![](https://www.lamescolanza.com/wp-content/uploads/2019/06/Digitale2.jpg)
La sicurezza informatica è una battaglia continua contro gli attacchi cibernetici, e una delle principali sfide è il numero elevato di falsi positivi generati dai sistemi di rilevamento delle minacce. Recentemente, un report di Kaspersky ha rivelato che il loro team SOC (Security Operations Center) ha esaminato oltre 430.000 avvisi di sicurezza nel 2023, ma solo una piccola parte di questi ha portato a incidenti reali. Per affrontare questa sfida, l’automazione e l’intelligenza artificiale (IA) sono diventati strumenti essenziali.
Il Problema dei Falsi Positivi
Quando un sistema di rilevamento della sicurezza identifica un potenziale problema, potrebbe trattarsi di un attacco reale o semplicemente di un’attività legittima erroneamente segnalata come minaccia. Questo porta a un grande volume di falsi positivi, che possono sovraccaricare gli analisti e ritardare la risposta agli attacchi veri e propri.
L’Innovazione di Autoanalyst
Per migliorare l’efficienza nella gestione degli avvisi di sicurezza, Kaspersky ha sviluppato Autoanalyst, un sistema basato su IA che utilizza il machine learning per ridurre i falsi positivi. Autoanalyst ha esaminato quasi il 30% dei falsi positivi nel 2023, riducendo il carico di lavoro del team SOC di circa il 25%. Questo sistema è progettato per apprendere dagli avvisi già trattati dal team SOC e replicare autonomamente il processo di classificazione degli avvisi.
Come Funziona l’Intelligenza Artificiale nella Sicurezza Informatica
L’IA, in particolare il machine learning (ML), gioca un ruolo cruciale nella cybersecurity. Esistono due approcci principali:
- Machine Learning Supervisionato: Questo metodo addestra il modello con dati storici sugli attacchi, permettendo di identificare comportamenti dannosi simili in futuro.
- Machine Learning Non Supervisionato: Questo approccio profila il comportamento normale dei sistemi per individuare anomalie che potrebbero indicare una minaccia.
Entrambi gli approcci sono utili, ma non sono esenti da errori. La sfida è bilanciare la precisione del rilevamento con la riduzione dei falsi positivi.
Il Ruolo di Autoanalyst nella Sicurezza
Autoanalyst aiuta a trovare un equilibrio tra la rilevazione di minacce reali e la gestione dei falsi positivi. Riducendo il numero di avvisi che devono essere esaminati manualmente, Autoanalyst consente agli analisti SOC di concentrarsi su minacce più complesse e significative. Tuttavia, c’è sempre un margine di errore: Autoanalyst può classificare erroneamente alcuni avvisi, ma il suo margine di errore è mantenuto al di sotto del 2%, garantendo una qualità adeguata del filtraggio.