Ini Awal untuk Kecerdasan Buatan di ICS Cybersecurity
Asisten virtual yang dikembangkan oleh Google membuat gelombang ketika debutnya tahun lalu karena terdengar tidak bisa dibedakan dari suara manusia saat menelepon restoran untuk melakukan reservasi. “Hai, saya ingin memesan meja untuk hari Rabu, tanggal tujuh,” terdengar suara laki-laki yang sopan dalam demo Google Duplex. "Untuk tujuh orang?" tanya seorang wanita di ujung telepon, tampaknya salah paham. “Ini untuk empat orang,” balas asisten virtual, mengawali pernyataan itu dengan “um” yang terdengar alami.
Contoh Google Duplex berfungsi sebagai mikrokosmos untuk kondisi AI saat ini. Sekarang tersedia di 43 negara bagian AS untuk pengguna telepon Google Pixel, sistem Duplex sekaligus mengesankan, tetapi juga mengingat keterbatasan teknologi. Sementara Duplex mungkin terdengar menakutkan seperti manusia, keahliannya agak terbatas pada interaksi yang agak rutin. Sebaliknya, Debater Proyek IBM lebih fasih dalam abstrak. Ini dapat membuat para pendebat manusia yang terampil mendapatkan uang mereka dalam hal merumuskan argumen, tetapi ini menyajikan kasusnya dengan suara datar yang terdengar seperti robot. Baik contoh Duplex dan Project Debater juga mengingatkan keteraturan dengan AI yang paling sukses adalah produk dari perusahaan teknologi raksasa dengan anggaran besar dan kumpulan data dengan pasukan karyawan. Dan bahkan kemudian, perusahaan papan atas memperingatkan teknologi yang berpotensi macet. “Algoritme AI mungkin cacat,” membaca bagian dari pengajuan peraturan Microsoft baru-baru ini. “Dataset mungkin tidak cukup atau mengandung informasi yang bias. Praktik data yang tidak pantas atau kontroversial […] dapat mengganggu penerimaan solusi AI.”
[ Dunia Internet of Things adalah tempat perusahaan industri menemukan inovasi IoT. Pesan . Anda kartu konferensi dan hemat $350, dapatkan kartu pameran gratis , atau lihat Speaker IIoT di acara tersebut.]
Namun, promosi pemasaran umum untuk AI adalah bahwa teknologi tersebut merupakan obat mujarab potensial untuk masalah bisnis modern — mampu membantu perusahaan dan perusahaan industri memahami kumpulan data (termasuk dari perangkat IIoT) sambil juga membantu mereka meningkatkan keamanan industri. sistem kontrol. “Analisis industri, yang diterapkan pada data mesin untuk wawasan operasional, adalah sebagai mesin yang mendorong konvergensi PL dan TI, dan pada akhirnya menciptakan nilai untuk Revolusi Industri Keempat,” bunyi bagian intro dari Kerangka Analisis Internet of Things Industri dari the Konsorsium Internet Industri.
Ketika ditanya tentang potensi AI untuk keamanan siber ICS, pakar keamanan siber Jason Haward-Grau, CISO untuk PAS Global mengatakan “otomatisasi proses robotik mungkin jauh lebih menarik, dari perspektif AI, daripada AI dalam keamanan,” mengacu pada proses bisnis. teknologi otomatisasi yang dapat mengurangi kebutuhan akan keterlibatan manusia dalam tugas-tugas seperti pengadaan.
Namun lanskap vendor penuh dengan perusahaan yang memiliki penawaran AI untuk hampir semua masalah yang bisa dibayangkan. "Jika Anda bertanya kepada siapa pun:'Apakah Anda punya AI?', mereka akan selalu menjawab 'ya.'" Kata Haward-Grau. “Tapi tentukan apa itu. Ajukan pertanyaan:‘Jika AI adalah jawabannya, apa pertanyaannya?’ Karena lebih baik Anda mulai bertanya:‘Apa yang dibutuhkan bisnis saya?’”
Tingkat ancaman signifikan dalam keamanan siber ICS. Sebanyak 49 persen dari 321 responden industri menderita setidaknya satu serangan setiap tahun, menurut penelitian Kaspersky 2018. Angka sebenarnya bisa lebih tinggi, kata Haward-Grau, karena angka tersebut mewakili serangan yang mau diakui oleh organisasi.
Saat ini, istilah AI digunakan dalam berbagai cara dan definisi istilah tersebut tampak filosofis karena masih sulit untuk memahami secara konkret apa itu kecerdasan. “Dari sudut pandang teknik, sulit untuk mendefinisikan ‘pintar’,” kata penulis teknologi Jaron Lanier dalam debat tentang AI tahun 2016. “Jika Anda tidak menentukan garis dasar yang dapat diukur, Anda berada di dunia fantasi.” Dia juga menambahkan bahwa:"Banyak sistem yang kami sebut sistem 'pintar' agak menyimpang dari proses empiris."
