A mesterséges intelligencián alapuló észlelés megszünteti a Zero-Day sebezhetőségek Zero-Day a késleltetések okozta hiányosságokat a biztonsági folyamatban

Minden vállalati fájlátviteli folyamat rejtett hatékonysági veszteséget hordoz magában. MFT Managed File Transfer) feladatok, ICAP Internet Content Adaptation Protocol) proxy-k, az e-mail mellékletek, az ügyfelek számára elérhető feltöltési portálok és a doménközi adatátvitelek egy statisztikai tényt közösnek mutatnak: a rajtuk keresztül áramló fájlok nagyjából 99,9%-a tiszta üzleti adat. Az a 0,1%, amely rosszindulatú, az egyetlen oka annak, hogy ez a folyamat egyáltalán létezik. Minden fájl ugyanazt a biztonsági terhet viseli, függetlenül a kockázattól, és ez az egységesség jelenti a hatékonysági veszteséget.

Az első probléma a késleltetés. Egy fájl, amely a reggeli csúcsforgalomban több tucat másik fájl mögé sorakozik be, teljes körű multiscanning keresztül várja a sorát, multiscanning attól, hogy egy szokásos táblázatról vagy egy ismeretlen futtatható fájlról van-e szó. A banki és pénzügyi szolgáltatások területén ez a késleltetés közvetlenül a tranzakciók felfüggesztéséhez, a feldolgozás lelassulásához és a szkennert váró átutalásokhoz vezet. A SANS 2025-ös észlelési és reagálási felmérése szerint a reagálási idő a biztonsági csapatok 53%-a számára vált a legnagyobb kihívássá, szemben az előző évi 45%-kal.

A második probléma a téves riasztások. A legtöbb gépi tanuláson alapuló biztonsági motor a visszahívási arányra van beállítva: mindent kiszűr, a zajt pedig elfogadja. Ez a kompromisszum végpontokon működik. Egy fájlfeldolgozási folyamatban azonban egy téves riasztás blokkolhat egy legitim üzleti fájlt, felesleges SOC (Biztonsági Műveleti Központ) riasztást vált ki, és aláássa az elemzők bizalmát, amely az automatizálást lehetővé teszi. Ugyanez a SANS-felmérés megállapította, hogy a téves riasztások jelenleg a válaszadók 73%-a számára jelentik a legnagyobb kihívást az észlelés terén.

Predictive Alin AI OPSWAT mesterséges intelligencián alapuló rosszindulatú program-felismerő motorja, Predictive Alin AI zero-day futtatás előtti zero-day Predictive Alin AI . Úgy tervezték, hogy a fájlok szerkezeti és viselkedési jellemzőinek gépi tanuláson alapuló elemzésével azonosítsa a rosszindulatú fájlokat még azok futtatása előtt. A motor a döntés meghozatalához nem támaszkodik szignatúrákra, egy adott fenyegetéssel kapcsolatos előzetes ismeretekre, illetve sandbox . Predictive Alin AI még az első utasítás végrehajtása előtt Predictive Alin AI azokat a szerkezeti jelzőket, amelyek a rosszindulatú szándékot jelzik.

A MetaDefender Aether™ keretein belül, az OPSWAT egységes zero-day észlelési platformján belül a Predictive Alin AI egy ötrétegű folyamat 2. rétegeként működik: fenyegetés-hírnév, statikus elemzés, dinamikus elemzés, fenyegetés-értékelés és fenyegetés-keresés. A fenyegetés-hírnév és a dinamikus elemzés között elhelyezkedő Predictive Alin AI még azelőtt meghozza döntését, hogy a fájl eljutna az adaptív sandbox-hez.

Azok a fájlok, amelyek elérik a bizalmi küszöbértéket, a végrehajtás előtt eltérítve vagy blokkolva kerülnek; azok a fájlok pedig, amelyek nem érik el a küszöbértéket, a gyenge statikus értékelés helyett a dinamikus elemzésbe kerülnek, ahol alaposabb vizsgálatnak vetik alá őket. A dinamikus elemzés során megerősített „ zero-day ” eredmények visszakerülnek a fenyegetés-hírnév-rendszerbe és a Predictive Alin AI oldalra, megerősítve ezzel a folyamat további szakaszaiban születő jövőbeli értékeléseket.

