阻止勒索軟件已成為許多組織的優(yōu)先事項。因此，他們正在轉(zhuǎn)向人工智能(AI)和機器學(xué)習(xí)(ML)作為他們的防御選擇。然而，威脅者也正在轉(zhuǎn)向人工智能和ML來發(fā)動他們的攻擊。一種特定類型的攻擊，即數(shù)據(jù)中毒，就利用了這一點。

為什么AI和ML有風險

像任何其他技術(shù)一樣，人工智能是一個雙刃劍。YouAttest的首席執(zhí)行官Garret Grajek在一次電子郵件采訪中說，人工智能模型擅長處理大量數(shù)據(jù)并得出 "最佳猜測"。

他說：“黑客已經(jīng)使用AI來攻擊身份驗證和身份驗證，包括語音和可視化黑客攻擊。” ““武器化的AI”致力于獲取訪問密鑰。”

康奈爾大學(xué)的研究人員解釋說：“專業(yè)數(shù)據(jù)中毒是對機器學(xué)習(xí)的有效攻擊，并且通過將中毒數(shù)據(jù)引入訓(xùn)練數(shù)據(jù)集來威脅模型完整性。”

是什么使通過AI和ML進行的攻擊不同于典型的“系統(tǒng)中的錯誤”攻擊?Marcus Comiter在哈佛大學(xué)Belfer科學(xué)與國際事務(wù)中心的論文中說，這些算法存在固有的局限性和弱點，無法解決。

“ AI攻擊從根本上擴展了可用于執(zhí)行網(wǎng)絡(luò)攻擊的實體的集合，” Comiter補充說。“有史以來第一次，物理對象現(xiàn)在可以用于網(wǎng)絡(luò)攻擊。還可以使用這些攻擊以新的方式將數(shù)據(jù)武器化，要求改變數(shù)據(jù)的收集，存儲和使用方式。”

人為錯誤

為了更好地了解威脅者如何利用AI和ML作為數(shù)據(jù)中毒和其他攻擊的攻擊載體，我們需要更清楚地了解他們在保護數(shù)據(jù)和網(wǎng)絡(luò)方面的作用。

問問首席信息安全官，對一個組織的數(shù)據(jù)最大的威脅是什么，他們往往會告訴你是人性。

員工并不打算成為網(wǎng)絡(luò)風險，但他們是人。人是可以分心的。他們今天錯過了一個昨天就能輕易避免的威脅。一個急于趕截稿并期待得到一份重要文件的員工可能最終點擊了一個受感染的附件，誤以為那是他們需要的文件。或者，員工可能根本沒有意識到，因為他們的安全意識培訓(xùn)太不連貫，沒有留下印象。威脅者知道這一點，并且像任何好的罪犯一樣，他們正在尋找進入網(wǎng)絡(luò)和獲取數(shù)據(jù)的最簡單方法。網(wǎng)絡(luò)釣魚攻擊之所以如此普遍，是因為它們非常好用。

使用異常行為作為風險因素

這就是AI和ML惡意軟件檢測發(fā)揮作用的地方。這些技術(shù)找到模式并分析用戶行為，在其變成問題之前嗅出奇怪的行為。通過應(yīng)用生成的算法，ML識別出人類不可能做到的異常行為。例如，它可以檢測到一個員工的正常工作日或他們的擊鍵節(jié)奏，并為不正常的事情設(shè)置警報。

當然，這并不完美。有人可能在正常工作時間之外工作，或者有影響他們打字方式的傷病。但這些工具的設(shè)計是為了捕捉一些不尋常的東西，例如威脅者使用被盜的證書。

充其量，我們可以使用AI通過告訴無監(jiān)督計算機和網(wǎng)絡(luò)上真實文件與惡意文件之間的區(qū)別，阻止對不良文件的訪問來更好地保護網(wǎng)絡(luò)免受勒索軟件攻擊。AI可以嗅探影子IT，告訴威脅的授權(quán)連接，并深入了解員工使用的端點數(shù)量。

為了使AI和ML成功應(yīng)對網(wǎng)絡(luò)威脅，他們依賴于在指定時間段內(nèi)創(chuàng)建的數(shù)據(jù)和算法。這樣一來，他們就可以有效地發(fā)現(xiàn)問題(并使安全團隊騰出時間來執(zhí)行其他任務(wù))。這也是威脅。AI和ML的上升直接導(dǎo)致了數(shù)據(jù)中毒的潛在威脅。

