplicemente etichettare l’attivit\u00e0 come parte della routine<\/em>. Il machine learning integra quei dati<\/em> nelle successive analisi dei dati per la cybersecurity aziendale<\/strong>. La fase cruciale \u00e8 la normalizzazione del comportamento<\/strong>, che fa in modo che quella precisa azione non generer\u00e0 pi\u00f9 notifiche.<\/p>\n\n\n\n

Ovviamente, nelle prime fasi temporali di installazione del sistema, le notifiche saranno numerose<\/strong>. Poich\u00e9 l’intelligenza artificiale riduce questi falsi positivi “imparando”, ogni volta che c<\/em>i si allontana dal comportamento normale, l<\/em>e notifiche diventano pi\u00f9 urgenti<\/em> per la sicurezza.<\/p>\n\n\n\n

\"Machine<\/a><\/figure>\n\n\n\n

I benefici della combinazione UEBA, machine learning<\/em> e sicurezza <\/h2>\n\n\n\n

L’utilizzo del machine learning insieme ai dati sul comportamento degli utenti fornisce un livello di proattivit\u00e0 alla cybersecurity che non \u00e8 possibile avere quando ci si affida ai tradizionali sistemi di prevenzione e rilevamento sign-based<\/em>.<\/strong> Questo \u00e8 dovuto al fatto che si \u00e8 in grado di rilevare sottili cambiamenti nel comportamento<\/em> che \u00e8 difficile individuare con i sistemi tradizionali. Semplicemente, non \u00e8 possibile configurare un sistema con ogni singola permutazione di regole per rilevare tutti gli attacchi.<\/strong><\/p>\n\n\n\n

Rilevare attivit\u00e0 di ricognizione di basso livello utilizzando UEBA e il machine learning ha molte pi\u00f9 probabilit\u00e0 di far scattare i vostri sensi di ragno<\/em> rispetto ad altri metodi. Questo fornisce un enorme vantaggio, rendendo molto pi\u00f9 difficile per gli attaccanti eludere il controllo volando sotto qualsiasi radar basato sulle regole.<\/strong><\/p>\n\n\n\n

Il valore aggiunto<\/h2>\n\n\n\n

I vantaggi di utilizzare una soluzione di sicurezza UEBA costruita su una piattaforma di machine learning per la cybersecurity sono molti.<\/strong> Poich\u00e9 la loro capacit\u00e0 di gestione delle routine dell’attivit\u00e0 di rete \u00e8 raffinata, non solo possono rilevare cambiamenti anomali nel comportamento, ma queste informazioni possono diventare parte di un processo proattivo<\/strong>, identificando e prevenendo certi comportamenti prima<\/em> che si verifichino. <\/p>\n\n\n\n

Ma forse la cosa pi\u00f9 importante \u00e8 che il machine learning sta entrando in scena in un momento molto delicato per la cybersecurity. Il numero di analisti necessari per setacciare i dati a mano e identificare le minacce sta superando il numero di professionisti disponibili.<\/strong> Rimuovendo l’uomo da un compito per il quale non \u00e8 particolarmente adatto<\/em>, \u00e8 libero di concentrarsi su quelle aree in cui pu\u00f2 aggiungere valore, come ad esempio sviluppare ulteriormente i protocolli di cybersecurity.<\/p>\n\n\n\n

Quindi, il machine learning aggiunge valore alla cybersecurity? Noi crediamo proprio di s\u00ec.<\/strong><\/p>\n\n\n\n

Costi e soluzioni proposte<\/h2>\n\n\n\n

In termini di costi in generale, con un sistema UEBA la manutenzione \u00e8 ridotta e non richiede l’assunzione nuovi professionisti, soprattutto se si considera l’utilizzo del servizio in soluzione SaaS.<\/strong> <\/p>\n\n\n\n

Noi di SOD offriamo il sistema di machine learning e UEBA, assieme a un SIEM Next Gen in una soluzione ideale per chi non vuole investire nell’installazione di hardware dedicato<\/strong>. Il nostro SOC as a Service<\/a> \u00e8 pensato per ottimizzare l’investimento e massimizzare il ritorno in termini di qualit\u00e0 delle procedure di sicurezza.<\/p>\n\n\n\n

Per saperne di pi\u00f9 visita la pagina del servizio oppure contattaci per sapere come questa soluzione pu\u00f2 essere utile per la tua azienda. Risponderemo a ogni vostro dubbio. <\/p>\n\n\n\n

\n
Contattaci<\/a><\/div>\n<\/div>\n\n\n\n

Useful links:<\/span><\/strong><\/p>\n\n\n\n

Improving Staff Workflow with Cloud Technology<\/a><\/p>\n\n\n\n