התחזית של פורטינט: הבינה המלאכותית תשנה את מאזן הכוחות לטובת מגני הסייבר

פורטינט (נאסד"ק: FTNT), מובילה עולמית בפתרונות אבטחת סייבר מקיפים, משולבים ואוטומטיים, חשפה את תחזיות איומי הסייבר של מעבדות FortiGuard, גוף המחקר הגלובלי של החברה, לשנת 2020 והלאה. התחזיות חושפות את השיטות אשר לדעת החוקרים של פורטינט ישמשו את פושעי הסייבר בעתיד הקרוב ואת האסטרטגיות אשר יסייעו לארגונים להגן על עצמם מפני ההתקפות. להלן ממצאי הדוח העיקריים:  

התחכום של פושעי הסייבר לא מאט

לא ניתן לצפות לבצע שינויים באסטרטגיית האבטחה מבלי להיתקל בתגובה של פושעי הסייבר. רשתות וארגונים המשתמשים בשיטות מתוחכמות של איתור ותגובה להתקפות עלולים למצוא את עצמם מול תגובת נגד חזקה אף יותר של פושעי הסייבר. שיטות התקפה מתוחכמות יותר, שטח התקיפה הפוטנציאלי המתרחב ומערכות חכמות מבוססות AI תורמים גם הם לעלייה ברמת התחכום של פושעי הסייבר.

טכניקות התחמקות מתקדמות – לפי דוח מפת האיומים של פורטינט, ישנה עלייה בשימוש של טכניקות התחמקות מתקדמות אשר נועדו כדי למנוע גילוי, להשבית את ההתקנים ופונקציות האבטחה ולפעול מתחת לפני השטח באמצעות שימוש באסטרטגיות של Living of the Land, אשר מנצלות תוכנה מותקנת ומסוות את התעבורה הזדונית כלגיטימית. כלי נוזקה מודרניים רבים כבר כוללים בתוכם מאפיינים אשר נועדו לחמוק מאנטי וירוסים או כלי איתור איומים אחרים, דבר ההופך את פושעי הסייבר ליותר ויותר מתוחכמים בשיטות הערפול שלהם, אשר נועדו כדי להימנע מאיתור. אסטרטגיות כאלו מנצלות וממקסמות את החולשות של משאבי האבטחה והצוות.

טכנולוגיית נחיל – במהלך השנים האחרונות, העלייה של טכנולוגיית הנחיל, אשר יכולה למנף למידת מכונה ו-AI כדי לתקוף רשתות והתקנים, הדגימה פוטנציאל חדש. פיתוחים בטכנולוגיית הנחיל הם בעלי השלכות רבות עוצמה בתחומים של רפואה, תחבורה, הנדסה ופתרון בעיות אוטומטי. יחד עם זאת, טכנולוגיה זו יכולה לשמש גם את פושעי הסייבר במידה וארגונים לא יעדכנו את אסטרטגיות האבטחה שלהם. הפושעים יכולים להשתמש בנחילים של בוטים כדי לחדור לרשת, להשתלט על הגנות פנימיות, למצוא ולחלץ נתונים ביעילות. בוטים בעלי התמחות מסוימת החמושים בפונקציות ספציפיות יוכלו לחלוק ולתאם מודיעין הנאסף בזמן אמת כדי להאיץ את יכולת הנחיל לבחור ולהתאים התקפות אשר נועדו לפגוע ביעד אחד או אפילו מספר יעדים בו זמנית.

רשתות דור 5 ומחשוב קצה הופכים לנשק – הופעתן של רשתות דור 5 עלולה להיות הזרז להתפתחות של התקפות פונקציונליות מבוססות נחיל. הדבר יכול לקרות באמצעות היכולת ליצור רשתות מקומיות המיועדות לכך, אשר יכולות לשתף ולעבד מידע ויישומים במהירות. על ידי הפיכת רשתות דור 5 ומחשוב קצה לנשק, התקנים אינדיבידואליים אשר נפגעו יכולים להפוך לצינור עבור קוד זדוני וקבוצות של התקנים אשר נפגעו יכולים לעבוד יחד כדי להתמקד בקורבנות העושים שימוש ברשתות דור 5. בהינתן המהירות, המודיעין והטבע המקומי של התקפה שכזו, טכנולוגיות אבטחה ישנות עלולות לעמוד בפני האתגר שבמאבק יעיל באסטרטגיה זו.

