هوش مصنوعی تیم های امنیتی را با یافته ها پر می کند. مزیت در اتفاقات بعدی است

طی سال گذشته، تیم‌های امنیتی در پلتفرم ما زمان لازم برای رفع یک آسیب‌پذیری حیاتی را تقریبا 50% کاهش دادند. در همان دوره، تعداد معوقه آسیب‌پذیری‌های بحرانی حل‌نشده آن‌ها تقریبا ۲۹ برابر شد. این اعداد بیانگر مشکلی است که هر رهبر امنیتی قرار است به ارث ببرد.

هوش مصنوعی اکنون می تواند نرم افزار را در مقیاسی آزمایش کند که آزمایش دستی هرگز به آن نرسیده است. مدل‌ها کد را می‌خوانند و هزاران دارایی را برای الگوهای آسیب‌پذیری آشنا جستجو می‌کنند، و زودتر و سریع‌تر از هر تیم انسانی، نوردهی‌ها را آشکار می‌کنند.

برای کسب‌وکارهایی که سعی می‌کنند با سطح حمله در حال گسترش همگام شوند، این دسترسی واقعا ارزشمند است. همچنین نشان دهنده ضعفی است که توجه کمتری را به خود جلب کرده است: بیشتر سازمان ها نمی توانند یافته ها را با هر چیزی نزدیک به سرعتی که هوش مصنوعی می تواند آنها را تولید کند، اعتبارسنجی، اولویت بندی و اصلاح کنند.

این عدم تعادل اکنون کل بازی است. سرمایه گذاری در ابزارهای کشف هوش مصنوعی، به خودی خود، سازمان را ایمن تر نمی کند. آن را شلوغ تر می کند. در صورت عدم رسیدگی، تیم‌های امنیتی با کارهای عقب مانده بزرگ‌تر و توجه کمتری به نقص‌هایی که در واقع کسب‌وکار را در معرض خطر قرار می‌دهند، باقی می‌ماند.

این مشکلی است که مدیریت مواجهه با تهدید مستمر (CTEM) برای حل آن وجود دارد. CTEM به سازمان‌ها فرآیندی مستمر برای درک سطح حمله، یافتن نقاط ضعف، اثبات اینکه واقعا قابل بهره‌برداری هستند و هدایت اصلاح به سمت مواجهه‌هایی که بیشترین ریسک تجاری را دارند، می‌دهد. کشف یک ورودی است. مزیت از هر چیزی پس از آن ناشی می شود.

شکاف بین کشف و اصلاح در حال افزایش است

رهبران امنیتی مدت‌هاست که کشف را به عنوان یک مشکل ظرفیت در نظر می‌گیرند: دارایی‌های بیشتر را آزمایش کنید، کدهای بیشتری را پوشش دهید، نقاط ضعف را زودتر شناسایی کنید. هوش مصنوعی به این سوال قاطعانه پاسخ می دهد. اما یافتن یک آسیب پذیری بالقوه شروع کار است نه پایان آن.

هر یافته هنوز باید به عنوان قابل بهره برداری تایید شود و از نظر شدت در زمینه خاصی که فناوری در آن اجرا می شود، مورد قضاوت قرار گیرد. سپس باید به تیم مهندسی مناسب برسد، در برابر اولویت‌های موجود پیروز شود، تعمیر شود، و برای اثبات درست بودن آن، دوباره مورد آزمایش قرار گیرد. هوش مصنوعی مرحله اول را فشرده می کند و به سختی بقیه را لمس می کند.

به همین دلیل است که دو عددی که با آنها باز کردم می توانند هر دو درست باشند. افزایش تعداد یافته ها می تواند به معنای پوشش بهتر باشد. تعمیرات سریع‌تر می‌تواند در کنار یک عقب ماندگی رو به رشد باشد، زمانی که کشف سریع‌تر از بهبود و ظرفیت مهندسی به سمت دیگر حرکت می‌کند. هیچ کدام از این دو رقم به تنهایی معنی زیادی ندارد. تنها نمای مهم، کل مسیر را اجرا می‌کند، از اولین تشخیص تا تعمیر تأیید شده.

اعتبار سنجی نقطه خفه است

هوش مصنوعی همچنین هزینه تولید یک گزارش امنیتی قانع کننده را کاهش داده است. برخی از این گزارش ها به ضعف های واقعی اشاره می کنند. برخی دیگر یافته‌های شناخته شده را تکرار می‌کنند، هدف را اشتباه می‌خوانند، یا مسائل نظری را توصیف می‌کنند که ریسک واقعی کمی دارند. همه هنوز باید مورد بررسی قرار گیرند. گزارشی که تولید آن چند ثانیه طول می کشد، می تواند ساعت ها وقت یک تحلیلگر باتجربه را صرف کند تا اینکه با اطمینان رد شود.

