-
Nach wie vor verlassen sich viele Sicherheitsteams bei der Erkennung von Bedrohungen auf statische Signaturen, warnt der Schweizer Security-Experte Exeon Analytics.
Dabei bauen sie entweder auf ein Intrusion Detection System (IDS) zur Netzwerkanalyse oder auf statische Verhaltenserkennungen auf der Grundlage von Endpunktprotokollen. Doch mit immer mehr Daten wird es schwierig, den Überblick zu behalten, und alle Quellen und Angriffsmuster mit individuellen Regeln abzudecken. Um diese Herausforderungen zu meistern, helfen laut Exeon Algorithmen des maschinellen Lernens (ML) dabei, die Perspektive bei der Erkennungsentwicklung zu wechseln. Wer ML einsetzt, kann den Normalzustand einer Kommunikation lernen, Abweichungen erkennen und diese nach deren Gefährlichkeit bewerten.
Beispielhafte Anwendungsbereiche von ML sind die Erkennungen von Algorithmen, die Domains generieren, bis hin zur Analyse des Verkehrsvolumens, der Erkennung von Command-and-Control-Kanälen und der Erkennung von interner Weiterverbreitung (Lateral Movement). Dabei können insbesondere IT-Sicherheitsverantwortliche und SOC Analysten, die relevante Bedrohungen erkennen und abwehren müssen, von ML profitieren. Exeon selbst nutzt Algorithmen des maschinellen Lernens und deren Baselining-Funktionen für seine NDR-Plattform (Network Detection & Response) ExeonTrace.
Trainierte und untrainierte Algorithmen
Algorithmen des maschinellen Lernens können in zwei Gruppen unterteilt werden: trainierte und untrainierte Algorithmen. Beide haben Vorteile und einige Einschränkungen in ihrer Anwendung. Die trainierten Algorithmen werden im Labor trainiert, um bekannt gute und bekannt schlechte Merkmale zu erkennen. Untrainierte Algorithmen verwenden das sogenannte Baselining, das heißt, sie lernen den normalen Zustand der Infrastruktur und können ihre Basislinie dynamisch an die Umgebung des Unternehmens anpassen. Am Ende läuft dies auf (Netzwerk-)Statistik, Berechnung von Wahrscheinlichkeiten, Zeitanalyse und Clustering hinaus.
In Kombination haben beide Algorithmen-Gruppen große Vorteile, da sie einerseits auf Erfahrung aus dem Labor, der Industrie und anderen Kunden zurückgreifen (trainierte Algorithmen) und andererseits dynamisch im Unternehmens-eigenen Netzwerk lernen (untrainierte Algorithmen) und auf der Basis auch unbekannte, neue Angriffe detektieren können.
Anomalien müssen erklärt werden
Wenn Anomalien erkannt werden, so ist die Erklärung und Kontextualisierung von größter Bedeutung. Oft liefern Sicherheitstools nur die Information, dass die ML-Engine etwas entdeckt hat, aber es ist den Analysten nicht bekannt, was genau entdeckt wurde. Daher ist es laut Exeon wichtig, die benötigten Informationen für SOC-Analysten zur Verfügung zu stellen; sowohl mit der präzisen Benennung der Anomalie wie auch mit Kontextinformationen direkt zur Anomalie.
ExeonTrace verwendet trainierte und untrainierte Algorithmen, leistungsstarke Visualisierungen und umfassende Kontextinformationen, um SOC-Analysten damit effizient und effektiv in der Erkennung und Behebung von Cyber-Incidents zu unterstützen.
Verantwortlicher für diese Pressemitteilung:
Exeon Analytics AG
Herr Gregor Erismann
Grubenstrasse 12
8045 Zürich
Schweizfon ..: +41 44 500 77 21
web ..: http://www.exeon.com
email : exeon@prolog-pr.comPressekontakt:
Prolog Communications GmbH
Herr Achim Heinze
Sendlinger Str. 24
80331 Münchenfon ..: +49 89 800 77-0
web ..: http://www.prolog-pr.com
email : exeon@prolog-pr.comDisclaimer: Diese Pressemitteilung wird für den darin namentlich genannten Verantwortlichen gespeichert. Sie gibt seine Meinung und Tatsachenbehauptungen und nicht unbedingt die des Diensteanbieters wieder. Der Anbieter distanziert sich daher ausdrücklich von den fremden Inhalten und macht sich diese nicht zu eigen.
Bitte beachten Sie, dass für den Inhalt der hier veröffentlichten Meldung nicht der Betreiber dieser Content Seite verantwortlich ist, sondern der Verfasser der jeweiligen Meldung selbst. Weitere Infos zur Haftung, Links und Urheberrecht finden Sie in den AGB.
Sie wollen den Beitrag verlinken? Der Quellcode lautet:
So hilft ML bei der Erkennung von Netzwerk-Anomalien
wurde veröffentlicht auf dieser Content Seite am Juli 11, 2023 in der Rubrik Presse - News
Content wurde 63 x angesehen
So hilft ML bei der Erkennung von Netzwerk-Anomalien
suchen auf dieser Content Seite
Content and more
Willkommen auf der Content Seite für Insider-Wissen, Fakten, Neuigkeiten und aktuelle News. Verbreiten Sie Content – werden Sie Blogger auf diesem Portal.
neuer Content auf dieser Seite
- Räumen Sie auf in Kiel! Kostenlose Computerschrottentsorgung für eine saubere Zukunft!
- REPLY wächst in Großbritannien mit Solirius
- Sicheres Onboarding und Offboarding von Mitarbeitenden mit SECANDA SECURE
- Das Zeitalter der Elektrizität
- Netzwerkstörungen bei TV, Internet und Telefonie schnell beheben
- Stefan Kühn:“Aktienmanagement aus der Geschichte lernen – die 21 Lektionen von Russell Napier“.
- Wende im Uranmarkt und im Düngemittelmarkt
- Arztpraxen und medizinische Versorgungszentren: Mit der Digitalisierung Schritt halten
- Trapper liefert wieder: Brixton Metals meldet bis zu 18,50 g/t Gold!
veröffentlichter Content in der Kategorie
Content Seite – Archiv
Sie wollen Online PR betreiben?
Als Informationsquelle sind Blogs prädestiniert. Befindet sich Ihr Content auf dieser Seite? Nein - dann kennen Sie unseren online Presseverteiler nicht.
Content manuell verbreiten kostet viel Zeit. Mit einem Klick wird dieser auch auf diesem Portal erscheinen. Testen Sie unseren Presseverteiler kostenlos.
Content manuell verbreiten kostet viel Zeit. Mit einem Klick wird dieser auch auf diesem Portal erscheinen. Testen Sie unseren Presseverteiler kostenlos.