MtoM Mag - Le journal de l'MtoM.
- accueil .
- newsletter .
Flux RSS . - soumissions .
- publicité .
- contacts
Flux RSS .
La majeure partie de ce débat doit être revue. En effet, les entreprises sont toujours en train d’évaluer la façon dont les systèmes d’IA (généralement des systèmes de grand modèle de langage (LLM) comme OpenAI, ChatGPT, Google Gemini, Anthropic Claude et autres) améliorent la productivité des travailleurs et favorisent la croissance.
La cybersécurité est un secteur où l’utilisation intensive de solutions améliorées par l’IA est courante. Mais qu’est-ce que le Machine Learning et l’IA impliquent ? Et comment sont-ils liés aux autres techniques que nous utilisons en matière de cybersécurité ?
L’IA est un vaste domaine qui se concentre sur la création de systèmes intelligents capables d’effectuer des tâches qui nécessitent généralement une intelligence humaine. Les systèmes d’IA peuvent apprendre à partir de données, s’adapter à de nouvelles informations ou entrées et résoudre des problèmes complexes. Cela en fait des outils précieux pour effectuer de nombreuses tâches complexes.
Le ML est un composant de l’IA. À la base, le ML aide un système à apprendre et à s’améliorer à partir de l’expérience sans être explicitement programmé. Les réseaux neuronaux, inspirés de l’anatomie du cerveau, sont un composant clé de nombreux systèmes d’IA, leur permettant de reconnaître des modèles et de prendre des décisions. Une application courante de l’IA est la reconnaissance d’images, dans laquelle un modèle ML est formé sur un grand ensemble de données d’images étiquetées pour identifier les modèles et les caractéristiques associés à chaque étiquette. Cela lui permet de classer avec précision de nouvelles images invisibles et fonctionne pour de nombreuses classes d’images, telles que les radiographies médicales. Ce n’est pas seulement utile pour les photos de chats !
Les LLM mentionnés ci-dessus, qui se sont développés au cours des 18 derniers mois, utilisent une combinaison de techniques de ML supervisées et non supervisées pendant leur constitution. La plupart du temps de formation pour un modèle LLM (comme ChatGPT) se fait généralement via l’apprentissage auto-supervisé. Dans ce cas, le modèle est entraîné à prédire le mot ou le jeton suivant dans une séquence basée sur les mots précédents sans avoir d’étiquettes explicites. Cela permet aux modèles d’apprendre des modèles et des relations dans le langage. Ceci à partir de grandes quantités de données textuelles non étiquetées telles que des livres, le Web, des archives de journaux et bien plus encore.
Il est important de souligner que les LLM utilisent des méthodes de ML, mais les LLM ne sont pas le seul moyen de créer des systèmes basés sur l’IA. Même s’ils sont sous le feu des projecteurs en 2024 et occupent une grande partie du paysage des débats liés à l’IA. D’autres techniques, qui utilisent également le ML, qui relèvent de l’IA sont utilisées depuis des années, offrant des avantages dans de nombreuses industries et secteurs, en particulier dans le domaine de la cybersécurité.
En cybersécurité, les techniques de ML améliorent les capacités de divers outils, en particulier les solutions de détection et de réponse au réseau (NDR).
Les algorithmes de ML peuvent analyser d’énormes quantités de données réseau en temps réel, ce qui améliore la capacité à identifier les anomalies et les menaces potentielles avant qu’elles ne causent des dommages importants. Les techniques d’apprentissage supervisé utilisent des ensembles de données étiquetés de cybermenaces connues pour classer les menaces nouvelles et inconnues. Alternativement, les techniques d’apprentissage non supervisé telles que le clustering et la détection d’anomalies peuvent identifier des modèles ou des comportements inhabituels sans s’appuyer sur des données étiquetées.
Les modèles d’apprentissage profond, tels que les réseaux convolutifs et les réseaux récurrents, peuvent apprendre des modèles et des relations complexes dans les données de réseau. Ces modèles permettent de détecter les menaces sophistiquées en analysant les données de trafic réseau, notamment les en-têtes de paquets, les charges utiles et les informations de flux. Les modèles de ML s’entraînent à l’aide de différentes approches pour reconnaître le comportement normal du réseau, puis signaler les anomalies susceptibles d’indiquer des menaces potentielles telles qu’un accès non autorisé, des infections par des logiciels malveillants ou l’exfiltration de données. En apprenant et en s’adaptant en permanence, les modèles des outils basés sur le ML peuvent détecter les cybermenaces à un stade précoce, souvent avant qu’elles ne causent des dommages importants.
