Das zunehmende Tempo hochkarätiger Bedrohungen (z. B. Ransomware) weist ein bis zu zweistelliges Wachstum (15,8 %) auf. Das Ergebnis ist ein gefährlicher Weg, der höchstwahrscheinlich zu anhaltenden Verlusten für Organisationen führen wird, die Opfer eines Cyberangriffs werden, ohne dass die Abwehrkräfte gestärkt werden. Tatsächlich zeigt ein Bericht von IBM und dem Ponemon Institute aus dem Jahr 2021 über Datenschutzverletzungen, dass die durchschnittlichen Kosten einer Datenschutzverletzung 4,24 Millionen US-Dollar betragen.
Abgesehen von den Kosten kann ein Cyberangriff irreparable Schäden an der Marke, dem Aktienkurs und dem Tagesgeschäft eines Unternehmens verursachen. Laut einer kürzlich von Deloitte durchgeführten Umfrage nannten 32 % der Befragten Betriebsunterbrechungen als die größten Auswirkungen eines Cyber-Vorfalls oder -Verstoßes. Andere von den befragten Unternehmen genannte Folgen sind der Diebstahl von geistigem Eigentum (22 %), ein Rückgang des Aktienkurses (19 %), Reputationsverlust (17 %) und ein Verlust des Kundenvertrauens (17 %).
Angesichts dieser erheblichen Risiken können es sich Unternehmen einfach nicht leisten, den Status quo beim Schutz digitaler Assets zu akzeptieren. „Wenn wir unseren Gegnern jemals einen Schritt voraus sein wollen, muss die Welt die Denkweise von der Erkennung zu einer Prävention ändern“, sagt Caspi. „Organisationen müssen die Art und Weise ändern, wie sie Sicherheitsmaßnahmen durchführen und Hacker bekämpfen.“
Deep Learning kann den Unterschied machen
Bisher haben viele Cybersicherheitsexperten maschinelles Lernen als den innovativsten Ansatz zum Schutz digitaler Vermögenswerte angesehen. Deep Learning ist jedoch ideal geeignet, um die Art und Weise zu ändern, wie wir Cybersicherheitsangriffe verhindern. Jedes Tool für maschinelles Lernen kann verstanden und theoretisch zurückentwickelt werden, um eine Verzerrung oder Schwachstelle einzuführen, die seine Verteidigung gegen einen Angriff schwächt. Angreifer können auch ihre eigenen maschinellen Lernalgorithmen verwenden, um eine Abwehrlösung mit falschen Datensätzen zu verseuchen.
Glücklicherweise überwindet Deep Learning die Grenzen des maschinellen Lernens, indem es die Notwendigkeit umgeht, dass hochqualifizierte und erfahrene Datenwissenschaftler einen Lösungsdatensatz manuell füttern müssen. Vielmehr kann ein speziell für die Cybersicherheit entwickeltes Deep-Learning-Modell riesige Mengen an Rohdaten aufnehmen und verarbeiten, um das System vollständig zu trainieren. Diese neuronalen Netze werden nach dem Training autonom und erfordern kein ständiges menschliches Eingreifen. Diese Kombination aus einer auf Rohdaten basierenden Lernmethodik und größeren Datensätzen bedeutet, dass Deep Learning schließlich in der Lage ist, viel komplexere Muster als maschinelles Lernen bei weitaus höheren Geschwindigkeiten genau zu identifizieren.
„Deep Learning stellt jede Verweigerungsliste, jeden heuristikbasierten oder standardmäßigen maschinellen Lernansatz in den Schatten“, sagt Mirel Sehic, Vice President General Manager bei Honeywell Building Technologies (HBT), einem multinationalen Unternehmen und Anbieter von Luft- und Raumfahrt, Hochleistungsmaterialien sowie Sicherheit und Produktivität Technologien. „Die Zeit, die ein auf Deep Learning basierender Ansatz benötigt, um eine bestimmte Bedrohung zu erkennen, ist viel schneller als alle diese Elemente zusammen.“
Laden Sie den vollständigen Bericht herunter.
Dieser Inhalt wurde von Insights erstellt, dem Zweig für benutzerdefinierte Inhalte von MIT Technology Review. Es wurde nicht von der Redaktion des MIT Technology Review geschrieben.