サイバーセキュリティにおいて、優位に立ってきたのは常に攻撃者でした。攻撃者は一度成功すればよいのに対し、防御側は毎回成功しなければなりません。
しかし、AIと効果的なデータ活用が業界に広がるにつれ、この現状は変わる可能性があります。
AIとデータがサイバーセキュリティの天秤を傾ける最大の機会を得るためには、質の高いデータ、適切な人材、そしてそれらを柔軟に活用するアプローチが重要です。
サイバーセキュリティでは、これまで攻撃者が優位に立ってきました。サイバー犯罪者が参入する障壁は低い一方で、防御はますます複雑になっています。攻撃者は一度成功すればよいのに対し、防御側はそのたびに毎回成功しなければなりません。
しかし今や、初めて天秤を防御側に傾けることが可能になりつつあります。防御側にデータの優位性をもたらすことができるのです。そして、セキュリティはデータのゲームなのです。
適切なデータがあれば、組織は人工知能を活用して有意義なインサイトを導き出すことができます。データと情報が多いほど、そこから引き出せる意味も大きくなります。
サイバーセキュリティにおけるデータとAI：防御側に天秤を傾ける
防御側にとって、データとAIのこの組み合わせは、ゲームの流れを大きく変える可能性を秘めています。企業は、人間の規模だけでなく機械の規模で業務を行えるようになり始めるかもしれません。防御側はより多くの脅威を把握し、攻撃をより迅速に封じ込めて被害を最小限に抑えることができます。検知と修復から予測と予防へと移行し始めることもできるでしょう。さらに組織は、サイバーセキュリティの人材とスキルの深刻な不足に対処し始めることさえ可能になるかもしれません。
データとAIが防御側に攻撃者に対する優位性をもたらし始めるための方法は、次の4つです。
1. 自然言語インターフェースによるセキュリティ管理者の支援
セキュリティポリシーの管理は、高度に専門的な人材を必要とすることで知られています。AIがあれば、管理者はアシスタントに新しいポリシーの作成を依頼したり、数千に上る既存ポリシー間の競合を特定して解決したり、サイバー攻撃に悪用されかねない設定ミスのあるポリシーやルールを見つけたり、是正措置を実施したりできるようになります。これにより、ミスを排除しリスクを低減できるとともに、セキュリティチームの膨大な時間を節約し、経験の浅い人材でも効果を高めることができます。
2. データを相関させ、より高い精度で攻撃を検知する
ITenvironment全体には、エンドポイントのプロセス、ウェブやアプリケーションの接続、ネットワークトラフィック、ユーザーの行動などから得られる膨大な量のテレメトリーが存在します。その結果、膨大な数のシグナルが生じ、非常に多くのアラートや誤検知が発生します。その負担に圧倒されたセキュリティチームは、すべてを確認しきれず、結果としてアラート疲れに陥ります。そのため、低レベルのアラートを無視してしまうのも無理はありません。AIモデルを使えば、通常無視されがちな小さなシグナルをすべて分析・相関させ、無視すべきではない、また見逃されかねない実際の攻撃パターンを示すより大きなシグナルを明らかにできます。これにより、突破される攻撃が減り、セキュリティチームはより広範囲をカバーできるようになります。
3. 脅威を予測し、封じ込めと復旧を自動化する
ディープラーニングモデルが、新たな脆弱性の小さなシグナルを捉え、それが潜在的な脅威になり得ると予測し始めると、AIは、脅威が確認される前であっても、その場で自動的に環境のスナップショットを取得できます。その後、小さなシグナルが積み重なり、ランサムウェアであることが判明した場合、防御側には直ちに復旧できる時点が確保されています。データが失われることはありません。これは、防御側が毎回必ず成功できるわけではなくても、復旧、封じ込め、被害の最小化を実行できることを意味するため、ゲームチェンジャーとなります。
4. 暗号化されたトラフィックに隠された悪意のあるトラフィックを発見する
ほとんどのトラフィックが暗号化されている世界では、ディープパケットインスペクションのためにすべてのトラフィックを復号することは現実的ではありません。AIは膨大な量のデータから学習し、悪意のある振る舞いの兆候を理解することができます。その後、AIは暗号化されたトラフィックをほぼリアルタイムで分析し、異常な振る舞いを推定して、適切な措置を自動的に講じることができます。
データとAIの活用
データとAIの組み合わせは天秤を傾けるうえで大きな可能性を秘めていますが、同時に重要な留意点もあります。
データの質が鍵となります。AIモデルが膨大な量のデータを取り込むにつれ、その情報の質に対する懸念が高まっています。モデルは「ガベージコンテンツ」とみなされ得るコンテンツから学習してしまうリスクがあり、これは意思決定にこれらのモデルを用いる組織にとって課題となります。偏った、あるいは信頼性の低いデータに関連するリスクを最小限に抑えるため、適切なモデルと学習アプローチを慎重に選択することが極めて重要です。
「アンラーニング（学習の解除）」が必要です。データとAIモデルに関しては、取得した、また古くなっている可能性のあるデータや知識を破棄または再調整する能力が、当初の学習プロセスと同じくらい重要です。過度に訓練されたモデルは過去のデータに過度に依存し、より新しい動向を見落としてしまう可能性があります。言い換えれば、ここでは少ない方が良いのであり、正確性と適時性を維持するために、学習とアンラーニングの間で適切なバランスを取ることが不可欠です。
技術が進歩するにつれて、その成功を確実にするために必要な人材やスキルにも目を向けなければなりません。人材プールの拡大は極めて重要です。組織は、デザイナーやリベラルアーツの専攻者など、従来とは異なる情報源も含め、より多様な視点、経歴、経験を持つ幅広い人材プールから積極的に採用を始める必要があります。問題を解決し、批判的に考え、革新を生み出す能力は、サイバーセキュリティの専門知識と同じくらい重要になるでしょう。多様なチームは脅威に対して新鮮な視点ももたらし、それはAIの訓練効果において大きな成果をもたらし、組織のサイバーセキュリティ体制の改善にも役立ち得ます。実際、サイバーセキュリティの目標は世界の80億人を守ることであり、サイバーセキュリティの人材は、私たちが守る人々を反映したものでなければなりません。
協力を通じた前進
私たちは、業界にとって非常にエキサイティングな時代を迎えています。適切なデータと適切なAIアプローチを組み合わせることは、セキュリティの専門家にとって強力な推進力となり得ます。これにより、防御を事後対応から積極的な封じ込めへと転換し始めることができます。しかし、まだ取り組むべき課題は多く残されています。
世界はますます相互に結びついています。経済、政治、社会、環境の課題は、個別に対処することはできません。世界をサイバー攻撃から守るためには、官民パートナーシップと協力を大幅に強化する必要があります。また、業界の利害関係者の間で、競争上の力学があるにもかかわらず、新たなレベルのデータ交換と相互運用性も必要になります。これらの課題を克服することは容易ではありませんが、それを成し遂げれば、サイバーセキュリティの天秤は防御側に傾くでしょう。
