Machine Learning e Intelligenza Artificiale: ¡foco en la ciberseguridad!

Machine Learning e Inteligencia Artificial:
¡foco en la ciberseguridad!

En la seguridad informática ha comenzado una nueva era.

En los complejos entornos digitales de hoy, las máquinas luchan contra las máquinas y atacantes expertos y organizaciones criminales inventan métodos nuevos y sofisticados para llevar a cabo sus misiones. La red corporativa se ha convertido en un campo de batalla.

El peligro hoy no reside únicamente en los escenarios clásicos de robo de datos o de compromiso de un sitio web, sino en la amenaza silenciosa que se esconde bajo la superficie, "kill switch" listos para ser activados, amenazas casi imposibles de descubrir.

Ante esta nueva realidad, los sistemas de seguridad legacy están fallando porque el enfoque tradicional de la seguridad informática se basa en la capacidad de definir la amenaza con antelación.

Desde los ataques nuevos y de rápida propagación hasta los insiders más hábiles, desde los dispositivos IoT hackeados hasta las supply chain comprometidas, el panorama de las amenazas evoluciona de forma imprevisible y un nuevo enfoque para la ciberdefensa es absolutamente necesario.

IA/AI y ML

La Inteligencia Artificial puede identificar y neutralizar amenazas informáticas nunca vistas antes.

El Machine Learning tiene el poder de transformar la ciberdefensa, superando el desafío de hacerla funcionar a gran escala en una variedad de entornos de datos dinámicos, detectando amenazas auténticas en tiempo real sin intervención humana, tarea que no es en absoluto trivial.

Introduciendo por primera vez la inteligencia artificial para la ciberdefensa y aplicándola con éxito en diferentes contextos digitales, Darktrace se ha consolidado como líder mundial en la detección y respuesta autónoma a las amenazas informáticas que los sistemas legacy no logran captar. Impulsada por el machine learning y los algoritmos de inteligencia artificial, la tecnología del "sistema inmunitario" de Darktrace es utilizada por miles de organizaciones en todo el mundo.

Diferentes tipologías de Machine Learning

Según el paradigma tradicional, los firewalls, los métodos de seguridad de endpoints y otras herramientas como SIEM y sandbox se implementan para aplicar políticas específicas y ofrecer protección frente a las amenazas reconocidas.

A pesar de que estas herramientas desempeñan igualmente un papel defensivo, no son suficientes.

Los sistemas legacy han sido superados por la moderna complejidad del negocio y por la innovación adoptada por los atacantes, debido a algunas limitaciones fundamentales:

Sobre todo, las herramientas legacy requieren víctimas antes de poder ofrecer soluciones.

El Machine Learning "Supervised" funciona utilizando datos clasificados previamente, a partir de los cuales la máquina aprende el sistema de clasificación.

La proliferación de datos en el mundo moderno significa que no solo es improductivo, sino imposible para los seres humanos, cribar la enorme cantidad de información generada cada minuto dentro de una red corporativa típica.

El machine learning, si se aplica correctamente, puede ayudar a las máquinas a tomar decisiones lógicas basadas en la probabilidad, potenciando las capacidades de los equipos humanos y descubriendo insights previamente inimaginables.

Hoy en día el machine learning "supervised" se utiliza en muchos ámbitos comerciales e industriales con fines de clasificación. Por ejemplo:

Sin embargo, el overfitting es un problema común en el machine learning "supervised", en el que los parámetros del modelo están demasiado ajustados a los datos de entrenamiento. En lugar de aprender la esencia de una categoría, la máquina aprende un ejemplo particular: por ejemplo, puede aprender a reconocer a un pastor alemán, pero no logra comprender los "perros" como categoría, ni las características que hacen que ese pastor alemán forme parte del grupo.

Los sistemas que se basan exclusivamente en el machine learning "supervised" presentan debilidades fundamentales:

Aunque el machine learning "supervised" puede ser poderoso, existen quienes tienen en su ADN la visión de construir la primera plataforma de ciberdefensa self-learning: los nuevos métodos de machine learning pueden mejorar notablemente la precisión en la detección de amenazas y mejorar la visibilidad de la red gracias a la mayor cantidad de análisis computacional que son capaces de gestionar.

Los datos relativos a los ataques históricos no protegen necesariamente frente a los futuros: es imprescindible poder utilizar también técnicas de deep learning para integrar el motor de inteligencia artificial con la experiencia especializada de expertos ciberanalistas, reforzando aún más la potencia del Machine Learning "Unsupervised".

A diferencia de los enfoques "supervised", el Machine Learning "Unsupervised" no requiere datos de entrenamiento etiquetados ni necesita inputs humanos. El aprendizaje "unsupervised" puede, por tanto, llevar el procesamiento informático más allá de lo que los programadores ya saben o pueden imaginar, y descubrir relaciones previamente desconocidas: en lugar de basarse en el conocimiento de las amenazas pasadas, clasifica de forma independiente los datos y detecta patrones válidos. A partir de ello, construye una comprensión de los comportamientos "normales" a través de la red, relativos a dispositivos, usuarios o grupos de ambos, y detecta las desviaciones de este "modelo de comportamiento" en evolución que podrían indicar una amenaza en desarrollo.

En síntesis: el Machine Learning puede detectar cosas que humanamente no podemos prever ni definir. De forma figurada, es como encontrar la clásica aguja en un enorme pajar.

Si ese pajar fuera la seguridad de sus datos, de su negocio, de su privacidad y la aguja un cigarrillo encendido…¿en cuánto tiempo y con qué métodos querría encontrarla!?