Wie sich Hyperautomatisierung auf die Datensicherheit auswirkt

Laut Prognosen von Gartner wird „Hyperautomatisierung“ der strategische Technologietrend Nummer eins für 2020 sein.

Was ist Hyperautomatisierung?

Hyperautomatisierung basiert auf künstlicher Intelligenz (KI) und maschinellem Lernen (ML), um Prozesse zu automatisieren, die sonst von Menschen ausgeführt würden. Ein hyperautomatisiertes System ist eines, das „entdecken, analysieren, entwerfen, automatisieren, messen, überwachen und neu bewerten“ kann.

Hyperautomatisierung basiert nicht auf einer einzelnen Technologie, sondern auf einer Reihe fortschrittlicher Automatisierungstechnologien, die mithilfe von KI und ML zusammengefügt werden können. Auch wenn es wie ein weiteres Schlagwort der Branche erscheinen mag, legt es einen dringend benötigten Schwerpunkt auf die Bedeutung der Automatisierung, da sich der wachsende Fachkräftemangel im Bereich Cybersicherheit immer weiter verschlimmert.

Laut einer weltweiten Umfrage von ESG berichteten 53 % der Befragten über einen problematischen Mangel an Cybersicherheitskompetenzen in ihrem Unternehmen. Um das Ganze noch schlimmer zu machen, werden Cyber-Angriffe immer häufiger und raffinierter. Tatsächlich beginnen Cyberkriminelle sogar, KI zu nutzen, um fortgeschrittene Social-Engineering-Angriffe durchzuführen.

Wie kann Hyperautomatisierung implementiert werden?

Angesichts der Tatsache, dass Hyperautomatisierung ein völlig neues Konzept in der Welt der Datensicherheit ist, gibt es derzeit kaum oder gar keine Beispiele aus der Praxis oder Dokumentation darüber, wie es implementiert werden könnte. Ein naheliegender Ausgangspunkt wäre jedoch die Untersuchung, welche Automatisierungstechnologien verfügbar sind und wie interoperabel sie sind.

Viele Plattformen und Anwendungen stellen eine API (Application Programming Interface) zur Verfügung, die es anderen Anwendungen ermöglicht, ihre Daten abzufragen und zu analysieren. Angesichts der Tatsache, dass KI und ML auf große Datenmengen angewiesen sind, um Verhaltensmuster zu „lernen“, sollten alle Technologien, die Sie verwenden möchten, in der Lage sein, vorhandene APIs zu nutzen und sogar ihre eigenen offenzulegen.

Die realen Vorteile der Hyperautomatisierung

Trotz des Mangels an Informationen darüber, wie Hyperautomatisierung zum Schutz unserer Daten eingesetzt werden kann, gibt es einige offensichtliche Anwendungsfälle, die es wert sind, untersucht zu werden. Die erste bezieht sich auf die Datenerkennung und -klassifizierung.

Die meisten Organisationen speichern große Mengen unstrukturierter Daten, also Daten, die nicht in irgendeiner relationalen Datenbank gespeichert sind. Beispiele für unstrukturierte Daten sind Bilder, Videos, Podcasts, Word-Dokumente usw. Viele unstrukturierte Daten sind vertraulich, dennoch haben Unternehmen oft Schwierigkeiten, diese Daten zu finden und zu klassifizieren.

62 % der Unternehmen wissen nicht, wo sich ihre sensibelsten Daten befinden, und das muss offensichtlich angegangen werden. Glücklicherweise gibt es eine Reihe von Lösungen, die eine Vielzahl von Datentypen automatisch erkennen und klassifizieren können, darunter Namen, Adressen, Sozialversicherungsnummern, Geburtsdaten, biometrische Daten usw.

Während diese Tools für sich genommen zweifellos nützlich sind, können sie mit Hilfe von KI und ML sogar noch besser sein. Beispielsweise wird eine KI-gestützte Datenklassifizierungslösung nicht nur in der Lage sein, sensible Daten im Klartext zu identifizieren, sondern auch in der Lage sein, sensible Daten in Bildern, Videos und anderen Medienformen zu finden und die Daten somit entsprechend zu klassifizieren.

