Искусственный интеллект сегодня пронизывает все сферы жизни, и одно из направлений его – машинное обучение (Machine Learning, ML). Благодаря методам этого класса компьютерные системы могут находить закономерности в данных, чтобы выстраивать прогнозы и принимать решения самостоятельно, а не в соответствии с заданными инструкциями. Используется ML и в борьбе с DDos-атаками. Какова его роль в этой сфере, и что оно дает?
Как это работает
Для защиты сайта от Ddos-атак применяются как классические алгоритмы машинного обучения (логистическая регрессия, метод опорных векторов, метод k-ближайших соседей), так и подходы глубокого обучения, включая сверточные и рекуррентные нейронные сети, автоэнкодеры. В любом случае основная схема действия сводится к следующему:
- Система фиксирует порты, IP-адреса, протоколы, тайминги, геолокацию и прочие параметры.
- Из собранных данных выделяются поведенческие паттерны, частота запросов и иные признаки, позволяющие понять природу трафика.
- Выделенные признаки подаются на вход ML-модели, которая оценивает вероятность того, что данный поток запросов является DDos-атакой.
В зависимости от результатов оценки система принимает меры. Она может ограничить частоту запросов, блокировать их или провести дополнительную проверку. Возможно обновление модели после каждого решения в соответствии с новыми паттернами.
Преимущества
Защита от DDos с применением алгоритмов машинного обучения во многом превосходит традиционные методы:
- ML-модели в процессе работы подстраиваются под новые тактики злоумышленников.
- Они способны на основе анализа поведения выявлять такие действия, для которых еще нет шаблонов.
- ML-модели способны осуществлять комплексный анализ – это важно, поскольку в настоящее время в DDos-атаках зачастую задействуются несколько уровней – например, прикладной и сетевой.
- Поскольку участие человека-аналитика не требуется, решение принимается практически мгновенно.
Применение таких алгоритмов совместо с WAF сводит к минимуму вероятность ложных срабатываний, когда по ошибке блокируются добросовестные клиенты.
Возможные риски
Применение машинного обучения в борьбе против атак DDos тоже имеет свои «подводные камни»:
- Хакеры могут целенаправленно обучать ML-модели ложным паттернам, чтобы они не реагировали на истинные угрозы (это называется «отравлением данных» – Data Poisoning).
- Злоумышленники тоже пользуются нейросетями, чтобы подстраивать запросы под защитные алгоритмы фильтрации.
- При использовании ML террабитные потоки данных анализируются в реальном времени – для этого нужны колоссальные вычислительные мощности.
Несмотря на отдельные риски и сложности, машинное обучение в сфере защиты от DDos-атак в полной мере оправдывает себя, для более надежной защиты стоит обратиться к услугам специалистов, которые принимают комплекс мер, обеспечивающих максимальный результат.
Свежие комментарии