Algorithmen für maschinelle Lernverfahren eignen sich für die Lösung von Problemen, denen mit herkömmlichen Methoden nicht begegnet werden kann. Aller Wahrscheinlichkeit nach können diese Algorithmen zu 99,97 Prozent Bedrohungen erkennen, die von herkömmlichen Sicherheitsverfahren übersehen wurden.
Foto: ARM
Die zuverlässige Absicherung einer immer größeren Anzahl an internetfähigen Geräten ist zu einer echten Herausforderung geworden. Sie kann die durch den Einsatz von selbstlernenden Algorithmen und Technologien, die auch bisher unbekannte Bedrohungen abfangen, bewältigt werden.
Stellen Sie sich vor, man würde derartige Algorithmen mit Informationen zu bekannten Malware-Exemplaren und Sicherheitsschwachstellen füttern, um so auch unbekannten Bedrohungen auf die Spur zu kommen. Durch die Beobachtung von Mustern und Fakten können sicherheitsorientierte Algorithmen für maschinelles Lernen statistische Schlussfolgerungen ableiten, die eine eindeutige Erkennung von neuen und zuvor unbekannten Bedrohungen ermöglichen. Zwar handelt es sich hierbei nicht um die Art künstlicher Intelligenz, wie wir sie aus Hollywood-Filmen kennen, doch sind diese Systeme dort erfolgreich, wo herkömmliche Methoden scheitern.
Es ist wichtig zu begreifen, dass ein einziger, allwissender Algorithmus für das maschinelle Lernen nicht ausreicht, wenn es um das Thema Sicherheit geht. Die Nutzung mehrerer Systeme, die ununterbrochen bestimmte Datenarten über verschiedene Zeitspannen verarbeiten, ist der Schlüssel für mehr Sicherheit und die Abwehr von ungewöhnlichen Bedrohungen.
Das Geheimnis maschinellen Lernens und künstlicher Intelligenz liegt darin, dass die berühmte Silberkugel, die jede Art von Problem lösen kann, eigentlich die Summe der Silberkugeln ist. Ist man stets in einem bestimmten Feld tätig, so zum Beispiel der Erkennung von hochentwickelten Bedrohungen, so erweist sich die Entwicklung von automatischen, selbstlernenden Algorithmen, die probabilistische Schlüsse anhand von analysierten Daten ziehen können, als äußerst effizient und genau.
Das Gehirn als Vorbild für die Beschreibung von automatisierten Systemen zu nehmen, ist dann sinnvoll, wenn man die Lernfähigkeiten solcher Algorithmen betrachten will. Und auch wenn der Vergleich aus akademischer Sicht eher irreführend ist, fördert er das bessere Verständnis. So wie das menschliche Gehirn beispielsweise in der Lage ist, auch ungeordnete Informationen zu verarbeiten, zum Beispiel bei der Erkennung von Objekten und deren Beziehungen zueinander in Bildern, können auch Algorithmen für das maschinelle Lernen so trainiert werden, dass sie selbstständig Objekte erkennen können. Sie zeigen dabei jedoch nicht die gleichen hochentwickelten Fähigkeiten zur Schlussfolgerung, die mit der menschlichen Intelligenz einhergehen. Zwar können sie noch keine Fragen wie "Wie fühle ich mich beim Anblick dieser Ballons?" beantworten, doch leisten sie gute Arbeit bei der Ableitung statistischer Wahrscheinlichkeiten anhand von bisherigen Kenntnissen und der Beantwortung von Fragen wie "Wie viele Ballons sind es?" oder "Wie viele Menschen halten Ballons?"
Es gibt also einen anhaltenden Bedarf, diese Algorithmen weiterzuentwickeln und zu optimieren, insbesondere wenn man bedenkt, dass laut Statistiken von Strategy Analytics seit Ende 2014 rund 12 Milliarden Geräte mit dem Internet verbunden sind. Stellen Sie sich eine Welt vor, in der jedes Gerät zum Ziel werden kann, eine Welt, in der Ihre Mikrowelle auf einmal Spam-Nachrichten verschickt oder Ihr Kühlschrank erfundene Nahrungsmittelbestellungen aufgibt. Jetzt stellen Sie sich vor, dass es Systeme gibt, die verstehen, wie sich eine Bedrohung verhält, wenn sie beliebige Geräte oder Betriebssysteme ins Visier nimmt.
Moderne sicherheitsorientierte Algorithmen für das maschinelle Lernen sind zwar weit von der Übernahme der Weltherrschaft im Stile von Skynet entfernt. Aber sie sind mehr als geeignet, um hochentwickelten Bedrohungen entgegenzutreten und die Geräte im Internet der Dinge zu schützen. (bw)