Les cybercriminels ne sont plus des pirates solitaires s’attaquant à de petits sites web ou systèmes ; aujourd'hui, ce sont des entités dangereuses menant des cyberattaques d’envergure qui touchent des millions de personnes dans le monde. Ces dernières années, nous avons vu plusieurs attaques majeures de ransomware telles que WannaCry et NotPetya ayant entraîné des centaines de millions, voire des milliards de dollars de pertes et de dommages pour les entreprises.
Les identifiants volés sont désormais facilement accessibles sur le marché noir à un coût modique. Des coordonnées bancaires, des numéros de carte de crédit et des dossiers d’identité complets s'achètent pour 40 $; des identifiants de serveurs Windows RDP non compromis ne coûtent que 20 $ ; et une entreprise peut rendre le site web d’un concurrent indisponible pendant une heure pour 60 $. De plus, les logiciels malveillants, tels que les bots, les malwares et les scripts, sont désormais faciles à reproduire afin d’élargir les vecteurs d’attaque des cybercriminels au-delà de leurs victimes initiales.
Outre leur ampleur, ces cyberattaques inquiètent également par leur niveau de sophistication. Avec l’essor de l’intelligence artificielle (IA) et des technologies de machine learning se développe tout un éventail de nouvelles cybermenaces qui représentent un risque important pour les entreprises.
En savoir plus sur l’IA et l’apprentissage automatique
Le concept d’IA a été introduit il y a plus de soixante ans lors de l’atelier de Dartmouth en 1956, pendant lequel des chercheurs ont étudié l’intelligence humaine et la manière dont elle pourrait un jour être reproduite par des machines. Dans le contexte des capacités numériques actuelles, le machine learning est devenu un concept où des ordinateurs puissants « apprennent » à partir d'ensembles de données qui circulent dans leurs algorithmes. Bien que l’intervention humaine reste précieuse pour former les machines, ces algorithmes simplifient la manière dont une machine réagit à certains événements, la rendant plus performante après chaque occurrence.
Nous avons également vu l’émergence de l’apprentissage profond (deep learning). Sous-ensemble du machine learning, l’apprentissage profond a la particularité de permettre aux machines de se corriger elles-mêmes sans intervention humaine – ce qui le rend plus évolutif et précis. C’est le type de technologie qui alimente des innovations telles que la reconnaissance d’image et les voitures autonomes.
L’apprentissage profond fonctionne à l’aide de réseaux neuronaux comportant plusieurs couches de propagation des données. Malheureusement, bien qu'il présente un potentiel important pour les entreprises souhaitant identifier rapidement les menaces et s’en protéger, cet outil est aussi très utile pour les cybercriminels. Cela rend d’autant plus essentiel pour les entreprises de comprendre ces technologies et de les utiliser afin de réduire ces menaces.
Les menaces liées à l’innovation
De nouvelles formes d’attaques potentielles apparaissent dans le sillage de toutes les nouvelles technologies. Des acteurs malveillants conçoivent désormais des attaques qui compromettent les fonctionnalités de l’IA ou exploitent les capacités mêmes de l’apprentissage automatique.
Attaques qui compromettent l’infrastructure de l’IA
Empoisonnement des données : si un acteur malveillant sait que l’IA collecte des données, il peut l’inonder d’informations fausses ou corrompues. Par conséquent, l’IA est mal entraînée, ce qui entraîne un dysfonctionnement ou l’exécution d’activités inappropriées, comme classer un malware comme étant un programme sécurisé.
Attaques adverse : celles-ci surviennent lors de la phase d’inférence, lorsque l’IA a déjà été entraînée et utilise ses analyses pour prendre des décisions concernant de nouvelles données. L’attaquant introduit un élément dans le modèle qui perturbe la précision avec laquelle la machine identifie des images ou d’autres éléments. Les attaques adverses peuvent être enchaînées, ce qui compromet les données d'apprentissage et exploite le résultat lors du processus d'inférence.
