Machine Learning et Intelligence Artificielle : focus sur la cyber sécurité !

Machine Learning et Intelligence Artificielle :
focus sur la cyber sécurité !

Dans la sécurité informatique, une nouvelle ère a commencé.

Dans les environnements numériques complexes d'aujourd'hui, les machines se battent contre les machines, et des attaquants expérimentés ainsi que des organisations criminelles inventent des méthodes nouvelles et sophistiquées pour perpétrer leurs actions. Le réseau d'entreprise est devenu un champ de bataille.

Le danger aujourd'hui ne réside pas uniquement dans les scénarios classiques de vol de données ou de compromission d'un site web, mais dans la menace silencieuse qui se cache sous la surface : des « kill switches » prêts à être activés, des menaces quasiment impossibles à détecter.

Face à cette nouvelle réalité, les systèmes de sécurité legacy échouent, car l'approche traditionnelle de la sécurité informatique repose sur la capacité à définir la menace à l'avance.

Des attaques nouvelles et à propagation rapide aux initiés les plus habiles, des dispositifs IoT piratés aux chaînes d'approvisionnement compromises, le paysage des menaces évolue de manière imprévisible et une nouvelle approche de la cyber-défense est absolument nécessaire.

IA/AI et ML

L'Intelligence Artificielle peut identifier et neutraliser des cybermenaces jamais vues auparavant.

Le Machine Learning a le pouvoir de transformer la cyber défense, en relevant le défi de la faire fonctionner à grande échelle dans une variété d'environnements de données dynamiques, en détectant des menaces authentiques en temps réel sans intervention humaine — une tâche loin d'être triviale.

En introduisant pour la première fois l'intelligence artificielle dans la cyber défense et en l'appliquant avec succès dans différents contextes numériques, Darktrace s'est imposé comme le leader mondial dans la détection et la réponse autonome aux cybermenaces que les systèmes legacy ne parviennent pas à identifier. Alimentée par le machine learning et les algorithmes d'intelligence artificielle, la technologie du « système immunitaire » de Darktrace est utilisée par des milliers d'organisations à travers le monde.

Différents types de Machine Learning

Selon le paradigme traditionnel, les pare-feu, les méthodes de sécurité des endpoints et d'autres outils tels que les SIEM et les sandbox sont déployés pour appliquer des politiques spécifiques et offrir une protection contre les menaces reconnues.

Bien que ces outils jouent néanmoins un rôle défensif, ils ne sont pas suffisants.

Les systèmes legacy ont été dépassés par la complexité moderne des entreprises et par l'innovation adoptée par les attaquants, en raison de certaines limites fondamentales :

Surtout, les outils legacy nécessitent des victimes avant de pouvoir apporter des solutions.

Le Machine Learning « Supervisé » fonctionne en utilisant des données préalablement classifiées, à partir desquelles la machine apprend le système de classification.

La prolifération des données dans le monde moderne signifie qu'il est non seulement improductif, mais impossible pour les êtres humains de passer au crible l'immense quantité d'informations générées chaque minute au sein d'un réseau d'entreprise typique.

Le machine learning, correctement appliqué, peut aider les machines à prendre des décisions logiques basées sur la probabilité, en augmentant les capacités des équipes humaines et en révélant des insights jusqu'alors inimaginables.

Aujourd'hui, le machine learning « supervisé » est utilisé dans de nombreux domaines commerciaux et industriels à des fins de classification. Par exemple :

Cependant, l'overfitting est un problème courant dans le machine learning « supervisé », où les paramètres du modèle sont trop ajustés aux données d'entraînement. Au lieu d'apprendre l'essence d'une catégorie, la machine apprend un exemple particulier : par exemple, elle peut apprendre à reconnaître un berger allemand, mais elle ne parvient pas à comprendre les « chiens » en tant que catégorie, ni les caractéristiques qui font de ce berger allemand un membre du groupe.

Les systèmes qui s'appuient exclusivement sur le machine learning « supervisé » présentent des faiblesses fondamentales :

Bien que le machine learning « supervisé » puisse être puissant, il existe des acteurs qui ont dans leur ADN la vision de construire la première plateforme de cyber défense self-learning : les nouvelles méthodes de machine learning peuvent considérablement améliorer la précision de la détection des menaces et améliorer la visibilité du réseau grâce à la plus grande quantité d'analyses computationnelles qu'elles sont capables de gérer.

Les données relatives aux attaques historiques ne protègent pas nécessairement contre les attaques futures : il est impératif de pouvoir également utiliser des techniques de deep learning pour intégrer le moteur d'intelligence artificielle avec l'expertise spécialisée de cyber-analystes, renforçant encore davantage la puissance du Machine Learning « Non Supervisé ».

Contrairement aux approches « supervisées », le Machine Learning « Non Supervisé » ne nécessite pas de données d'entraînement étiquetées et ne requiert aucune intervention humaine. L'apprentissage « non supervisé » peut ainsi faire progresser le traitement informatique au-delà de ce que les programmeurs savent déjà ou peuvent imaginer, et découvrir des relations jusqu'alors inconnues : au lieu de s'appuyer sur la connaissance des menaces passées, il classifie les données de manière indépendante et détecte des schémas valides. Il forge ainsi une compréhension des comportements « normaux » à travers le réseau, relatifs aux appareils, aux utilisateurs ou à des groupes des deux, et détecte les déviations par rapport à ce « modèle de comportement » en évolution, qui pourraient indiquer une menace en cours de développement.

En résumé donc : le Machine Learning peut détecter des éléments que nous ne pouvons humainement ni prévoir ni définir. De manière figurée, c'est comme trouver la classique aiguille dans une immense botte de foin.

Si cette botte de foin représentait la sécurité de vos données, de votre activité, de votre vie privée, et que l'aiguille était une cigarette allumée… en combien de temps et avec quelles méthodes souhaiteriez-vous la trouver !?