了解數(shù)據(jù)中毒

有兩種毒害數(shù)據(jù)的方法。一種是將信息注入系統(tǒng)，以便它返回錯誤的分類。從表面上看，對算法進行毒化看起來并不那么困難。畢竟，AI和ML只知道人們教給他們什么。想象一下，您正在訓(xùn)練一種算法來識別馬匹。您可能會顯示數(shù)百張棕色馬的圖片。同時，您教它通過看數(shù)百張黑白母牛的圖片來識別母牛。但是，當一頭棕色的母?；霐?shù)據(jù)集中時，機器會將其標記為一匹馬。對于該算法，棕色動物就是一匹馬。人類將能夠識別出差異，但是除非算法指定母牛也可以是棕色，否則機器將無法識別。

如果威脅行動者訪問了訓(xùn)練數(shù)據(jù)，則他們可以操縱該信息以向AI和ML講授他們想要的任何東西。他們可以使他們將良好的軟件代碼視為惡意代碼，反之亦然。攻擊者可以重建人類行為數(shù)據(jù)，以發(fā)起社會工程學(xué)攻擊或確定使用勒索軟件攻擊的目標。

威脅參與者的第二種方式可以利用訓(xùn)練數(shù)據(jù)來生成后門。

黑客可能會使用AI來幫助選擇最值得利用的漏洞。因此，可以將惡意軟件放置在企業(yè)中，在這些企業(yè)中，惡意軟件本身可以決定攻擊的時間以及最佳的攻擊媒介。這些攻擊(根據(jù)設(shè)計，是可變的)，使得檢測起來更加困難和時間更長。” Grajek說。

攻擊者如何使用數(shù)據(jù)中毒

數(shù)據(jù)中毒需要注意的重要一點是，威脅參與者需要訪問數(shù)據(jù)培訓(xùn)程序。因此，您可能正在面對內(nèi)部攻擊，商業(yè)競爭對手或民族國家的攻擊。

Bruce Draper博士在DARPA研究項目中寫道： “對抗性AI的當前研究重點在于那些無法感知的ML輸入擾動可能欺騙ML分類器，從而改變其響應(yīng)的方法。” “盡管對抗性AI領(lǐng)域還比較年輕，但已經(jīng)提出了數(shù)十種攻擊和防御措施，目前還缺乏對ML漏洞的全面理論理解。”

攻擊者還可以使用數(shù)據(jù)中毒來使惡意軟件更智能。威脅參與者使用它克隆短語來欺騙算法來破壞電子郵件?，F(xiàn)在，它甚至進入了生物識別技術(shù)，攻擊者可以在其中鎖定合法用戶并潛入。

數(shù)據(jù)中毒和深度偽造

深度欺詐是一種數(shù)據(jù)中毒的水平，許多人預(yù)計這將是數(shù)字犯罪的下一波浪潮。攻擊者編輯視頻，圖片和錄音以制作逼真的圖像。因為它們可能被很多人誤認為是真實的照片或視頻，所以它們是勒索或?qū)擂蔚某墒旒夹g(shù)。正如科米特指出的那樣，在公司層面使用這種方法的一種變體也可能導(dǎo)致人身危險。

他寫道：“人工智能攻擊可以在自動駕駛汽車的眼睛上將停車標志變成綠燈，只需在停車標志本身上放幾條膠帶即可。”

假新聞也屬于數(shù)據(jù)中毒。社交媒體中的算法已損壞，以允許不正確的信息上升到一個人的新聞提要的頂部，從而取代了真實的新聞來源。

阻止數(shù)據(jù)中毒攻擊

數(shù)據(jù)中毒仍處于起步階段，因此網(wǎng)絡(luò)防御專家仍在學(xué)習(xí)如何最好地防御這種威脅。滲透測試和進攻性安全測試可能會導(dǎo)致發(fā)現(xiàn)漏洞，使外部人員可以訪問數(shù)據(jù)培訓(xùn)模型。一些研究人員還正在考慮設(shè)計AI和ML的第二層，以捕獲數(shù)據(jù)訓(xùn)練中的潛在錯誤。當然，具有諷刺意味的是，我們需要一個人來測試AI算法，并檢查一頭母牛是一頭母牛而不是一匹馬。

“人工智能只是攻擊者武器庫中的又一武器，”格雷厄克說。黑客仍將希望在整個企業(yè)范圍內(nèi)遷移，提升其執(zhí)行任務(wù)的特權(quán)。持續(xù)不斷的實時特權(quán)升級監(jiān)控對于幫助緩解是否由AI造成的攻擊至關(guān)重要。”