Der Unterschied zwischen künstlicher Intelligenz (KI) und maschinellem Lernen (ML)

Es ist zu beachten, dass KI nicht dasselbe ist wie ML, obwohl ML als Teilmenge der KI betrachtet wird. Künstliche Intelligenz ist in der Lage, komplexe Verarbeitungsaufgaben auszuführen, die sonst von Menschen erledigt würden, und ist in der Regel auf eine externe Datenquelle angewiesen.

Maschinelles Lernen hingegen dient dem Lernen von Mustern. Beispielsweise kann ML für die Priorisierung von Aufgaben nützlich sein. Bild- und Spracherkennungssoftware kann sehr ressourcenintensiv sein. Wenn das System in Bildern mehr persönlich identifizierbare Informationen (PII) als in audiovisuellen Inhalten findet, kann es ohne Anweisung entscheiden, der Verarbeitung von Bildern Vorrang einzuräumen.

Einige Datenschutzlösungen nutzen bereits ML, um Muster des Benutzerverhaltens zu lernen. Wenn ein neuer Benutzer beim System registriert wird, überwacht es sein Verhalten über einen bestimmten Zeitraum, um ein Basismuster zu erstellen, anhand dessen getestet werden kann. Nach Ablauf der Probezeit des Benutzers löst jedes Verhalten, das von diesem Muster abweicht, in Echtzeit eine Warnung an den Administrator aus.

So nutzen Sie Hyperautomatisierung für den Datenschutz

Datenschutzlösungen könnten durch den Austausch von Informationen über potenzielle Bedrohungen erheblich verbessert werden. Beispielsweise sind die meisten Datensicherheitsplattformen in der Lage, Ereignisse zu erkennen und darauf zu reagieren, die einer vordefinierten Schwellenwertbedingung entsprechen.

Ein Anwendungsfall der „Schwellenwertwarnung“ besteht darin, die Verbreitung von Ransomware zu verhindern. Wenn beispielsweise X Dateien innerhalb eines bestimmten Zeitraums verschlüsselt werden, kann ein benutzerdefiniertes Skript ausgeführt werden, das einen bestimmten Prozess stoppen, ein Benutzerkonto deaktivieren, die Firewall-Einstellungen anpassen oder den betroffenen Server herunterfahren kann. Das ist großartig, aber es verhindert nicht wirklich, dass der Angriff eingeleitet wird.

Mithilfe von KI kann eine forensische Analyse des Vorfalls durchgeführt werden, indem die Ereignisse untersucht werden, die vor dem Vorfall stattgefunden haben. Die gesammelten Informationen könnten anderen Organisationen zur Verfügung gestellt werden, die dasselbe System verwenden, und durch einen Prozess der natürlichen Selektion könnten die häufigsten Muster verglichen und die wahrscheinlichste Ursache des Vorfalls ausgewählt werden. Jetzt könnte das benutzerdefinierte Skript basierend auf den wahrscheinlichsten Ereignissen ausgeführt werden, die vor dem vorherigen Angriff stattgefunden haben, und so möglicherweise verhindern, dass der Angriff eingeleitet wird.

Damit das System jedoch wirklich lernen kann, müssen wir wissen, ob es funktioniert, was bedeutet, dass der Angriff in einer kontrollierten Umgebung, beispielsweise einer Sandbox, stattfinden kann. Dies ist nur ein Beispiel dafür, wie Hyperautomatisierung genutzt werden könnte, um einen Ransomware-Angriff zu verhindern. Allerdings könnte derselbe Prozess verwendet werden, um ein viel größeres Spektrum an Angriffsvektoren zu identifizieren.

Die Realität ist, dass wir immer noch lernen, was KI und ML zum Schutz unserer sensiblen Daten leisten können, und daher kann es einige Zeit dauern, bis hyperautomatisierte Systeme weit verbreitet sind.

Darüber hinaus erfordert der Einsatz von KI und ML viele Ressourcen, einschließlich Speicher und Rechenleistung. Und vergessen wir nicht, dass KI für ihre Wirksamkeit auf große, genaue Datenmengen angewiesen ist, deren Zusammenstellung oder die Sammlung auf andere Weise Zeit in Anspruch nehmen wird.