セキュリティのための機械学習は美しい嘘なのでしょうか?

翻訳者 | Bugatti

レビュアー | Sun Shujuan

機械学習 (ML) は魔法のテクノロジーではありません。一般に、ML は大規模なデータセットを使用して狭い問題を解決するのに適しており、対象のパターンは再現性または予測可能性が高くなります。ほとんどのセキュリティ問題は ML を必要とせず、ML による恩恵も受けません。 Google を含む多くの専門家は、複雑な問題を解決する場合、他のすべての方法を使い尽くした後にのみ ML を試行することを推奨しています。

ML は、幅広い統計手法を組み合わせたものです。ML を使用すると、事前に正しい答えがプログラムされていない場合でも、問題を解決するための答えを推定できるようにコンピューターをトレーニングできます。適切に設計された ML システムを使用して適切な種類の問題に対処すると、他の方法では入手できない洞察を明らかにできます。

各組織の IT 環境には、目的、アーキテクチャ、優先順位、リスク許容度が異なります。すべてのシナリオでセキュリティのユースケースを幅広くサポートするアルゴリズム、ML、またはその他の製品を作成することは不可能です。これが、セキュリティにおける ML の応用例のほとんどが複数のアプローチを組み合わせて非常に特殊な問題を解決する理由です。典型的な例には、スパム フィルター、DDoS またはボットの軽減、マルウェアの検出などがあります。

1. ゴミの中にゴミを捨てる

ML の最大の課題は、実際の問題を解決するために関連性のある使用可能なデータを用意することです。教師あり ML の場合は、適切にラベル付けされた大規模なデータセットが必要です。たとえば、猫の写真を認識するモデルを構築するには、「猫」というラベルが付けられた多くの猫の写真と、「非猫」というラベルが付けられた多くの猫以外の写真を使用してモデルをトレーニングする必要があります。十分な写真がなかったり、正確にラベルが付けられていなかったりすると、モデルはうまく仕上がりません。

セキュリティにおいて、教師あり ML のよく知られたユースケースは、シグネチャレスのマルウェア検出です。多くのエンドポイント保護プラットフォーム (EPP) ベンダーは、ML を使用して多数の悪意のあるサンプルと無害なサンプルにラベルを付け、「マルウェアがどのようなものであるか」についてモデルをトレーニングしています。これらのモデルは、回避型の変異型マルウェアやその他のごまかし (シグネチャ検出方法を回避できるように改ざんされているが、依然として悪意のあるファイル) を正確に識別できます。 ML は、特徴を照合する代わりに、別の特徴セットを使用して悪意のあるコンテンツを予測し、多くの場合、特徴ベースの方法では見逃すマルウェアを検出します。

ML モデルは確率的であるため、トレードオフが必要です。 ML は、署名メソッドが見逃したマルウェアを検出できますが、署名メソッドが見逃したマルウェアも見逃す可能性があります。そのため、最新の EPP ツールはハイブリッド アプローチを使用し、ML と機能ベースの技術を組み合わせて最大限の保護範囲を実現します。

2. 偽陽性の問題

モデルが慎重に設計されている場合でも、ML は出力を解釈する際に次のような追加の課題をもたらします。確率。 ML モデルの出力可能性。モデルが猫を識別するように設計されている場合、「これは 80% の確率で猫である」というような結果が得られます。この不確実性は ML システムに固有のものであり、結果の解釈が困難になる可能性があります。猫の確率が 80% という確率は十分に正確ですか?

モデルは、少なくともエンドユーザーによっては調整できません。確率的な結果を処理するために、ツールはベンダーが設定したしきい値を使用して結果をバイナリ結果に処理する場合があります。たとえば、猫認識モデルは、どの「猫」も 90% を超える確率で猫であると報告する場合があります。この分野における組織の許容範囲は、サプライヤーが設定した許容範囲よりも高い場合もあれば、低い場合もあります。
• 偽陰性 (FN)、つまり真に悪意のあるコンテンツを検出できないことは、ML モデル、特に調整が不十分なモデルの大きな欠点です。誤検知 (FP) は時間を無駄にするため、好まれません。ただし、PF レートと FN レートの間には固有のトレードオフがあります。 ML モデルは、FP レートと FN レートの「最良の」バランスを優先して、このトレードオフを最適化するように調整されています。ただし、「適切な」バランスは、個々の脅威とリスクの評価に応じて、組織ごとに異なります。 ML ベースの製品を使用する場合は、ベンダーが適切なしきい値を選択することを信頼する必要があります。
• アラート分類のコンテキストが不十分です。 ML の魔法の一部は、データセットから顕著な予測的ではあるが任意の「特徴」を抽出することです。猫の識別がたまたま天気と高い相関関係にあると想像してください。このように推論する人は誰もいないでしょう。しかし、それが ML の重要な点です。他の方法では見つけられないパターンを見つけて、それを大規模に実行することです。たとえ予測された原因がユーザーに公開されたとしても、アラートのトリアージやインシデント対応の状況では役に立たないことがよくあります。これは、ML システムの決定を最終的に定義する「機能」によって予測力が最適化されるためです。
• 3. 「統計的」手法の別の名前はありますか?

4.ML は悪意のあるコンテンツを検出できますか?

ML は、「悪意のあるコンテンツ」が明確に定義され、範囲が狭い場合に検出できます。また、予測可能性の高いシステムにおいて、予期された動作からの逸脱を検出することもできます。環境が安定しているほど、ML が異常を正確に特定できる可能性が高くなります。ただし、すべての例外が悪意があるわけではなく、オペレーターが応答するための十分なコンテキストを常に持っているとは限りません。

ML の力は、既存のメソッド、システム、チームを置き換えるのではなく、最適なカバレッジと効率を達成するために強化することにあります。

元のリンク: https://www.darkreading.com/vulnerabilities-threats/the-Beautiful-lies-of-machine-learning-in-security

以上がセキュリティのための機械学習は美しい嘘なのでしょうか?の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。