Machine Learning

Machine Learning para la detección de malware

El Módulo 10 de C1b3rWall Academy 2021, “Análisis forense. Malware y técnicas de ocultación” avanza hacía el segundo bloque de contenidos. Iniciando con una conferencia magistral de la mano de Mario Guerra de Disruptive Consulting, la cual tiene como objetivo tratar de reducir lo máximo posible la ventaja con la que parten los cibercriminales a través de la capacidad de análisis de malware.

Mario nos explique que, en la detección de amenazas hay varias categorías como el análisis de la configuración, el modelado de la amenaza, los indicadores de compromiso y el comportamiento de la propia amenaza. Estas categorías se relacionan con las siguientes variables:

  • Visibilidad de una alerta que la analítica aporta al analista (qué ocurrió y qué significa).
  • Bondad con la que la aproximación analítica resiste el cambio del adversario.
  • Facilidad de implementación. Cantidad de tiempo, esfuerzo y datos necesarios para su implementación.
  • Número de analíticas necesarias para aportar un máximo de cobertura de investigación.
  • Bondad con la que una organización afina la aproximación a su entorno específico para mejorar la tasa de falsos positivos/negativos.

Detección basada en machine learning

Asimismo, nos explica que todo lo que tiene que ver con machine learning tiene su origen en el big data. El objetivo es que el sistema sea capaz de detectar los agentes perjudiciales a partir de los criterios establecidos en el algoritmo. La creación de algoritmos personales permite ajustarlos a necesidades especiales, consiguiendo un producto mejor o más específico que un producto comercial, permitiendo reducir los falsos positivos/negativos.

Cuando se dispone de acceso a muestras maliciosas de un grupo de la amenaza con interés en la organización, la elaboración de tecnologías de detección basadas en machine learning puede ayudar en la detección de nuevas muestras de esas amenazas.

La diferencia entre un algoritmo de machine learning y uno tradicional es que este último le indica al sistema de forma secuencial cómo debe operar paso por paso, mientras que los sistemas de machine learning aprenden a partir de los ejemplos para diferenciar por sí mismos lo bueno y lo malo conforme al umbral definido. Esto va a permitir automatizar el trabajo de creación de firmas.

Nos queda mucho por aprender en cuanto a ciberseguridad, pero cada tema que nos presentan nuestros ponentes es cada vez más interesante. Os invito a seguir el programa completo de C1b3rWall Academy 2021, que os aseguro no tiene desperdicio.

En el siguiente enlace tenéis el artículo completo de News-365 y aquí podéis registraros para acceder a todas las ponencias del módulo.


Juan Manuel Corchado

Catedrático, Área de Ciencias de la Computación e Inteligencia Artificial, Departamento de Informática y Automática de la Universidad de Salamanca.


REDES SOCIALES:

Contenidos: Noixion.TVWDiarium.com – e4YOU – Másteres – CyberCamp

Científicas: ORCIDScholarResearch GateWeb of Science

Únete a otros 19K suscriptores

A %d blogueros les gusta esto: