Offensive AI is changing Cyber Security forever...
 |
| https://www.mdpi.com/1424-8220/20/1/109/htm |
摘要： - 物聯網（物聯網）已成為尖端技術之一，並為研究世界的吸引感興趣的領域，以及對商業世界的經濟吸引力。它涉及多個的設備和設備的連接，以及到人類的互連。
IoT 需要雲端計算環境來處理，其數據交換和處理；同時，它需要人工智慧（AI）來分析，儲存在雲基礎架構的數據，並進行非常快速可靠的智慧決策。這些互連的物聯網設備，使用其唯一標識符和嵌入式感測器，每個設備都使用 Internet 和雲端的網路基礎架構彼此通信，並在它們之間進行交換資訊。
我們生活在大數據的時代，應用 AI / ML 的必要性對過程非常重要，並快速準確地分析收集雲端的大數據。然而，儘管 AI 目前在改善傳統網路安全方面，發揮了更大的作用，但 IoT 設備的雲端漏洞和網路，都仍然是主要的威脅。
除了雲端和物聯網設備的安全問題外，駭客也正在使用 AI，並繼續對網路安全世界的威脅。此外，佈署在公共網路上的大多數無線訪問的 IoT 設備，也在恆定的網路威脅下。本研究文件將提出混合檢測模式，作為使用人工智慧和機器學習（AI / ML）的解決方案方法，用於打擊和減輕主機和網路級別的雲端計算環境的 IoT 網路威脅。
1. 介紹
到目前為止，IoT 被認為是技術的下一個最佳賭注。 與大聲和人工智慧 IoT 的大數據一起涵蓋了數據通信系統。根據，大約 127 個連接到網路的新設備，每秒連接到網路，並且預計將在 2025 年將增加超過 270 億以下，這幾乎是 2018 年的三倍。IoT 設備佈署越高，IoT 市場規模成長的趨勢越高。
此外 IoT 設備的數量越高，基於雲的大數據量越高，數據和網路安全的重要性。 但即使 IoT 設備佈署的成長和效益，帶來了高投資回報率（投資回報率）值，IoT 設備的安全性，和對雲端網路基礎架構的恆定網路威脅，一直是關鍵安全問題之一。
鑑於事物連接的網路（IoT），這是互聯設備的各種網路，使用網路提供智慧的服務，使用者的隱私和不同的網路攻擊，而數據在使用中，在運輸過程中或休息時，需要 最高水準的保護。為了滿足這一要求，我們正在使用混合建議的解決方案模式，來接近這些安全問題，該模式應用 AI / ML 模式，包括監督學習，無監督的學習和加固學習。AI 的應用在雲端上，提供了更安全的環境，並有助於確保實現物聯網的充分潛力。
1.1. IoT Security Challenge.
適當的保護有助於保持數據私有，限制對設備和雲端資源的訪問，提供連接到雲端的安全方法，以及審核設備使用情況。IoT 安全策略使用像設備標識管理，加密和訪問控制等策略，來減少漏洞。Yadav、Pooja 和 Ankur 解釋了 IoT 成為一個值得的價值，但大量的數據增加了它在檢測、通信、控制器和產生意識方面的複雜性。他們還描述瞭如何在即時成長，其數據規模的成長高度，影響數據和網路漏洞。
IoT 安全在互聯的網路基礎設施中，通信的安全性，和 IoT 設備之間的連接，是一個主要的威脅和重要關注。從數據安全性的角度來看，IoT 設備的主要問題是，大多數人的設計，都是無能的來處理網路攻擊和隱私威脅。因此，它將整個物聯網網路留下了暴露於漏洞。安全專家說，大多數物聯網設備都缺乏保障措施，因此成為攻擊者的輕鬆目標。所以 Jason 提出，確保 4V 的大數據量、速度、品種和價值的安全性，將是一個挑戰。
此外，設備標識（對象/服務標識符）是另一個安全挑戰。該標識符特定的代碼，和特定設備的辨識碼，如行動電話的 IMEI 號。但是，IoT 網路中的所有對像都不是這種情況。因此，本辨識標準將為系統中的每個設備工作。
最後但並非最不重要的是，Geo 位置是提供正確的安全性的另一個基本方面，是我們知道設備的確切實體位置。雖然我們可以從手機或智慧電視中提取此類資訊，但所有連接到網路的設備，都不是這種情況。
最後，導致對設備中漏洞的其他設備的訪問，網路犯罪分子可以輕鬆訪問，他們可以快速訪問網路中的其他連接系統，這是一個重大挑戰。例如，與連接到物聯網網路的嬰兒監視器，簡單的妥協將為其他設備，易於提供訪問的網路犯罪分子，包括連接的汽車，連接的房屋，智慧電視等，以減輕內部安全需求，和人工智慧的上述挑戰（AI ）作為安全工具。
