Maschinelles Lernen für mehr Sicherheit

Sicherheitslösungen skalieren bei zunehmenden Datenmengen nicht. Die Digitalisierung erzeugt mehr und mehr Daten. Das betrifft natürlich auch das Feld der Cybersicherheit: z. B Log-Daten oder Mitschnitte von Netzwerkverkehr. Aber, diese Daten von Menschen analysieren zu lassen, skaliert nicht! Dieses Seminar bietet einen Einblick in Maschinelles Lernen (ML) mit dem sich Analyseprozesse wesentlich effizienter gestalten lassen. Im Zuge dessen sind ML-Systeme potenziell auch dazu in der Lage, unbekannte Angriffe zu erkennen.

Die Herausforderung: Sicherheitslösungen skalieren bei zunehmenden Datenmengen nicht

In der Cybersicherheit fallen, wie in vielen anderen Bereichen auch, immer mehr Daten an, die es zu analysieren gibt, z. B. Log-Dateien oder Mitschnitte von Netzwerkverkehr. Diese Daten von Menschen analysieren zu lassen, skaliert nicht. Auch signaturbasierte Analysetools lösen dieses Problem nicht, da sie sich auf Signaturen verlassen, die wiederrum von Menschen erstellt werden – was auch die Erkennung von unbekannten Angriffen (Zero-Days) einschränkt. Die Folge: Nur, was in den Signaturen abgedeckt ist, kann (unter kostspieligem Einsatz von Experten) überhaupt erkannt werden.
 

Die Lösung: Maschinelles Lernverfahren, die auf Basis dieser Daten eigenständig neue Problemfelder bearbeiten

Im Rückgriff auf große Datenmengen lernen die kognitiven Systeme, wie ein Netzwerk, ein Server oder ein Router normalerweise funktioniert und können im Anschluss daran Abweichungen vom Normverhalten feststellen. Eine manuell erstellte Signatur braucht es dazu nicht. Damit sind ML-Systeme potenziell auch in der Lage, unbekannte Angriffe zu erkennen.

Ihre Vorteile auf einen Blick

Nach dem Seminar können Sie …

• einschätzen, in welchen Bereichen Sie Maschinelles Lernen sinnvoll einsetzen können.
• Programmierungen und Modellierungen zur Anomalienerkennung vornehmen.
   

Dieses Seminar bietet Ihnen …

• einen Einstieg in die Themen der Cybersicherheit, für die Maschinelles Lernen relevant ist.
• praktische Übungen am Use Case Anomalienerkennung.
• State-of-the-Art-Wissen zu Maschinellem Lernen und neuen Forschungen.