Los ciberdelincuentes han evolucionado desde hackers solitarios que atacaban pequeños sitios web y sistemas hasta convertirse en entidades peligrosas que lanzan ciberataques a gran escala que afectan a millones de personas en todo el mundo. En los últimos años, hemos visto múltiples ataques masivos de ransomware, como WannaCry y NotPetya, que han causado cientos de millones o incluso miles de millones de dólares en daños y pérdidas comerciales.
Actualmente, las credenciales robadas son fácilmente accesibles en el mercado negro a un precio simbólico. Los datos de cuentas bancarias, números de tarjetas de crédito y paquetes de identidad completos se pueden comprar por $40; las credenciales para servidores RDP de Windows no pirateados están disponibles por solo $20; y una empresa puede desactivar el sitio web de un competidor durante una hora por $60. Además, el software malicioso, como los bots, el malware y los scripts, ahora se replica fácilmente para aumentar los vectores de ataque de los ciberdelincuentes más allá de sus víctimas objetivo originales.
Además de la magnitud de estos ciberataques, existe una creciente preocupación por su sofisticación. Con la llegada de la inteligencia artificial (IA) y las tecnologías de aprendizaje automático, ha surgido un nuevo abanico de ciberamenazas que suponen un riesgo significativo para las empresas.
Un poco más sobre IA y aprendizaje automático.
El concepto de IA se introdujo por primera vez hace más de 60 años en el Taller de Dartmouth en 1956, donde los investigadores exploraron la inteligencia humana y cómo algún día podría ser imitada por las máquinas. En el contexto de las capacidades digitales actuales, el aprendizaje automático ha evolucionado hasta convertirse en un concepto en el que potentes ordenadores "aprenden" de conjuntos de datos que fluyen a través de sus algoritmos. Si bien la intervención humana sigue siendo valiosa para el entrenamiento de las máquinas, estos algoritmos optimizan la forma en que una máquina responde a ciertos eventos, haciéndola más "inteligente" después de cada instancia.
También hemos sido testigos del surgimiento del aprendizaje profundo. El aprendizaje profundo, un subconjunto del aprendizaje automático, se diferencia en que permite que las máquinas se corrijan a sí mismas sin intervención humana, lo que lo hace más escalable y preciso. Este es el tipo de tecnología que impulsa innovaciones como el reconocimiento de imágenes y los coches autónomos.
El aprendizaje profundo funciona mediante redes neuronales que tienen varias capas de propagación de datos. Lamentablemente, si bien muestra un gran potencial para las empresas que desean identificar rápidamente las amenazas y protegerse de ellas, también está demostrando ser una herramienta útil para los ciberdelincuentes. Esto hace que sea aún más crucial para las empresas comprender estas tecnologías y utilizarlas para mitigar estas amenazas.
Las amenazas que se esconden tras la innovación
Tras el surgimiento de nuevas tecnologías, aparecen nuevos ataques potenciales. Los ciberdelincuentes han diseñado amenazas que comprometen las funcionalidades de la IA o que aprovechan las capacidades del propio aprendizaje automático.
Ataques que comprometen la infraestructura de IA
Envenenamiento de datos: Si un agente malintencionado sabe que la IA está recopilando datos, puede inundarlos con información falsa o corrupta. Como resultado, la IA se entrena de forma incorrecta, lo que provoca que funcione mal o que realice actividades que no debería, como clasificar el malware como seguro.
Ataques adversariales: Estos ocurren durante la etapa de inferencia, cuando la IA ya ha sido entrenada y utiliza la información obtenida para tomar decisiones sobre nuevos datos. El atacante introduce un elemento en el modelo que altera la precisión con la que la máquina identifica imágenes u otros elementos. Los ataques adversarios pueden encadenarse, lo que contamina los datos de entrenamiento y explota el resultado durante el proceso de inferencia.
Ataques que utilizan IA
Suplantación de identidad dirigida (spear phishing): para perfeccionar las prácticas de suplantación de identidad existentes, los ciberdelincuentes utilizan algoritmos de aprendizaje automático para crear mensajes personalizados y atractivos diseñados para incitar a los usuarios a compartir información confidencial. Por ejemplo, los piratas informáticos pueden crear correos electrónicos personalizados que parezcan provenir de un familiar cercano o un compañero de trabajo.