Satu kasus penggunaan yang diusulkan untuk sistem AI, atau lebih tepatnya, pembelajaran mesin, adalah penggunaannya untuk mendeteksi malware atau anomali pada jaringan. Jika Anda memiliki dasar tentang bagaimana jaringan harus beroperasi dan memiliki algoritme pembelajaran mesin yang baik dan akses data yang memadai, teknologi ini dapat menjadi sangat kuat dalam mendeteksi ancaman jaringan dengan cepat dan, seiring waktu, berpotensi mengurangi jumlah alarm palsu untuk kode atau jaringan yang berpotensi mencurigakan. perilaku. Mengingat fakta bahwa industri keamanan siber yang lebih luas sedang bergulat dengan kekurangan pekerja berbakat yang cukup besar, itu adalah janji besar.
Tetapi agar berhasil, sistem pembelajaran mesin perlu memiliki akses ke data yang relevan. Jika bisnis melakukan sesuatu yang tidak disadari oleh sistem AI, Anda dapat mengalami masalah — dalam bentuk alarm palsu. Atau mungkin sistem pembelajaran terawasi yang dirancang untuk menyelidiki kode perangkat lunak dilatih pada data yang buruk, sehingga algoritme berpotensi menganggap malware sebagai hal biasa. Selain itu, musuh juga dapat memodifikasi perangkat lunak vendor keamanan untuk menyebarkan malware sebagai kode normal. Kemungkinan lain, yang disebutkan dalam artikel Tinjauan Teknologi, adalah penyerang hanya mengetahui fitur yang digunakan model pembelajaran mesin untuk mengidentifikasi malware, dan menghapusnya dari kode berbahaya mereka sendiri.
Dalam konteks industri, mungkin sulit untuk menenun data dari peralatan yang tidak berorientasi jaringan TI atau yang tidak menggunakan protokol TCP/IP TI. “Bagaimana cara kerja AI pada bus kontrol berusia 25 tahun?” tanya Haward-Grau.
Untuk memberikan contoh potensi kesulitan dalam meluncurkan proyek IoT skala luas di lingkungan industri, Haward-Grau memberikan contoh kilang, yang memiliki 500 perangkat TI tradisional seperti stasiun kerja fisik, HMI, server, dan sakelar. “Ini bisa diatur. Ini seperti kantor kecil. Saya bisa menempatkan pelacakan jaringan di sekitarnya, ”katanya. Tetapi kemudian ketika kepala keamanan bertanya kepada kilang berapa banyak titik akhir OT yang dimilikinya, jawabannya adalah 28.500. Sementara salah satu keuntungan AI, secara umum, adalah potensinya untuk memahami volume besar data yang bervariasi, yang dihasilkan dengan kecepatan cepat, pada kenyataannya, masih sulit untuk memahami data yang kompleks dan tersimpan secara historis. “Tantangannya bukanlah jumlah” titik akhir, kata Haward-Grau. “Ini adalah tantangan memiliki 20 vendor yang berbeda. Katakanlah saya punya peralatan dari ABB, Schneider Electric, Siemens, Yokogawa, Philips, GE dan Honeywell,” katanya. “Mereka semua berbeda, mereka akan berbicara secara berbeda. Jadi, bagaimana Anda akan menerjemahkan semua hal yang berbeda itu sebagai permulaan dan kemudian menjawab pertanyaan:'Seperti apa penampilan yang baik itu?'” tanya Haward-Grau.
Selain itu, pergeseran sikap dalam keamanan siber dari asumsi bahwa hanya masalah waktu sebelum perusahaan dilanggar menjadi asumsi bahwa perusahaan Anda telah dilanggar, kompleksitas pemahaman seperti apa perilaku jaringan yang baik menjadi lebih menakutkan. Sebuah studi 2018 yang didukung oleh IBM menemukan bahwa dibutuhkan perusahaan perusahaan rata-rata 197 hari untuk mengidentifikasi pelanggaran. Itu adalah berita buruk bagi organisasi yang berpotensi disusupi yang ingin melatih model pembelajaran mesin pada topologi jaringan yang kompleks.
Semua ini bukan untuk mengatakan bahwa AI tidak memiliki potensi besar untuk keamanan siber ICS, hanya saja perusahaan industri yang ingin menerapkan teknologi harus memulai dengan kasus penggunaan yang ditentukan dengan kompleksitas data yang awalnya terbatas. Seperti yang pernah ditulis oleh E. F. Schumacher, “Setiap orang bodoh yang cerdas dapat membuat segalanya menjadi lebih besar, lebih kompleks, dan lebih kejam. Dibutuhkan sentuhan kejeniusan — dan banyak keberanian untuk bergerak ke arah yang berlawanan.”