Il existe des solutions qui exploitent la puissance du ML pour détecter et atténuer les cybermenaces en identifiant les anomalies en temps réel. Comme Progress Flowmon par exemple. Ces solutions combinent des techniques d’apprentissage supervisé et non supervisé pour détecter les menaces connues et inconnues. Certains modèles d’IA sont entraînés sur de grandes quantités de données réseau historiques, et ils sont continuellement mis à jour. Ils apprennent au fur et à mesure de leur fonctionnement. Lorsque de nouveaux modèles de menaces apparaissent, l’IA peut apprendre et adopter des pratiques en conséquence.
Les méthodes de détection basées sur l’IA améliorent les autres techniques traditionnelles qui ont toujours leur place dans la protection de la cybersécurité. Ces autres techniques non basées sur l’IA, telles que l’heuristique et la correspondance de motifs, se combinent avec les méthodes d’IA pour offrir des capacités de sécurité robustes. Cette approche combinée signifie que les modèles d’IA peuvent identifier les comportements suspects du réseau, tels que les transferts de données inhabituels ou l’activité anormale des utilisateurs, tandis que les techniques d’heuristique et de correspondance de modèles peuvent détecter les signatures de menaces et les anomalies connues et inconnues.
L’heuristique et le filtrage sont des techniques fondamentales utilisées dans de nombreux outils de cybersécurité, y compris les solutions NDR. Mais, ils ont toujours leur place dans une posture défensive moderne.
Les heuristiques sont des règles pratiques qui utilisent des techniques basées sur l’expérience pour identifier rapidement les menaces. Ces méthodes basées sur des règles permettent une prise de décision rapide basée sur des caractéristiques couramment observées dans les logiciels malveillants ou d’autres types d’attaques. Lorsqu’elles sont intégrées à l’IA, les approches heuristiques réduisent les faux positifs tout en hiérarchisant les menaces réelles et affinent les capacités de détection des solutions de cybersécurité.
Le filtrage automatique implique la recherche de séquences spécifiques dans les données. Il est efficace pour identifier les signatures de menace connues trouvées dans de nombreuses variantes de logiciels malveillants et de virus. Cependant, les cybermenaces sont de plus en plus sophistiquées, contournant souvent les techniques traditionnelles de correspondance de motifs. C’est là que l’IA amplifie le filtrage des modèles, car elle peut apprendre et identifier des variations ou des modèles entièrement nouveaux qui indiquent une activité malveillante. Cela améliore ainsi considérablement l’efficacité et la réactivité des défenses de cybersécurité.
Les méthodes de détection basées sur l’IA s’intègrent aux techniques traditionnelles pour fournir une approche multicouche de la détection des menaces. C’est le cas de Progress Flowmon. Ainsi, voici comment l’IA améliore les autres méthodes de détection :
Heuristique : Les modèles d’IA peuvent aider à affiner et à optimiser les règles heuristiques basées sur des données historiques et des renseignements sur les menaces en temps réel. Cela réduit les faux positifs et améliore la précision des heuristiques basées sur le comportement.
Correspondance de modèles : Certaines techniques d’IA améliorent la correspondance de modèles en apprenant à identifier de nouveaux modèles de menaces et des variantes qui peuvent échapper à la détection traditionnelle basée sur les signatures. Les modèles ML apprennent et s’adaptent également en permanence.
Détection d’anomalies : Les algorithmes d’apprentissage fonctionnent avec des méthodes statistiques de détection d’anomalies pour identifier des modèles ou des comportements inhabituels dans le trafic réseau qui peuvent indiquer une attaque ou une menace.
Ainsi, certaines solutions combinent la puissance de l’IA et du ML avec d’autres méthodes de détection efficaces pour créer une approche approfondie et flexible permettant d’identifier et d’atténuer les cybermenaces en temps réel. En utilisant le ML, l’heuristique, la correspondance de modèles et la détection des anomalies, elles permettent aux entreprises de garder une longueur d’avance sur l’évolution des menaces et de maintenir une posture de sécurité solide.
Alors que les cybermenaces continuent de croître en sophistication et en fréquence, l’adoption de solutions de cybersécurité basées sur l’IA aidera les entreprises à garder une longueur d’avance et à maintenir une sécurité solide.