1.2. IoT 安全需求和人工智慧（AI）作為安全工具
根據 Girma，IoT 設備的巨大和批量存在在計算世界中，帶來了新的維度和範例。每個家庭的互聯設備的場景，非常可能以驚人的速度，並且具有更可靠的網路安全基礎架構，來處理和減輕對休息數據的數據的風險，以及運動中的數據，這是一個主要的關鍵安全需求。此外，IoT 數據收集的高度安全要求，其資訊交換路由、數據儲存和分析發生的雲端平台，達到最高級別。
鑑於其高度可擴展的網路實體系統性質，並且具有與其數據行動和分析，在非常複雜的廣域網中，發生的互聯設備，不同 AI 機制的應用，一直非常關鍵和剝削，以提供更加可行的侵入檢測系統（IDS）和入侵防禦系統（IPS）功能。許多組織佈署了人工智慧（AI），作為其威脅情報機制的一部分，以便擁有可靠的網路防禦姿勢，來減輕目的在其基礎設施的風險。
傳統安全技術的缺點，是非常規則的基於規則的領導，主要是為了看到 AI ，作為網路防禦的主要工作主管。目前，AI 正在提供組織在持續的網路攻擊中，擁有巨大的安全控制支援。給出了所有 IoT 數據儲存和計算，在雲端環境和雲端安全上發生，也是另一個最重要的問題，即使 AI 不是防彈，其應用作為網路防禦策略的一部分，正在成為默認規範，並且在高水準的巨大貢獻。AI / ML 交付的主要效益，包括但不限於：在即時報告現有漏洞，大型物聯網數據分析，網路攻擊檢測，和遏制威脅警報。
1.3. Apply And Drawback sofai / ml.
儘管 AI / ML 的進步，已經承諾並為機器人科學和網路安全，提供了巨大的優勢，但它也表現出完全相反的功能，並為駭客開發和佈署了一個完全複雜的 AI / ML 的機會，以便為網路 - 攻擊。他們是工作的一天和夜晚，來調查和提供更複雜的 AI / ML ，適應新的攻擊向量，並使用它來刺激相同類型的攻擊。
此外，駭客可以應用 AI / MI 來測試自己的惡意軟體，並學習並增強其能力，以便能夠滲透和違反其對手的基礎設施，並違反配備另一個 AI / ML 的基礎設施。AI / ML 測試和訓練的越多，最災難性將是損壞。
與 AI 相關的其他缺點，包括其高成本、對原創性的限制、被喪失應對人類、失業，仍需要人類投入來改善，並有效地應對不同的網路攻擊。其有效性幾乎取決於來自不同來源的，訓練數據集的準確性和可用性。它需要準確的數據集，以便在所需的水準中學習，因為即使在經驗，也缺乏創造力和改進。
技術正在以一種更複雜的方式廣泛傳播，導致具有能夠精確利用和毒害訓練數據的惡意內部人或外部威脅，來開發具有災難性效果，和危險缺陷的危險缺陷，這些威脅是非常難以檢測的危險缺陷，不可能追蹤它。
2. 相關工作
在 IoT 安全領域，許多研究最近提出了用於惡意軟體檢測，和預防的各種解決方案，包括非機器學習解決方案。根據 IEEE 在 2019 的一份文獻報告，它們提出了分類的混合模型，以及增強的歷史 IP 濾波（EHiff）方案，為 SDN 的雲端環境製作 DDOS 攻擊後端。
總之，本研究專注於非機器學習的解決方案，在這方面，研究看起來有效地評估 DDOS 環境中，DDOS 的檢測和預防，但該研究人員提供的解決方案，不是最適合解決 IoT 的安全問題，對雲端計算環境中，網路的威脅進行打擊的問題。
在 2017 年國際應用工程研究雜誌中，作者提出了 DQEAFAF 框架，該框架已被其他惡意軟體的其他家庭評估，這表現出良好的健壯性。培訓過程取決於樣品的原始二進制流的特徵。實驗顯示，該方法的成功率為 75％。但他們的解決方案仍然需要進一步的工作，來最大限度地提高他們的最終解決方案的檢測效率，僅限於他們的研究問題。
在參考文獻中，使用卷積神經網路的研究，基於串流的惡意軟體檢測，作者提出了一種使用卷積神經網路（CNN），和其他機器學習算法的自動惡意軟體檢測方法。對於分類目的，它們應用 CNN、多層 Perceptron（MLP），支持向量機（SVM）和隨機森林（RF），以及使用 CNN 和 RF 的所有類別的精度、準確度和召回。從這個結果中，我們瞭解到所描繪的結果，所描述的進一步方法，需要更好的精確度結果。
如上所述的相關工程所提到，我們瞭解到，使用非機器算法的主機側惡意軟體的檢測，已經達到最高為 85％ 的精度。但我們的案例專門集中，瞭解 AI / ML 對 IoT 安全的作用，以便在雲端計算環境中，打擊新興網路的威脅（包括惡意軟體）。
