211service.com
Med dette værktøj kunne AI identificere ny malware lige så let, som den genkender katte
Kamæleon design
Fra ransomware til botnets antager malware tilsyneladende uendelige former, og det spreder sig for evigt. Som vi kan prøve, drukner de mennesker, der ville forsvare vores computere mod det, i angrebet, så de henvender sig til AI for at få hjælp.
Der er kun et problem: Maskinlæringsværktøjer har brug for en masse data. Det er fint til opgaver som computersyn eller naturlig sprogbehandling, hvor store, open source-datasæt er tilgængelige for at lære algoritmer, hvordan en kat ser ud, siger, eller hvordan ord relaterer til hinanden. I malwareverdenen har sådan noget ikke eksisteret - indtil nu.
I denne uge udgav cybersikkerhedsfirmaet Endgame et stort open source-datasæt kaldet EMBER (for Endgame Malware Benchmark for Research ). EMBER er en samling af mere end en million repræsentationer af godartede og ondsindede Windows-bærbare eksekverbare filer, et format, hvor malware ofte gemmer sig. Et team hos virksomheden udgav også AI-software, der kan trænes på datasættet. Tanken er, at hvis AI skal blive et potent våben i kampen mod malware, skal den vide, hvad den skal kigge efter.
Sikkerhedsfirmaer har et hav af potentiel data at træne deres algoritmer på, men det er en blandet velsignelse. De dårlige aktører, der laver malware, justerer konstant deres kode i et forsøg på at være på forkant med detektion, så træning i malware-eksempler, der er forældede, kan vise sig at være en øvelse i nytteløshed.
Det er et spil med whack-a-mole, siger Charles Nicholas, professor i datalogi ved University of Maryland, Baltimore County.
EMBER er beregnet til at hjælpe automatiserede cybersikkerhedsprogrammer med at følge med.
I stedet for en samling af faktiske filer, som kunne inficere computeren på enhver forsker, der bruger dem, indeholder EMBER en slags avatar for hver fil, en digital repræsentation, der giver en algoritme en idé om de egenskaber, der er forbundet med godartede eller ondsindede filer uden at afsløre den til den ægte artikel.
Dette skulle hjælpe dem i cybersikkerhedssamfundet med hurtigt at træne og teste flere algoritmer, hvilket gør dem i stand til at konstruere bedre og mere tilpasningsdygtig malware-jagt AI.
At gøre datasættet åbent for enhver at bruge kunne naturligvis også bevise et ansvar, hvis det skulle falde i de forkerte hænder. Skabere af malware kunne bruge dataene til at designe systemer, som virusjagende AI ikke vil genkende, et problem som Hyrum Anderson, Endgames tekniske direktør for datavidenskab, siger, at virksomheden har gennemtænkt. Anderson, der arbejdede på EMBER, siger, at han håber, at fordelene ved denne åbenhed opvejer risiciene. Desuden er cyberkriminalitet så lukrativ, at folkene bag malware allerede er godt motiverede til at blive ved med at forfine deres angrebsværktøjer.
Hackeren vil alligevel finde et eksempel, siger Gerald Friedland, professor i datalogi ved University of California, Berkeley.