در مقیاس سازمانی، یافته‌های فوری به این ترتیب دفن می‌شوند. یک آسیب‌پذیری کاملا مشهود با یک مسیر حمله معتبر در همان صف صدها ارسالی قرار می‌گیرد که قابل قبول به نظر می‌رسند و به جایی نمی‌رسند. تیم‌های امنیتی باید طلای هوش مصنوعی را از شیب هوش مصنوعی جدا کنند، تصمیم بگیرند که کدام یافته‌های واقعی مهم‌تر هستند، و این کار را با ظرفیت مهندسی انجام دهند که مطابق با آن رشد نکرده است.

صاحبان برنامه به استانداردهای روشنی برای شواهد نیاز دارند تا این امکان را فراهم کنند. از محققان باید انتظار داشت که تأثیر احتمالی کسب و کار را نشان دهند و نشان دهند که چگونه یک آسیب پذیری بازتولید می شود، با ابزار خودکاری که برای بالا بردن کیفیت آن شواهد به جای حجم ارسال ها استفاده می شود.

سابقه ثابت یافته‌های معتبر به صاحب برنامه‌ای می‌گوید که کار او ابتدا مستحق توجه است. با افزایش تعداد ارسال‌ها، این رکورد بیشتر ارزش دارد، نه کمتر.

زمینه کسب و کار هنوز تصمیم می گیرد که چه چیزی مهم است

شدت فنی تنها بخشی از آن چیزی است که شما باید بدانید تا تصمیم بگیرید که چه چیزی را ابتدا اصلاح کنید. هوش مصنوعی می‌تواند یافته‌ها را با الگوها و استدلال‌های شناخته شده در سیستم‌هایی که می‌تواند به آن دست یابد، مطابقت دهد. چیزی که به ندرت دارد تصویر کاملی است که کسب و کار دارد: کدام خدمات درآمد ایجاد می کنند، داده های تنظیم شده در کجا زندگی می کنند، کدام وابستگی ها زمان از کار افتادگی را به ویژه گران می کند، و چه کنترل های جبرانی در حال حاضر وجود دارد.

مشکل سخت تر ترکیب است. یافته‌های فردی که به خودی خود متوسط ​​به نظر می‌رسند می‌توانند یک مسیر حمله جدی را تشکیل دهند، زمانی که کسی بفهمد سیستم‌ها چگونه با هم تعامل دارند، از کدام مجوزها می‌توان سوء استفاده کرد و کنترل‌ها در کجای مرزهای سازمانی شکسته می‌شوند.

این کار انسان است. و زمانی که کار انسان متنوع باشد بهتر است: یک محقق به بررسی کنترل‌های هویت، دیگری در مورد رفتار API، و دیگری در مورد اینکه چگونه ضعف‌های جزئی در سیستم‌ها با هم زنجیره می‌شوند، می‌پردازد. این تنوع مسیرهای حمله جدیدی را نشان می‌دهد که اتوماسیون و حتی مدل‌های سایبری پیشرفته از آن غافل هستند.

داده های خود ما نشان می دهد که آن کار چقدر ارزش دارد. محققان در نیمه اول سال جاری بیش از 47 میلیون دلار در پلتفرم H1 کسب کردند که نسبت به سال گذشته بیش از 25 درصد افزایش یافته است. قوی ترین درآمدها کسانی هستند که می توانند تاثیر کسب و کار را توضیح دهند و دقیقا نشان دهند که چگونه می توان از یک نقطه ضعف استفاده کرد.

این همان جایی است که محققان بیشترین چیزها را به برنامه CTEM اضافه می کنند: آزمایش اینکه آیا قرار گرفتن در معرض در شرایط واقعی باقی می ماند یا خیر، و شناسایی ارتباط بین نقاط ضعفی که در انزوا بی ضرر به نظر می رسند.

این رقم سزاوار یک پاورقی صادقانه است. افزایش درآمد کل به معنای برنده شدن هر محققی نیست. همانطور که هوش مصنوعی یافته‌های معمول و با فرکانس بالا را جذب می‌کند، محققانی که زمانی در آنجا امرار معاش می‌کردند، ابتدا تغییر را احساس می‌کردند، در حالی که کسانی که می‌توانستند ضعف‌ها را زنجیره‌ای کنند، درباره منطق تجاری استدلال کنند و مدرک معتبر ارائه کنند، ارزش کار خود را بیشتر می‌کنند.