Deepfakes: La IA puede combinar y superponer imágenes y vídeos utilizando una técnica de aprendizaje automático conocida como red generativa antagónica. Estas imágenes y vídeos parecen reales, pero en realidad son un conglomerado de fuentes dispares. Su uso más común parece ser el de tergiversar a los políticos, pero también pueden utilizarse para manipular otras actividades cuestionables. Los deepfakes también se han producido en el ámbito del audio, en un ejemplo reciente se sospecha que unos hackers utilizaron una voz generada por IA para robar $243 000 a una empresa energética con sede en el Reino Unido.
Muchos expertos temen que, a medida que esta tecnología siga avanzando, resulte cada vez más difícil diferenciar las grabaciones de vídeo y audio legítimas de las falsificaciones profundas (deepfakes), lo que podría tener graves implicaciones sociales y políticas en los próximos años.
Mitigación de ciberataques con IA
Paralelamente a estas crecientes amenazas, la gran cantidad de datos y la capacidad de procesamiento actuales permiten a los proveedores de seguridad crear herramientas para mitigar y prevenir este tipo de ataques. El aprendizaje automático permite la creación de modelos predictivos que diferencian entre comportamientos «buenos», «malos» y «normales», lo que los hace lo suficientemente inteligentes como para prevenir de forma proactiva los bots e identificar actividades maliciosas. Esta capacidad, combinada con la intervención humana que ayuda a entrenar a la máquina, está cambiando la forma en que las empresas implementan la seguridad.
Aquí tienes algunos ejemplos de cómo:
- Antispam: El aprendizaje automático permite a las empresas crear filtros que detectan automáticamente cómo es el correo electrónico no deseado y, del mismo modo, cómo es el correo electrónico deseado.
- Biometría: La IA ya se utiliza ampliamente para el reconocimiento facial y de sonrisas, y muchos usuarios de teléfonos inteligentes implementan estas técnicas de seguridad avanzadas en forma de Face ID de Apple.
- Detección de amenazas: El reconocimiento de patrones puede detectar amenazas y virus, mejorando las defensas de seguridad y ayudando a las empresas a detectar actividades maliciosas potenciales con mayor rapidez.
- Seguridad adaptativa: la IA aprende rápidamente cómo se comportan los usuarios, lo que significa que también identifica cuándo hacen cosas que no son propias de ellos, lo que apunta a una posible suplantación de identidad en la cuenta.
- Procesamiento del lenguaje natural: la IA recopila información de noticias y artículos de investigación sobre amenazas cibernéticas, lo que ayuda a la máquina a aprender las últimas anomalías de seguridad, técnicas de piratería informática y estrategias de prevención. Esto garantiza que las empresas estén al tanto de los últimos riesgos y que sus estrategias de seguridad evolucionen continuamente.
- Detección de bots: Los bots, o cuentas automatizadas en redes sociales, han influido en elecciones políticas, manipulado los mercados bursátiles y provocado epidemias sanitarias. Sin embargo, las técnicas de aprendizaje profundo pueden detectar los bots antes de lo que era posible anteriormente, separarlos de las cuentas propiedad de humanos y minimizar su amenaza.
Dónde encaja el aprendizaje automático en Okta
Contraatacar a los ciberdelincuentes implica reforzar las defensas de seguridad con tecnologías de IA y aprendizaje automático. En Okta, hemos incorporado estas prácticas en nuestro producto de Autenticación Multifactor Adaptativa (MFA).
La autenticación basada en riesgos, una función de Adaptive MFA, utiliza el aprendizaje automático para ofrecer detección y respuesta automatizadas ante ataques basados en la identidad. Okta transforma los datos de entrada y las variables, como el dispositivo, la ubicación, la dirección IP y los datos biométricos, en perfiles de comportamiento contextuales, que sirven de base para tomar decisiones de autenticación y autorización cuantificables y prácticas.