A hagyományos víruskereső motorok listák alapján működnek. Ha egy szignatúra egyezik egy ismert fenyegetéssel, a fájlt megjelölik. Az AV-TEST.org adatai szerint naponta 450 000 új kártevőminta jelenik meg, így ez a lista mindig egy lépéssel lemarad. Predictive Alin AI más megközelítést Predictive Alin AI : kivonja és elemzi azokat a szerkezeti jellemzőket, amelyeket a rosszindulatú fájlok maguk után hagynak, függetlenül attól, hogy azokat korábban már látták-e vagy sem.

A motor többek között a következő jellemzőket értékeli:

• Fájlfejlécek, szakaszok és az általános elrendezés

• Entrópia-mintázatok és tömörített kódjelzők

• Belépési pontok és a programfolyamat jellemzői

• Metaadatok és importtáblák

Ezek azok a jelzők, amelyeket egy fenyegetés beágyaz a fájlszerkezetébe, és amelyek függetlenül attól, hogy az adott fenyegetést korábban már észlelték-e vagy sem, mindig jelen vannak. Egy észlelés elkerülésére létrehozott fájlt is meg kell alkotni, és ez a létrehozási folyamat olyan mintákat hordoz, amelyeket egy betanított modell képes felismerni.

A legtöbb gépi tanuláson alapuló biztonsági motor a visszahívási arányra van optimalizálva: a lehető legtöbbet jelzi meg, és a lefedettség áraként elfogadja a téves riasztásokat. A OPSWAT a Predictive Alin AI oldalon éppen ellenkező mérnöki döntést hozott. A motor elsősorban a pontosságra van hangolva. Amikor a Predictive Alin AI döntést hoz, azt úgy tervezték, hogy megbízható legyen, és emberi ellenőrzés nélkül is cselekedni lehessen alapján.

Ez a pontosság mindkét irányban érvényesül, bár eltérő mértékben. A rosszindulatú fájlok felismerése a nehezebb feladat, amelynek pontossága eléri a 90%-ot, míg a tiszta fájlok kizárásának pontossága 99,99%-os. Ez az aszimmetrikus bizalom teszi lehetővé a „Deflection” alkalmazási esetet, amelyet a következő szakaszban részletesen tárgyalunk.

Predictive Alin AI PE-fájlok esetében 15 milliszekundum alatt adja ki az eredményeket a P50-es értéknél, míg a támogatott, magas kockázatú futtatható fájlok esetében a P90-es teljesítmény 50 milliszekundum, a P99-es pedig 100 milliszekundum alatt valósul meg. Jelenleg négy formátum támogatott: PE, PDF, Mach-O és ELF, a jövőbeli tervekben pedig további formátumok támogatása is szerepel. Az eredmény még azelőtt megérkezik, hogy a felhasználó észrevenné a fájl feltöltését, így az inline védelem gyakorlatilag megvalósítható anélkül, hogy a folyamat szűk keresztmetszetévé válna.

Az észlelés bizonyítja, hogy a rendszer működik. Minden helyesen jelzett zero-day adatpont, amely hozzájárul ahhoz a bizonyítékanyaghoz, amely a másik irányba történő fellépéshez szükséges. Amint ez a bizalom kialakult, ugyanaz a pontossági küszöbérték, amely a rosszindulatú fájlokat jelzi, ugyanolyan magabiztossággal alkalmazható a tiszták jóváhagyására is.

Amikor Predictive Alin AI nagy bizonyossággal tiszta minősítést Predictive Alin AI , a fájl egy ellenőrzött gyorsított útvonalat követ. Megkerüli Multiscanning Metascan™ Multiscanning közvetlenül a Deep CDR™ technológiához kerül tisztításra a kézbesítés előtt. Ha Predictive Alin AI nem Predictive Alin AI , a fájl a teljes útvonalat járja be: akár 30 multiscanning , Deep CDR™ technológia, majd teljes minősítés a kézbesítés előtt. Minden fájl értékeléssel zárul. Az elterelés csak az útvonalat változtatja meg, az eredményt nem.