وظیفه هر پلتفرم پاداش باگ جدی این است که انتقالی را ایجاد کند که جامعه آن بتواند از آن عبور کند، نه دیواری که اکثر آنها به آن برخورد کنند.

این تعهد به هر دو صورت اجرا می شود. اگر برنامه ها از محققان انتظار دارند که کیفیت شواهد خود را بالا ببرند، محققان باید در ازای آن، تریاژ سریع و منصفانه، توسل واقعی زمانی که یک گزارش معتبر به اشتباه نادیده گرفته می شود، و دری که به روی تازه واردانی که هنوز شهرت خود را به دست نیاورده اند باز بماند.

بهترین محققان به طور فزاینده ای از ابزارهای هوش مصنوعی استفاده می کنند، و ارزش یک گزارش هرگز به این موضوع بستگی ندارد که آیا ابزاری به تولید آن کمک کرده است یا خیر. از اقتصاد و انصاف که به کار معتبر پاداش می دهد محافظت کنید، و جامعه تحقیقاتی مستقل با مقیاس های هوش مصنوعی قوی تر می شود، نه باریک تر.

ساخت برای حجمی که هوش مصنوعی ایجاد می کند

بنابراین، آیا باگ بونتی مرده است؟ دور از آن. فرض کنید کشف فقط تسریع خواهد شد، و برای هر چیزی که پس از یافتن یک نقص اتفاق می افتد تلاش کنید.

اکتشافات بیشتر فشار بیشتری را بر نقطه ای که گزارش ها تایید می شوند و به مهندسی تحویل می شوند، وارد می کند. بدون ظرفیت تریاژ کافی، یافته های به خوبی در پشت سر و صدای خودکار متوقف می شوند.

بدون مالکیت روشن، خطرات تایید شده در شکاف بین امنیت و توسعه قرار دارند. راستی‌آزمایی مستقل از طرف دیگر نیز اهمیت دارد، به‌ویژه زمانی که یک سیستم هوش مصنوعی راه‌حل را پیشنهاد می‌کند و ممکن است همان نقطه کور را در قضاوت خود در مورد کارآمد بودن آن اصلاح انجام دهد.

هیئت‌ها و تیم‌های اجرایی به اقداماتی نیاز دارند که بر اساس کاهش ریسک باشد، نه فعالیت. گزارش یافتن شمارش آسان است و حتی با ایمن‌تر شدن سازمان می‌تواند افزایش یابد. قابلیت بهره‌برداری تایید شده، سرعت اصلاح، تکرار، و اندازه عقب ماندگی بحرانی حل نشده، داستان واقعی را بیان می‌کند.

CTEM این فعالیت ها را به عنوان یک فرآیند پیوسته کنار هم نگه می دارد و با تغییر سطح حمله، کشف، اعتبارسنجی، اولویت بندی و اصلاح را به هم متصل نگه می دارد. این به رهبران امنیتی دید صادقانه ای از اینکه در کجا به دست می آورند و در کجا قرار گرفتن هنوز در حال افزایش است، می دهد.

مرحله بعدی امنیت هوش مصنوعی با کشف برنده نخواهد شد. کشف در حال حاضر فراوان است. در پاسخ برنده خواهد شد: دانستن اینکه کدام یافته‌ها نشان‌دهنده قرار گرفتن در معرض واقعی هستند، و انتقال خطرناک‌ترین آنها به سمت یک اصلاح تایید شده. هوش مصنوعی دسترسی را تامین می کند. محققان مستقل قضاوت و خلاقیت خصمانه‌ای را که هوش مصنوعی همچنان فاقد آن است، ارائه می‌کنند.

سازمان هایی که ایجاد می کنند تا هر دو را به عمل تبدیل کنند، جلو خواهند رفت. آنهایی که این کار را ندارند، فهرستی از آسیب‌پذیری‌هایی که هرگز برطرف نکرده‌اند، در حال رشد خواهند بود.

ما بهترین نرم افزار حفاظت نقطه پایانی را معرفی کرده ایم.

این مقاله به عنوان بخشی از TechRadar Pro Perspectives، کانال ما برای معرفی بهترین و باهوش ترین ذهن ها در صنعت فناوری امروز تهیه شده است.

نظرات بیان شده در اینجا نظرات نویسنده است و لزوما نظرات TechRadarPro یا Future plc نیست. اگر مایل به مشارکت هستید، اطلاعات بیشتری را در اینجا بیابید: https://www.techradar.com/pro/perspectives-how-to-submit