Os cibercriminosos evoluíram de hackers solitários que visavam pequenos sites e sistemas para entidades perigosas que lançam ciberataques em larga escala, afetando milhões de pessoas em todo o mundo. Nos últimos anos, vimos vários ataques de ransomware de grande escala, como o WannaCry e NotPetya, causaram prejuízos e perdas comerciais na ordem de centenas de milhões ou até bilhões de dólares.
As credenciais roubadas agora são facilmente acessíveis no mercado negro a um custo irrisório. Dados bancários, números de cartão de crédito e pacotes completos de identidade podem ser adquiridos por $ 40; credenciais para servidores Windows RDP não hackeados estão disponíveis por apenas $ 20; e uma empresa pode derrubar o site de um concorrente por uma hora por $ 60. Além disso, softwares maliciosos, como bots, malware e scripts, agora são facilmente replicados, ampliando os vetores de ataque dos cibercriminosos para além de suas vítimas-alvo originais.
Além da magnitude desses ciberataques, há também uma crescente preocupação com a sua sofisticação. Com o advento da inteligência artificial (IA) e das tecnologias de aprendizado de máquina, surge um novo universo de ameaças cibernéticas que representam um risco significativo para as empresas.
Um pouco mais sobre IA e aprendizado de máquina.
O conceito de IA foi introduzido pela primeira vez há mais de 60 anos, no Workshop de Dartmouth, em 1956, onde pesquisadores exploraram a inteligência humana e como ela poderia um dia ser imitada por máquinas. No contexto das capacidades digitais atuais, o aprendizado de máquina evoluiu para um conceito em que computadores poderosos "aprendem" com conjuntos de dados que fluem através de seus algoritmos. Embora a intervenção humana continue sendo valiosa para o treinamento de máquinas, esses algoritmos otimizam a forma como uma máquina responde a determinados eventos, tornando-a "mais inteligente" a cada ocorrência.
Também testemunhamos o surgimento do aprendizado profundo. O aprendizado profundo, um subconjunto do aprendizado de máquina, diferencia-se por permitir que as máquinas se corrijam sem intervenção humana, tornando-o mais escalável e preciso. Este é o tipo de tecnologia que impulsiona inovações como reconhecimento de imagem e carros autônomos.
A aprendizagem profunda opera utilizando redes neurais que possuem várias camadas de propagação de dados. Infelizmente, embora demonstre um potencial significativo para empresas que desejam identificar ameaças rapidamente e se proteger delas, também está se provando uma ferramenta útil para cibercriminosos. Isso torna ainda mais crucial que as empresas compreendam essas tecnologias e as utilizem para mitigar essas ameaças.
As ameaças por trás da inovação
Com o surgimento de novas tecnologias, surgem novos ataques potenciais. Agentes mal-intencionados agora desenvolveram ameaças que comprometem as funcionalidades da IA ou exploram as capacidades do próprio aprendizado de máquina.
Ataques que comprometem a infraestrutura de IA
Envenenamento de dados: Se um agente malicioso souber que a IA está coletando dados, ele pode inundá-la com informações falsas ou corrompidas. Como resultado, a IA é treinada de forma inadequada, o que a leva a apresentar mau funcionamento ou a realizar atividades que não deveria, como classificar malware como seguro.
Ataques adversariais: Estes ocorrem durante a fase de inferência, quando a IA já foi treinada e utiliza insights para tomar decisões sobre novos dados. O atacante introduz um elemento no modelo que interfere na precisão com que a máquina identifica imagens ou outros itens. Os ataques adversários podem ser encadeados, envenenando os dados de treinamento e explorando o resultado durante o processo de inferência.
Ataques que utilizam IA
Spear phishing: Para aprimorar as práticas de phishing existentes, os criminosos cibernéticos usam algoritmos de aprendizado de máquina para criar mensagens personalizadas e atraentes, projetadas para incentivar os usuários a compartilhar informações confidenciais. Por exemplo, hackers podem criar e-mails personalizados disfarçados para parecerem ser de um parente próximo ou colega.
Deepfakes: a IA pode combinar e sobrepor imagens e vídeos usando uma técnica de aprendizado de máquina conhecida como rede generativa adversarial. Essas imagens e vídeos parecem reais, mas na verdade são um conglomerado de fontes diversas. Seu uso mais comum parece ser para deturpar políticos, mas também podem ser usados para adulterar outras atividades questionáveis. Deepfakes também ocorreram em áudio — em um exemplo recente, suspeita-se que hackers usaram uma voz gerada por IA para roubar US$ 243.000 de uma empresa de energia sediada no Reino Unido.
Muitos especialistas temem que, à medida que essa tecnologia avança, se torne cada vez mais difícil diferenciar vídeos e áudios legítimos de deepfakes, o que pode ter sérias implicações sociais e políticas nos próximos anos.
Mitigando ciberataques com IA
Paralelamente a essas ameaças crescentes, a abundância de dados e poder computacional disponíveis hoje permite que os provedores de segurança criem ferramentas para mitigar e prevenir esses tipos de ataques. O aprendizado de máquina permite a criação de modelos preditivos que diferenciam entre comportamentos ‘bons’, ‘ruins’ e ‘normais’, tornando-os inteligentes o suficiente para prevenir proativamente os bots e identificar atividades maliciosas. Essa capacidade, combinada com a intervenção humana que ajuda a treinar a máquina, está mudando a forma como as empresas implementam a segurança.
Aqui estão alguns exemplos de como:
- Anti-spam: O aprendizado de máquina permite que as empresas criem filtros que detectam automaticamente a aparência de e-mails de spam e, da mesma forma, a aparência de e-mails legítimos.
- Biometria: A IA já é amplamente utilizada para reconhecimento facial e de sorrisos, com muitos usuários de smartphones implementando essas técnicas avançadas de segurança, como o Face ID da Apple.
- Detecção de ameaças: O reconhecimento de padrões pode detectar ameaças e vírus, aprimorando as defesas de segurança e ajudando as empresas a identificar atividades potencialmente maliciosas mais rapidamente.
- Segurança adaptativa: a IA aprende rapidamente como os usuários se comportam, o que significa que também identifica quando eles fazem coisas que fogem ao seu padrão habitual, indicando uma possível invasão de conta.
- Processamento de linguagem natural: a IA coleta informações de notícias e artigos de pesquisa sobre ameaças cibernéticas, o que ajuda a máquina a aprender as anomalias de segurança mais recentes, as técnicas de hacking e as estratégias de prevenção. Isso garante que as empresas se mantenham atualizadas sobre os riscos mais recentes e evoluam continuamente suas estratégias de segurança.
- Detecção de bots: Bots, ou contas automatizadas de redes sociais, influenciaram eleições políticas, manipularam mercados de ações e causaram epidemias de saúde. No entanto, as técnicas de aprendizado profundo podem detectar bots mais cedo do que era possível anteriormente, separá-los de contas pertencentes a humanos e minimizar a ameaça que representam.
Onde o aprendizado de máquina se encaixa na Okta
Para combater os cibercriminosos, é preciso reforçar as defesas de segurança com tecnologias de IA e aprendizado de máquina. Na Okta, incorporamos essas práticas em nosso produto Autenticação Multifator Adaptativa (MFA).
A autenticação baseada em risco, um recurso da Adaptive MFA, usa aprendizado de máquina para fornecer detecção e resposta automatizadas a ataques baseados em identidade. A Okta transforma entradas de dados e variáveis, como dispositivo, localização, endereço IP e biometria, em perfis de comportamento contextual, que informam decisões de autenticação e autorização quantificáveis e acionáveis.
