התחזית ל-2020: בינה מלאכותית מתקדמת ומודיעין איומים

יום א', 1 בדצמבר 2019
 
פורטינט (נאסד"ק: FTNT),  הפעילה בפתרונות אבטחת סייבר מקיפים, משולבים ואוטומטיים, חשפה את תחזיות איומי הסייבר של מעבדות FortiGuard, גוף המחקר הגלובלי של החברה, לשנת 2020 והלאה. התחזיות חושפות את השיטות אשר לדעת החוקרים של פורטינט ישמשו את פושעי הסייבר בעתיד הקרוב ואת האסטרטגיות אשר יסייעו לארגונים להגן על עצמם מפני ההתקפות. להלן ממצאי הדוח העיקריים:  
 
התחכום של פושעי הסייבר 
 
לא ניתן לצפות לבצע שינויים באסטרטגיית האבטחה מבלי להיתקל בתגובה של פושעי הסייבר. רשתות וארגונים המשתמשים בשיטות מתוחכמות של איתור ותגובה להתקפות עלולים למצוא את עצמם מול תגובת נגד חזקה אף יותר של פושעי הסייבר. שיטות התקפה מתוחכמות יותר, שטח התקיפה הפוטנציאלי המתרחב ומערכות חכמות מבוססות AI תורמים גם הם לעלייה ברמת התחכום של פושעי הסייבר.
 
טכניקות התחמקות מתקדמות – לפי דוח מפת האיומים של פורטינט, ישנה עלייה בשימוש של טכניקות התחמקות מתקדמות אשר נועדו כדי למנוע גילוי, להשבית את ההתקנים ופונקציות האבטחה ולפעול מתחת לפני השטח באמצעות שימוש באסטרטגיות של Living of the Land, אשר מנצלות תוכנה מותקנת ומסוות את התעבורה הזדונית כלגיטימית. כלי נוזקה מודרניים רבים כבר כוללים בתוכם מאפיינים אשר נועדו לחמוק מאנטי וירוסים או כלי איתור איומים אחרים, דבר ההופך את פושעי הסייבר ליותר ויותר מתוחכמים בשיטות הערפול שלהם, אשר נועדו כדי להימנע מאיתור. אסטרטגיות כאלו מנצלות וממקסמות את החולשות של משאבי האבטחה והצוות.
 
טכנולוגיית נחיל – במהלך השנים האחרונות, העלייה של טכנולוגיית הנחיל, אשר יכולה למנף למידת מכונה ו-AI כדי לתקוף רשתות והתקנים, הדגימה פוטנציאל חדש. פיתוחים בטכנולוגיית הנחיל הם בעלי השלכות רבות עוצמה בתחומים של רפואה, תחבורה, הנדסה ופתרון בעיות אוטומטי. יחד עם זאת, טכנולוגיה זו יכולה לשמש גם את פושעי הסייבר במידה וארגונים לא יעדכנו את אסטרטגיות האבטחה שלהם. הפושעים יכולים להשתמש בנחילים של בוטים כדי לחדור לרשת, להשתלט על הגנות פנימיות, למצוא ולחלץ נתונים ביעילות. בוטים בעלי התמחות מסוימת החמושים בפונקציות ספציפיות יוכלו לחלוק ולתאם מודיעין הנאסף בזמן אמת כדי להאיץ את יכולת הנחיל לבחור ולהתאים התקפות אשר נועדו לפגוע ביעד אחד או אפילו מספר יעדים בו זמנית.
 
רשתות דור 5 ומחשוב קצה הופכים לנשק – הופעתן של רשתות דור 5 עלולה להיות הזרז להתפתחות של התקפות פונקציונליות מבוססות נחיל. הדבר יכול לקרות באמצעות היכולת ליצור רשתות מקומיות המיועדות לכך, אשר יכולות לשתף ולעבד מידע ויישומים במהירות. על ידי הפיכת רשתות דור 5 ומחשוב קצה לנשק, התקנים אינדיבידואליים אשר נפגעו יכולים להפוך לצינור עבור קוד זדוני וקבוצות של התקנים אשר נפגעו יכולים לעבוד יחד כדי להתמקד בקורבנות העושים שימוש ברשתות דור 5. בהינתן המהירות, המודיעין והטבע המקומי של התקפה שכזו, טכנולוגיות אבטחה ישנות עלולות לעמוד בפני האתגר שבמאבק יעיל באסטרטגיה זו.
 