Ez leginkább a terheléscsúcsok idején fontos. A reggeli e-mail-áradat, a nap végi kötegelt adatátvitelek és a bejelentéseket követő feltöltési csúcsok pontosan azok az időpontok, amikor a várólisták megnyúlnak és a válaszidők megnőnek. Az átirányítás már a bejövő forgalomnál kiszűri az ismert, rendben lévő forgalmat, így a feldolgozási folyamat többi része soha nem kerül kapcsolatba ezzel a forgalmi hullámmal.

Az átirányítás nem csökkenti a vizsgálat szigorát. A „Ne bízz semmilyen fájlban. Ne bízz semmilyen eszközben.™” elv, amelyre a MetaDefender™ épül, változatlan marad. Egyetlen fájlt sem tekintünk biztonságosnak. Az átirányítás óvatos intézkedés: ha a motor biztos a dolgában, akkor cselekszik; ha bármilyen kétség merül fel, a fájl a hosszabb útvonalat követi. A kétértelműségeket soha nem oldják meg az átirányítási rétegen.

A SANS 2025-ös „Detection and Response” felmérése szerint a téves riasztások jelentik a legnagyobb felismerési kihívást a biztonsági csapatok 73%-a számára, és azok aránya, akik nagyon gyakran szembesülnek velük, az előző évi 13%-ról 20%-ra emelkedett. Minden téves riasztás egy elemzőt von el a valódi fenyegetések kezelésétől, egy ártalmatlan fájlt zár ki a jogos munkafolyamatból, és fokozatosan aláássa a felismerési rendszerbe vetett bizalmat.

A nagy forgalmú fájlfolyamatokat kezelő SOC (Security Operations Center) csapatok egy egyre súlyosbodó problémával szembesülnek: minél több fájl halad át a folyamaton, annál több riasztást generál az észlelési rendszer, és annál nehezebb megkülönböztetni a valódi jeleket a zajtól. Amíg az elemzők a műszakjukat a téves riasztások kiszűrésével töltik, a valódi fenyegetéseknek több idejük marad a terjedésre. A SOC szűk keresztmetszete egyben az észlelés szűk keresztmetszete is.

Ha részletesebben szeretné megismerni, hogyan törheti meg ezt a körforgást az intelligens elemzés, olvassa el a következő cikket: „SOC-szűk keresztmetszet: a riasztásfáradtság körforgásának megtörése intelligens Sandboxing”.

Az észlelési és a késleltetési hiányosságok nem korlátozódnak egyetlen szektorra sem. A gyártási, az energetikai és a közigazgatási szektorokban egyaránt előfordulnak az észlelési és a késleltetési hiányosságok, bár különböző működési kontextusokban. Az alábbi táblázat bemutatja, hogy az egyes szektorok milyen mértékben vannak kitéve azoknak a kihívásoknak, amelyek Predictive Alin AI .

Az „ Predictive Alin AI ” használata az iparágakban

A pénzügyi szolgáltató szervezetek az összes szektor közül a legnagyobb forgalmú fájlfolyamatokat működtetik. Az ügyfelek számára elérhető feltöltési portálok, a dokumentumbeolvasási munkafolyamatok és a doménközi átvitelek mind folyamatos fájlforgalmat generálnak, és minden felesleges riasztás elvonja az elemző figyelmét a valódi fenyegetésekről. A SANS felmérése szerint a téves riasztások jelentik a legnagyobb felismerési kihívást a biztonsági csapatok 73%-a számára, és azok aránya, akik nagyon magas gyakorisággal szembesülnek velük, az előző évi 13%-ról 20%-ra emelkedett.

Predictive Alin AI a riasztások számát már a keletkezésük forrásánál Predictive Alin AI azáltal, hogy a visszahívási arány helyett a pontosságra helyezi a hangsúlyt. Amire a SOC bízhat, azt automatizálhatja is, így az elemzőknek több idejük marad azokra az ügyekre koncentrálni, amelyek valóban kivizsgálást igényelnek.

