Den ökade andelen högprofilerade hot (t.ex. ransomware) är upp till dubbelsiffrig (15,8 %) tillväxt. Resultatet är en farlig väg som med största sannolikhet kommer att leda till fortsatta förluster för organisationer som faller offer för en cyberattack, utan några vinster i försvaret. Faktum är att en rapport om dataintrång från 2021 från IBM och Ponemon Institute avslöjar att den genomsnittliga kostnaden för ett dataintrång är 4,24 miljoner dollar.
Utöver kostnader kan en cyberattack orsaka irreparabel skada på ett företags varumärke, aktiekurs och dagliga verksamhet. Enligt en nyligen publicerad utgåva från Deloitte research, citerade 32 % av de tillfrågade driftsstörningar som den största effekten av en cyberincident eller intrång. Andra konsekvenser som nämnts av de undersökta företagen var stöld av immateriella rättigheter (22 %), nedgång i aktiekursen (19 %), förlust av rykte (17 %) och förlust av kundernas förtroende (17 %).
Med tanke på dessa betydande risker har organisationer helt enkelt inte råd att acceptera status quo när det gäller att skydda digitala tillgångar. “Om vi någonsin ska överträffa våra motståndare måste världen övergå från upptäckt till förebyggande”, säger Caspi. “Organisationer måste förändra sättet de tillhandahåller säkerhet och bekämpar hackare.”
Djup inlärning kan vara skillnaden
Hittills har många cybersäkerhetsexperter sett maskininlärning som den mest innovativa metoden för att skydda digitala tillgångar. Men djupinlärning är perfekt för att förändra sättet vi förhindrar cybersäkerhetsattacker. Alla maskininlärningsverktyg kan förstås och teoretiskt omvända konstruerade för att introducera en fördom eller sårbarhet som kommer att försvaga dess försvar mot en attack. Dåliga skådespelare kan också använda sina egna maskininlärningsalgoritmer för att kontaminera en säkerhetslösning med falska datamängder.
Lyckligtvis adresserar djupinlärning begränsningarna av maskininlärning genom att kringgå behovet av högutbildade och erfarna dataforskare att manuellt mata in en datauppsättning för en lösning. Snarare kan en modell för djupinlärning speciellt utvecklad för cybersäkerhet absorbera och bearbeta enorma mängder rådata för att fullt ut träna ett system. Dessa neurala nätverk blir autonoma när de väl har tränats och kräver inte konstant mänsklig inblandning. Denna kombination av en rådatabaserad träningsmetodik och större datauppsättningar gör att djupinlärning i slutändan kan identifiera mycket mer komplexa mönster än maskininlärning, med mycket högre hastigheter.
“Djup inlärning överskuggar alla avslagslistor baserade på heuristik eller en standardmetod för maskininlärning”, säger Mirel Sehic, vice president general manager för Honeywell Building Technologies (HBT), ett multinationellt företag och leverantör av flyg-, operativa material och säkerhets- och prestandateknologier . “Tiden som krävs för en djupinlärningsmetod för att upptäcka ett specifikt hot är mycket snabbare än något av dessa element tillsammans.”
Ladda ner hela rapporten.
Det här innehållet skapades av Insights, den anpassade innehållsdelen av MIT Technology Review. Ej skriven av MIT Technology Review-redaktionen.
https://www.technologyreview.com/2022/07/20/1056140/deep-learning-delivers-proactive-cyber-defense/
