Cyberkriminelle haben sich von einzelnen Hackern, die kleine Websites und Systeme ins Visier nahmen, zu gefährlichen Akteuren entwickelt, die groß angelegte Cyberangriffe durchführen, welche Millionen von Menschen weltweit betreffen. In den letzten Jahren haben wir erlebt, wie mehrere massive Ransomware-Angriffe wie WannaCry und NotPetya Schäden und Geschäftseinbußen in Höhe von Hunderten Millionen oder sogar Milliarden Dollar verursacht haben.
Gestohlene Anmeldedaten sind mittlerweile auf dem Schwarzmarkt zu einem geringen Preis leicht zugänglich. Details zum Bank-Account, Kreditkartennummern und vollständige Identity-Pakete können für 40 $ erworben werden; Anmeldedaten für nicht gehackte Windows-RDP-Server sind für nur 20 $ erhältlich; und ein Unternehmen kann die Website eines Konkurrenten für eine Stunde für 60 $ lahmlegen. Darüber hinaus lässt sich Schadsoftware wie Bots, Malware und Skripte heutzutage leicht vervielfältigen, um die Angriffspunkte von Cyberkriminellen über ihre ursprünglichen Zielopfer hinaus zu erweitern.
Neben dem schieren Ausmaß dieser Cyberangriffe wächst auch die Sorge hinsichtlich ihrer Raffinesse. Mit dem Aufkommen von künstlicher Intelligenz (KI) und Technologien für maschinelles Lernen entsteht eine völlig neue Dimension von Cyberbedrohungen, die ein erhebliches Risiko für Unternehmen darstellen.
Ein wenig mehr zu KI und Machine Learning
Das Konzept der KI wurde erstmals vor über 60 Jahren auf dem Dartmouth-Workshop 1956 vorgestellt, wo Forscher die menschliche Intelligenz erforschten und untersuchten, wie diese eines Tages von Maschinen nachgeahmt werden könnte. Im Kontext der heutigen digitalen Möglichkeiten hat sich maschinelles Lernen zu einem Konzept entwickelt, bei dem leistungsstarke Computer aus Datensätzen „lernen“, die durch ihre Algorithmen fließen. Während menschliche Eingaben für das Training von Maschinen weiterhin wertvoll sind, optimieren diese Algorithmen die Art und Weise, wie eine Maschine auf bestimmte Events reagiert, und machen sie nach jedem Vorgang „intelligenter“.
Wir haben auch das Aufkommen von Deep Learning beobachtet. Als Teilbereich des Machine Learning unterscheidet sich Deep Learning dadurch, dass es Maschinen ermöglicht, sich ohne menschliches Eingreifen selbst zu korrigieren – was es skalierbarer und präziser macht. Dies ist die Art von Technologie, die Innovationen wie Bilderkennung und selbstfahrende Autos antreibt.
Deep Learning arbeitet mit neuronalen Netzwerken, die über verschiedene Ebenen der Datenweitergabe verfügen. Leider zeigt es zwar erhebliches Potenzial für Unternehmen, die Bedrohungen schnell erkennen und sich davor schützen möchten, erweist sich jedoch auch als nützliches Tool für Cyberkriminelle. Dies macht es für Unternehmen noch entscheidender, diese Technologien zu verstehen und sie einzusetzen, um diese Bedrohungen einzudämmen.
Die Bedrohungen hinter der Innovation
Im Zuge neuer Technologie entstehen neue potenzielle Angriffe. Angreifer haben nun Bedrohungen entwickelt, die entweder KI-Funktionen kompromittieren oder die Fähigkeiten des maschinellen Lernens selbst ausnutzen.
Angriffe, die KI-Infrastruktur kompromittieren
Data Poisoning: Wenn ein böswilliger Akteur weiß, dass KI Daten sammelt, kann er diese mit falschen oder manipulierten Informationen überfluten. Infolgedessen wird die KI fehlerhaft trainiert, was dazu führt, dass sie Fehlfunktionen aufweist oder Aktivitäten ausführt, die sie nicht ausführen sollte, wie z. B. Malware als sicher einzustufen.
Adversarial-Angriffe: Diese treten während der Inferenzphase auf, wenn die KI bereits trainiert wurde und Erkenntnisse nutzt, um Entscheidungen über neue Daten zu treffen. Der Angreifer fügt ein Element in das Modell ein, das die Genauigkeit beeinträchtigt, mit der die Maschine Bilder oder andere Objekte erkennt. Adversarial-Angriffe können verkettet werden, was die Training Data vergiftet und das Ergebnis während des Inferenzprozesses ausnutzt.