透過考慮與工作相關的 AI / ML 算法，該研究將遵循以下解決方案方法，來打擊和減輕雲端計算環境的 IoT 網路威脅，無論是在主機和網路級別。
3. 提出的解決方案方法
安全性既不是電腦化系統或其特定的配置，也不是唯一的。保護始終適用於更廣泛的計算技術，網路犯罪分子和駭客仍然來自新的技術和策略，以發現我們的系統中的漏洞。
因此，需要一種更具動態和響應的系統，來提供針對這些威脅的堅實防禦。安全專家考慮 AI 和 ML，以提供水密封安全機制，因為這些解決方案收集和分析，來自先前攻擊的資訊，並根據此數據提供解決方案。這些系統不斷監控網路，並繼續調查以前的攻擊，甚至辨識在未來，可能類似地發生的攻擊。
因此，AI / ML 解決方案不等待攻擊發生，而是根據歷史預測攻擊，並建議對抗威脅的解決方案。雖然駭客每天都提出新技術，但所有攻擊都是 100％ 原創，但舊方法的稍微修改版本，透過學習和分析先前所檢測到的網路攻擊，來解決 IoT 設備安全問題的方法，以便我們的 AI 攻擊/ ML 解決方案，將與攻擊歷史及其配備模式，並且可以輕鬆地檢測未來的攻擊，和圍繞零日攻擊的安全性。
此外，沒有人為干預的人工智慧和機器學習工作，因此不需要 24x7 不需要對網路監控網路的實體資源。它甚至為僱用網路安全專家的企業，花費了很多錢。
機器學習（ML）在有一個巨大的數據庫時非常活躍。為了在實踐中實現算法，我們的研究使用和應用強制數據集，使用者數據和端點日誌文件，用於主機基礎檢測和網路級別檢測。雖然安全警告和警報的數量，可能是為人類處理的很多，但使用 AI / ML 解決高級安全系統的應用解決問題。
事實上，在沒有這些高級安全系統的幫助下，大雲端數據中心中的安全團隊，將是非常不可能維護安全性的。透過開發預測分析，以防止未來攻擊，本研究透過開發預測分析，來接近雲端網路基礎設施的安全問題。因此，本文將使用從 CIADA 和 PASTT 獲取的合適數據集，來建構 AI / ML 應用。
3.1. 數據分類架構
IoT Security 是一個重要組成部分，以提供反應性和預防性安全策略，以便控制可以應用於實體平台和軟體層。以下架構使用深度學習，可以幫助辨識或分類攻擊。
4. 未來的工作和推薦
人工智慧和機器學習，在增強網路安全方面，發揮著大規模的作用。以同樣的方式，他們還透過物聯網設備，更智慧的家園、智慧汽車等提高日常生活的品質。任何先進的安全解決方案，都不能成為一個完整的解決方案，除非它包含 AI 和 ML 功能的某些部分。
使用 AI 和 ML 開發的解決方案，主要有助於檢測，過去發生的眾多攻擊中的相似性，並在以相同的模式檢測到另一個時，提供即時警告。關於 AI / ML 的最佳方法，是它可以不斷解密使用者行為，更改使用模式，以及所有類型的不規則性。
我們的研究建議之一，即安全專家商定的是為了規範，可用於使 ML 的解決方案，易於破譯數據，並迅速分析的數據集。我們研究數據的集捲，以 EXABYTES 表示。一旦數據集被定義和標準化，在打擊網路威脅，就 ML 的系統將變得非常有用。
我們所提出的研究解決方案，我們建議在最終確定，是否要根據從我們的數據集中，提取的功能進行無監督的解決方案，或監督的解決方案。雖然 AI 和 ML 系統可以獨立工作，而沒有人類的監督，但仍要謹慎的是人類的小型干預，將使系統更加平衡和有效。
儘管我們的研究範圍，僅集中在基於主機和網路級別，雲端計算的環境上， 混合檢測的模式，但我們還在使用不同的算法（例如 Apriori 和 Eclat）時，提出了用於警報檢測，類似的網路攻擊者。
結論
我們居住在一個時代，大多數高級安全解決方案，包含某種形式的 AI / ML 是一個完整的解決方案。人工智慧和機器學習，不僅在提高傳統網路安全方面，大規模的作用，而且透過像智慧家園、智慧汽車等資訊設備，提高日常生活的品質。安全專家還建議組織在最終確定之間，繪製細線關於是否去尋求無人監督的解決方案或監督。
雖然 AI 和 ML 系統可以獨立工作，而沒有人類的監督，但仍謹慎的是，人類的小型干預，將使系統更加平衡和有效。安全專家的最重要建議，是標準化數據集，可用於使基於 ML 的解決方案易於破譯數據，並快速分析。定義數據集並標準化後，基於 ML 的系統將變得非常有用，在打擊任何類型的網路威脅。我們將展示我們的初步結果，並討論下一個研究論文的數據分析報告。
沒有留言:
張貼留言