שינוי באופן שבו פושעי הסייבר משתמשים בהתקפות Zero-day – באופן מסורתי, איתור ופיתוח פרצה עבור חולשת zero-day הייתה יקרה, כך שפושעי הסייבר לרוב היו אוגרים אותן עד שפורטפוליו ההתקפות הקיים שלהם נוטרל. שטח התקיפה המתרחב והיעדר של אסטרטגיית אבטחה יעילה עלולים להביא לגידול משמעותי בנפח נקודות התורפה של zero-day אשר פושעי הסייבר יכולים לנצל לטובתם. גם בדיקות אבטחה של בינה מלאכותית אשר נועדו לדמות התקפות שונות (fuzzing) וכרייה של zero-day עלולות להגדיל בצורה מעריכית את הנפח של התקפות zero-day.

משנים את המסלול של התקפות הסייבר

התקפות הסייבר הפכו למתוחכמות ביותר בשנים האחרונות והגדילו את היעילות והמהירות שלהן. מגמה זו עלולה להמשיך, אלא אם ארגונים רבים יותר יעשו שינוי בדרך שבה הם בונים את אסטרטגיות האבטחה שלהם. הנפח, המהירות והתחכום של נוף האיומים הגלובלי כיום דורשים מהארגונים את היכולת להגיב בזמן אמת ובמהירות גבוהה כדי להדוף ביעילות התקפות אגרסיביות, כאשר התקדמות בתחומי הבינה המלאכותית ומודיעין האיומים יהוו חלק חשוב במאבק זה. 

התפתחות הבינה המלאכותית כמערכת – אחת המטרות של פיתוח אבטחה ממוקדת בינה מלאכותית (AI) הייתה ליצור מערכת חסינה ובעלת יכולת הסתגלות עבור הרשת, הדומה למערכת אשר נמצאת בגוף האדם. הדור הראשון של AI תוכנן כדי להשתמש במודלים של למידת מכונה כדי ללמוד, לתאם ולקבוע את דרך הפעולה הספציפית. הדור השני של AI מינף את היכולת המתוחכמת הגוברת לאתר דפויסים כדי לשפר משמעותית דברים כמו בקרת גישה על ידי ביזור של צמתים (nodes) לומדים לאורך סביבות. הדור השלישי של AI הוא המקום שבו לא מסתמכים על מרכז ניהול מרכזי יחיד, אלא ה-AI יחבר את הצמתים הלומדים האזוריים שלו, כך שניתן יהיה לחלוק, לתאם ולנתח נתונים אשר נאספים באופן מקומי בצורה מבוזרת יותר. מדובר בהתפתחות חשובה מאוד עבור ארגונים אשר מעוניינים לאבטח את סביבות הקצה המתרחבות שלהם.

למידת מכונה מאוחדת – למידת מכונה, יחד עם מינוף של צורות מסורתיות של מודיעין איומים הנאסף ממקומות שונים או נגזר מניתוחי נתונים ותעבורה פנימיים, תסתמך בסופו של דבר על שטף של מידע רלוונטי המגיע מהתקני קצה חדשים לצמתים לומדים מקומיים. איתור ותיאום מידע המגיע בזמן אמת יאפשרו למערכת ה-AI לייצר תצוגה מלאה יותר של נוף האיומים ואף ללטש את הדרך שבה מערכות מקומיות יגיבו לאירועים מקומיים. מערכות AI יהיו מסוגלות לראות, לתאם, לאתר ולהתכונן לאיומים באמצעות שיתוף מידע לאורך כל הרשת. בסופו של דבר, מערכת למידה מאוחדת תאפשר לסטים של נתונים להתחבר ביניהם כך שמודלים של למידה יהיו מסוגלים להסתגל לסביבות משתנות ולמגמות אירועים, כך שאירוע אשר התרחש בנקודה אחת ישפר את המודיעין של כל המערכת.  