Angriffe, die KI nutzen
Spear-Phishing: Um bestehende Phishing-Methoden zu verbessern, nutzen Angreifer Algorithmen für maschinelles Lernen, um personalisierte, verlockende Nachrichten zu verfassen, die Benutzer dazu bewegen sollen, sensible Informationen preiszugeben. Beispielsweise könnten Hacker personalisierte E-Mails verfassen, die so getarnt sind, dass sie aussehen, als stammten sie von einem nahen Verwandten oder Kollegen.
Deepfakes: KI kann Bilder und Videos mithilfe einer als Generative Adversarial Network bekannten Technik des Machine Learning kombinieren und überlagern. Diese Bilder und Videos wirken echt, sind aber in Wirklichkeit ein Konglomerat aus unterschiedlichen Quellen. Ihre häufigste Verwendung scheint darin zu bestehen, Politiker falsch darzustellen, aber sie können auch dazu verwendet werden, andere fragwürdige Aktivitäten zu manipulieren. Deepfakes kommen auch im Audiobereich vor – in einem aktuellen Fall werden Hacker verdächtigt, mithilfe einer KI-generierten Stimme 243.000 $ von einem britischen Energieunternehmen gestohlen zu haben.
Viele Experten befürchten, dass es mit dem weiteren Fortschritt dieser Technologie zunehmend schwieriger wird, legitimes Video- und Audiomaterial von Deepfakes zu unterscheiden, was in den kommenden Jahren schwerwiegende gesellschaftliche und politische Auswirkungen haben könnte.
Eindämmung von Cyberangriffen mit KI
Parallel zu diesen wachsenden Bedrohungen ermöglicht es die heutige Fülle an Daten und Rechenleistung Sicherheitsanbietern, Tools zu entwickeln, um diese Art von Angriffen abzuschwächen und zu verhindern. Machine learning ermöglicht die Erstellung prädiktiver Modelle, die zwischen „gutem“, „schlechtem“ und „normalem“ Verhalten unterscheiden und somit intelligent genug sind, um Bots proaktiv abzuwehren und schädliche Aktivitäten zu erkennen. Diese Funktion, kombiniert mit menschlichen Eingaben, die dabei helfen, die Maschine zu trainieren, verändert die Art und Weise, wie Unternehmen Sicherheit implementieren.
Hier sind einige Beispiele dafür, wie:
- Anti-Spam: Machine learning ermöglicht es Unternehmen, Filter zu entwickeln, die automatisch erkennen, wie Spam-E-Mails aussehen und ebenso, wie Nicht-Spam-E-Mails aussehen.
- Biometrie: KI wird bereits häufig für die Gesichts- und Lächelerkennung eingesetzt, wobei viele Smartphone-Nutzer diese fortschrittlichen Sicherheitstechniken in Form von Apples Face ID nutzen.
- Bedrohungserkennung: Mustererkennung kann Bedrohungen und Viren erkennen, die Sicherheitsabwehr verbessern und Unternehmen dabei unterstützen, potenziell schädliche Aktivitäten schneller zu identifizieren.
- Adaptive Sicherheit: KI lernt schnell, wie sich Benutzer verhalten, wodurch sie auch erkennt, wenn diese untypische Aktionen ausführen – was auf einen potenziellen gehackter Account hindeutet.
- Natural language processing: KI sammelt Informationen aus Nachrichten und Forschungsartikeln zu Cyberbedrohungen, was der Maschine hilft, die neuesten Sicherheitsanomalien, Hacking-Techniken und Präventionsstrategien zu erlernen. Dies stellt sicher, dass Unternehmen den Überblick über die neuesten Risiken behalten und ihre Sicherheitsstrategien kontinuierlich weiterentwickeln.
- Bot Detection: Bots oder automatisierte Social-Media-Konten haben politische Wahlen beeinflusst, Aktienmärkte manipuliert und gesundheitliche Epidemien ausgelöst. Allerdings können Deep Learning-Techniken Bots früher als bisher möglich erkennen, sie von Accounts menschlicher Nutzer trennen und ihre Bedrohung minimieren.
Wo Machine Learning bei Okta zum Einsatz kommt
Den Kampf gegen Cyberkriminelle aufzunehmen, bedeutet, die Sicherheitsabwehr mit KI- und Machine-Learning-Technologien zu stärken. Bei Okta haben wir diese Praktiken in unser Produkt Adaptive MFA (MFA) integriert.
Risk-Based Authentication, eine Funktion von Adaptive MFA, nutzt Machine Learning für die automatisierte Erkennung von und Reaktion auf Identity-basierte Angriffe. Okta wandelt Dateneingaben und Variablen wie Gerät, Standort, IP-Adresse und Biometrie in kontextabhängige Verhaltensprofile um, die als Grundlage für quantifizierbare, umsetzbare Authentifizierungs- und Autorisierungsentscheidungen dienen.