A gyártási környezetek egy sajátos behatolási problémával szembesülnek. A firmware-frissítések, a fejlesztési melléktermékek és a harmadik féltől származó szoftvercsomagok fájlként érkeznek, mielőtt fenyegetéssé válnának. Mire egy rosszindulatú csomag eléri az OT-rendszert, a kár már a hálózati perem belsejében keletkezett. Predictive Alin AI ezeket a fájlokat a biztonsági peremterületen Predictive Alin AI , és még a termelési környezetbe való bevezetésük előtt kiad egy, a végrehajtást megelőző értékelést. OPSWATfejlett fenyegetés-felismerő és -megelőző platformján, MetaDefender futó motor prediktív intelligencia réteget ad a meglévő befogadási munkafolyamatokhoz, anélkül, hogy architektúraváltozásokra lenne szükség.

Az energia- és közüzemi szolgáltatók a kritikus infrastruktúra azon környezeteit üzemeltetik, ahol a hálózati kapcsolat a leginkább korlátozott. Számos felismerési módszer hatékonysága csökken air-gapped , mivel olyan felhőalapú lekérdezésekre vagy külső telemetriai adatokra támaszkodnak, amelyek egyszerűen nem állnak rendelkezésre. Predictive Alin AI teljesen offline módon Predictive Alin AI , ugyanazzal a 99,99%-os pontossággal, mint a felhőalapú telepítések, és ennek a teljesítménynek a fenntartásához nincs szüksége külső kapcsolatra vagy felhőalapú lekérdezésekre. A helyszíni frissítési csomagok és a gyártók által biztosított szoftverek a hálózat vagy az üzem működésébe való bejutásuk előtt ellenőrizhetők a hálózat peremén, és a döntések milliszekundumok alatt megérkeznek, függetlenül a hálózati elszigeteltségtől.

A kormányzati és védelmi környezetekben két, egymással párhuzamosan fennálló korlátozás érvényesül: egyrészt szigorú megfelelési előírások, amelyek megkövetelik, hogy semmi ne kerülhessen átvizsgálás nélkül, másrészt olyan hálózati architektúrák, amelyek tiltják a külső kapcsolódást. Ezek a korlátozások korábban arra kényszerítették a felhasználókat, hogy a alapos vizsgálat és az operatív sebesség között válasszanak. Predictive Alin AI mindkét problémát Predictive Alin AI azáltal, hogy a végrehajtás előtti zero-day biztosít, amely:

• Teljesen offline módon működik air-gapped doménközi környezetekben

• Megfelel a magas megbízhatóságú észlelési követelményeknek sandbox nélkül

• Beépül a meglévő MetaDefender , MetaDefender File Transfer™ és MetaDefender telepítésekbe

• A „ zero-day ” újratanítási cikluson keresztül folyamatosan fejlődik, mint MetaDefender Aetherötrétegű folyamatának 2. rétegében, anélkül, hogy ehhez élő kapcsolatra lenne szükség

Nézze meg Predictive Alin AI rendszerét működés Predictive Alin AI

A „Scan What Matters” című webinárium bemutatja, hogy Predictive Alin AI hogyan Predictive Alin AI mind a zero-day hiányosságokat, mind a feldolgozási folyamat késleltetési problémáit, miközben élő bemutatót tart az elhárítási felhasználási esetről és a termelésben mért pontossági mutatókról. Nézze meg a felvételt saját tempójában, amikor csak akarja.

Értékelje felismerési programját

OPSWAT által támogatott „SANS 2025 Detection and Response Survey” felmérés bemutatja, hogy a banki, kormányzati, egészségügyi és gyártási szektorban dolgozó több mint 300 biztonsági szakember hogyan gondolja át az észlelési stratégiákat a hamis riasztások számának hirtelen emelkedése, a riasztásfáradtság és zero-day fényében. Töltse le a teljes jelentést, hogy megtudja, hol áll a saját programja!