Derin öğrenme, proaktif siber savunma sağlar

Yüksek profilli tehditlerin (örneğin fidye yazılımı) artan hızı, çift–haneli (%15,8) büyüme. Sonuç, savunma güçlerinde herhangi bir kazanım olmaksızın bir siber saldırının kurbanı olan kuruluşlar için büyük olasılıkla sürekli kayıplara yol açması muhtemel tehlikeli bir yoldur. Gerçekten de, IBM ve Ponemon Enstitüsü tarafından 2021 veri ihlali raporu ortaya çıkarır bir veri ihlalinin ortalama maliyeti 4,24 milyon dolar.

Maliyetlerin ötesinde, bir siber saldırı bir şirketin markasına, hisse fiyatına ve günlük operasyonlarına onarılamaz hasar verebilir. Yakın tarihli bir Deloitte’a göre anketAnkete katılanların %32’si, bir siber olayın veya ihlalin en büyük etkisi olarak operasyonel kesintiyi belirtti. Ankete katılan şirketler tarafından belirtilen diğer tepkiler arasında fikri mülkiyet hırsızlığı (%22), hisse fiyatındaki düşüş (%19), itibar kaybı (%17) ve müşteri güveninin kaybı (%17) yer alıyor.

Bu önemli riskler göz önüne alındığında, kuruluşlar dijital varlıkları koruma konusundaki statükoyu kabul etmeyi göze alamazlar. Caspi, “Rakiplerimizin önüne geçeceksek, dünyanın algılama zihniyetini önleme zihniyetine değiştirmesi gerekiyor” diyor. “Kuruluşların güvenlik sağlama ve bilgisayar korsanlarıyla savaşma yöntemlerini değiştirmesi gerekiyor.”

Derin öğrenme fark olabilir

Şimdiye kadar birçok siber güvenlik uzmanı, makine öğrenimini dijital varlıkları korumaya yönelik en yenilikçi yaklaşım olarak gördü. Ancak derin öğrenme, siber güvenlik saldırılarını önleme şeklimizi değiştirmek için idealdir. Herhangi bir makine öğrenimi aracı anlaşılabilir ve bir saldırıya karşı savunmasını zayıflatacak bir önyargı veya güvenlik açığı oluşturmak için teorik olarak tersine mühendislik yapılabilir. Kötü aktörler, savunma çözümlerini yanlış veri kümeleriyle kirletmek için kendi makine öğrenimi algoritmalarını da kullanabilirler.

Neyse ki derin öğrenme, son derece yetenekli ve deneyimli veri bilimcilerinin bir çözüm veri setini manuel olarak besleme ihtiyacını ortadan kaldırarak makine öğreniminin sınırlamalarını giderir. Bunun yerine, özellikle siber güvenlik için geliştirilmiş bir derin öğrenme modeli, sistemi tam olarak eğitmek için çok büyük hacimli ham verileri emebilir ve işleyebilir. Bu sinir ağları, bir kez eğitildikten sonra özerk hale gelir ve sürekli insan müdahalesi gerektirmez. Ham veri tabanlı öğrenme metodolojisi ve daha büyük veri kümelerinin bu birleşimi, derin öğrenmenin sonunda çok daha yüksek hızlarda makine öğreniminden çok daha karmaşık kalıpları doğru bir şekilde tanımlayabildiği anlamına gelir.

Çok uluslu bir şirket ve havacılık, performans malzemeleri, güvenlik ve üretkenlik sağlayıcısı olan Honeywell Building Technologies’in (HBT) genel müdür yardımcısı Mirel Sehic, “Derin öğrenme, herhangi bir reddetme listesini, buluşsal tabanlı veya standart makine öğrenimi yaklaşımını gölgede bırakıyor” diyor. teknolojiler. “Derin öğrenmeye dayalı bir yaklaşımın belirli bir tehdidi tespit etmesi için gereken süre, bu unsurların herhangi birinin birleşiminden çok daha hızlıdır.”

Raporun tamamını indirin.

Bu içerik, MIT Technology Review’un özel içerik kolu olan Insights tarafından üretilmiştir. MIT Technology Review’un editör kadrosu tarafından yazılmamıştır.