Attaques utilisant l’IA
Spear phishing : pour perfectionner les pratiques de phishing existantes, les acteurs malveillants utilisent des algorithmes de machine learning afin de concevoir des messages personnalisés et convaincants, destinés à inciter les utilisateurs à divulguer des informations sensibles. Par exemple, des hackers peuvent concevoir des e-mails personnalisés qui semblent provenir d’un proche parent ou d’un collègue.
Deepfakes : l’IA peut combiner et superposer des images et des vidéos à l’aide d’une technique de machine learning appelée réseau antagoniste génératif. Ces images et vidéos semblent réelles, mais sont en réalité un assemblage de sources disparates. Leur utilisation la plus courante semble être de présenter de manière trompeuse des personnalités politiques, mais elles peuvent également servir à manipuler d’autres activités douteuses. Des deepfakes ont également été signalés dans l’audio. En effet, récemment, des hackers auraient utilisé une voix générée par l’IA pour dérober 243 000 $ à une entreprise du secteur de l’énergie basée au Royaume-Uni.
De nombreux experts craignent qu’à mesure que cette technologie progresse, il devienne de plus en plus difficile de distinguer les contenus vidéo et audio authentiques des deepfakes, ce qui pourrait avoir des répercussions sociales et politiques importantes dans les années à venir.
Réduire les cyberattaques grâce à l’IA
Parallèlement à la montée de ces menaces, l’abondance actuelle de données et de puissance informatique permet aux fournisseurs de solutions de sécurité de développer des outils pour atténuer et prévenir ce type d’attaques. Le machine learning permet de créer des modèles prédictifs capables de distinguer les comportements « corrects », « mauvais » et « normaux », ce qui les rend suffisamment intelligents pour prévenir de manière proactive les bots et identifier les activités malveillantes. Cette fonctionnalité, associée à l’intervention humaine qui contribue à entraîner la machine, transforme la manière dont les entreprises déploient la sécurité.
Par exemple :
- Anti-spam : le machine learning permet aux entreprises de concevoir des filtres capables d’identifier automatiquement les caractéristiques des e-mails indésirables et aussi celles des e-mails légitimes.
- Biométrie : l’IA est déjà largement utilisée pour la reconnaissance faciale et du sourire, de nombreux utilisateurs de smartphones adoptant ces techniques de sécurité avancées à la manière du Face ID d’Apple.
- Détection des menaces : la reconnaissance de modèles permet d’identifier les menaces et les virus, pour renforcer ainsi les défenses de sécurité et aider les entreprises à repérer plus rapidement toute activité potentiellement malveillante.
- Sécurité adaptative : l’IA apprend rapidement comment les utilisateurs se comportent, ce qui lui permet également de détecter lorsqu’ils agissent de manière inhabituelle et donc de signaler une éventuelle usurpation de compte (ATO).
- Traitement en langage naturel : l’IA recueille des informations issues d’articles de presse et de publications de recherche sur les cybermenaces, ce qui permet à la machine d’apprendre les dernières anomalies de sécurité, techniques de piratage et stratégies de prévention. Cela permet aux entreprises de rester informées des risques les plus récents et de faire évoluer en permanence leurs stratégies de sécurité.
- Bot Detection : les bots, ou comptes automatisés sur les réseaux sociaux, ont influencé des élections politiques, manipulé les marchés boursiers et provoqué des épidémies sanitaires. Cependant, les techniques d’apprentissage profond peuvent détecter les bots plus tôt qu’auparavant, les distinguer des comptes détenus par des humains et réduire leur menace.
La place du machine learning chez Okta
Renforcer la lutte contre les cybercriminels implique de consolider les défenses de sécurité grâce aux technologies d’IA et de machine learning. Chez Okta, nous avons intégré ces pratiques dans notre produit Adaptive MFA (MFA).
Risk-Based Authentication, une fonctionnalité d’Adaptive MFA, utilise le machine learning pour offrir une détection et une réponse automatisées face aux attaques ciblant l’identité. Okta transforme les données saisies et les variables, telles que le terminal, la localisation, l’adresse IP et la biométrie, en profils comportementaux contextuels, qui orientent des décisions d’authentification et d’autorisation quantifiables et exploitables.