שילוב AI עם דפוסי פעולה כדי לחזות התקפות – השקעה ב-AI מאפשרת לארגונים להפוך מטלות שונות לאוטומטיות, יחד עם מערכת אוטומטית אשר יכולה לחפש ולאתר התקפות בדיעבד ולפני שהן מתרחשות. שילוב בין למידת מכונה עם ניתוח סטטיסטי יאפשר לארגונים לפתח תכנון פעילות מותאם ל-AI כדי לשפר את האיתור והתגובה לאיומים. שיטות אלו המתייחסות לאיומים יכולות לחשוף דפוסים חבויים המאפשרים למערכת ה-AI לחזות את הצעד הבא של התוקף, את מקום התקיפה הבא ואף לקבוע מיהם פושעי הסייבר אשר ככל הנראה אחראיים למעשה. אם מידע זה נוסף למערכת AI לומדת, צמתים לומדים מרוחקים יהיו מסוגלים לספק הגנה מתקדמת ואקטיבית, בה הם לא רק מאתרים איום, אלא גם חוזים תנועות, מתערבים בצורה אקטיבית ומבצעים תיאום עם צמתים אחרים כדי להשבית בצורה סימולטנית את כל שטחי התקיפה.   

שימוש במודיעין נגדי והטעית פושעי הסייבר – אחד המשאבים הקריטיים ביותר בעולם של ריגול זהו מודיעין נגדי והדבר נכון גם בעת תקיפה או הגנה על סביבה שבה כל המהלכים מנוטרים בקפידה. היתרון המובהק של אלו הנמצאים בצד המגן זוהי הגישה למודיעין איומים אשר חסרה בדרך כלל לפושעי הסייבר, כאשר יתרון זה יכול לגדול אף יותר באמצעות למידת מכונה ו-AI לצורך הטעיה של התוקפים. יחד עם זאת, השימוש הגובר בטכנולוגיות הטעיה יכול לעורר תגובת נגד מצד פושעי הסייבר, אשר יצטרכו ללמוד להבדיל בין תעבורה לגיטימית וכזו המתעתעת בהם מבלי להיתפס. ארגונים יהיו מסוגלים להתנגד לפושעי הסייבר ביעילות על ידי הוספת חוקים ושימוש נרחב ביכולות AI עבור אסטרטגיות ההטעיה שלהם, אשר לא רק תאתר את הפושעים המחפשים לזהות תעבורה לגיטימית, אלא גם תשפר את תעבורת ההטעיה כך שלא ניתן יהיה להבדיל בינה לבין טרנסאקציות לגיטימיות. בשימוש נכון, ארגונים יוכלו להגיב לכל מאמצי מודיעין הנגד לפני שאלו מתרחשים ולהיות בשליטה על הרשת שלהם.

שיתוף פעולה עם רשויות אכיפת החוק – בעוד כי לאבטחת סייבר יש דרישות ייחודיות הקשורות לדברים כמו פרטיות וגישה, פשיעת הסייבר היא חסרת גבולות. כתוצאה מכך, ארגוני אכיפת החוק החלו לפתוח מרכזי פיקוד גלובליים ולקשר אותם למגזר הפרטי כדי לחזק את היכולת שלהם לראות ולהגיב לפעולות של פושעי הסייבר בזמן אמת. שיתוף פעולה בין רשויות אכיפת חוק גלובליות עם המגזר הפרטי והציבורי יכול לסייע בזיהוי ותגובה לפושעי הסייבר. יוזמות אשר מולידות גישה מאוחדת יותר כדי לגשר על הפערים בין סוכנויות אכיפת חוק מקומיות ובינלאומיות, ממשלות, עסקים ומומחי אבטחה יעזרו לזרז את החלפת המידע המוקדמת והמאובטחת כדי להגן על תשתיות קריטיות נגד פושעי הסייבר. 

דרק מאנקי, ראש תחום תובנות אבטחה ובריתות איומים גלובליות בפורטינט, אמר כי, "ניתן לייחס הרבה מההצלחה של פושעי הסייבר ליכולת לנצל את שטח התקיפה המתרחב ופערי האבטחה הנובעים מהטרנספורמציה הדיגיטלית. לאחרונה, מתודולוגיות התקיפה של הפושעים הפכו למתוחכמות אף יותר באמצעות השילוב המקדים של בינה מלאכותית וטכנולוגיית נחיל. למרבה המזל, המסלול הזה יכול להשתנות ברגע שבו ארגונים יתחילו להשתמש באותן האסטרטגיות כדי להגן על הרשתות שלהם, בהן משתמשים פושעי הסייבר כדי לתקוף. הדבר דורש גישה מאוחדת, מקיפה, משולבת ואוטומטית כדי לאפשר הגנה ונראות לאורך כל חלקי הרשת והקצוות השונים, החל מה-IoT ועד לעננים דינמיים".