שינוי באופן שבו פושעי הסייבר משתמשים בהתקפות Zero-day – באופן מסורתי, איתור ופיתוח פרצה עבור חולשת zero-day הייתה יקרה, כך שפושעי הסייבר לרוב היו אוגרים אותן עד שפורטפוליו ההתקפות הקיים שלהם נוטרל. שטח התקיפה המתרחב והיעדר של אסטרטגיית אבטחה יעילה עלולים להביא לגידול משמעותי בנפח נקודות התורפה של zero-day אשר פושעי הסייבר יכולים לנצל לטובתם. גם בדיקות אבטחה של בינה מלאכותית אשר נועדו לדמות התקפות שונות (fuzzing) וכרייה של zero-day עלולות להגדיל בצורה מעריכית את הנפח של התקפות zero-day.
 
משנים את המסלול של התקפות הסייבר
 
התקפות הסייבר הפכו למתוחכמות ביותר בשנים האחרונות והגדילו את היעילות והמהירות שלהן. מגמה זו עלולה להימשך, אלא אם ארגונים רבים יותר יעשו שינוי בדרך שבה הם בונים את אסטרטגיות האבטחה שלהם. הנפח, המהירות והתחכום של נוף האיומים הגלובלי כיום דורשים מהארגונים את היכולת להגיב בזמן אמת ובמהירות גבוהה כדי להדוף ביעילות התקפות אגרסיביות, כאשר התקדמות בתחומי הבינה המלאכותית ומודיעין האיומים יהוו חלק חשוב במאבק זה. 
 
התפתחות הבינה המלאכותית כמערכת – אחת המטרות של פיתוח אבטחה ממוקדת בינה מלאכותית (AI) הייתה ליצור מערכת חסינה ובעלת יכולת הסתגלות עבור הרשת, הדומה למערכת אשר נמצאת בגוף האדם. הדור הראשון של AI תוכנן כדי להשתמש במודלים של למידת מכונה כדי ללמוד, לתאם ולקבוע את דרך הפעולה הספציפית. הדור השני של AI מינף את היכולת המתוחכמת הגוברת לאתר דפויסים כדי לשפר משמעותית דברים כמו בקרת גישה על ידי ביזור של צמתים (nodes) לומדים לאורך סביבות. הדור השלישי של AI הוא המקום שבו לא מסתמכים על מרכז ניהול מרכזי יחיד, אלא ה-AI יחבר את הצמתים הלומדים האזוריים שלו, כך שניתן יהיה לחלוק, לתאם ולנתח נתונים אשר נאספים באופן מקומי בצורה מבוזרת יותר. מדובר בהתפתחות חשובה מאוד עבור ארגונים אשר מעוניינים לאבטח את סביבות הקצה המתרחבות שלהם.
 
למידת מכונה מאוחדת – למידת מכונה, יחד עם מינוף של צורות מסורתיות של מודיעין איומים הנאסף ממקומות שונים או נגזר מניתוחי נתונים ותעבורה פנימיים, תסתמך בסופו של דבר על שטף של מידע רלוונטי המגיע מהתקני קצה חדשים לצמתים לומדים מקומיים. איתור ותיאום מידע המגיע בזמן אמת יאפשרו למערכת ה-AI לייצר תצוגה מלאה יותר של נוף האיומים ואף ללטש את הדרך שבה מערכות מקומיות יגיבו לאירועים מקומיים. מערכות AI יהיו מסוגלות לראות, לתאם, לאתר ולהתכונן לאיומים באמצעות שיתוף מידע לאורך כל הרשת. בסופו של דבר, מערכת למידה מאוחדת תאפשר לסטים של נתונים להתחבר ביניהם כך שמודלים של למידה יהיו מסוגלים להסתגל לסביבות משתנות ולמגמות אירועים, כך שאירוע אשר התרחש בנקודה אחת ישפר את המודיעין של כל המערכת. 
 
שילוב AI עם דפוסי פעולה כדי לחזות התקפות – השקעה ב-AI מאפשרת לארגונים להפוך מטלות שונות לאוטומטיות, יחד עם מערכת אוטומטית אשר יכולה לחפש ולאתר התקפות בדיעבד ולפני שהן מתרחשות. שילוב בין למידת מכונה עם ניתוח סטטיסטי יאפשר לארגונים לפתח תכנון פעילות מותאם ל-AI כדי לשפר את האיתור והתגובה לאיומים.