יש לא מעט הייפ סביב בינה מלאכותית AI)), והוא מוצדק, שכן מדובר בטכנולוגיה שיכולה להוסיף ערך עצום ליעילות האבטחה. לכל מקום שאליו אתה מגיע, הנושא הראשון שעולה הוא הבינה המלאכותית (AI) והשילוב שלה בתוכניות האבטחה. ההייפ יוצר לא מעט ערפל סביב ה- AI , קשה להבין מתי AI יכול להוסיף ערך ומתי הוא רק משמש עבור ההייפ . כך שאיך נדע מתי ה- AI ממונף בדרך שימושית לפתרון יצירתי של בעיות?
מניסיוני, AI פועל בצורה הטובה ביותר כאשר הוא מיושם בבעיות ספציפיות. במילים אחרות, בינה מלאכותית צריכה להיות ממונפת בזהירות, בצורה אסטרטגית ושיטתית כדי להתמודד עם בעיות מסוימות שבהן יש לה ערך מוסף. אבטחת API היא בעיה אחת כזו שבה AI מייצרת תוצאות טובות יותר.
בואו נסתכל על חמש דרכים שבהן ניתן למנף AI לשיפור אבטחת API:
גילוי API: ניתן למנף AI כדי ללמוד נתוני בקשות ותגובות עבור ממשקי API. ניתן לבצע ניתוח התנהגותי כדי לגלות נקודות קצה של API שלא היו ידועות בעבר. לאחר גילוין, ממשקי API אלה שלא היו ידועים בעבר נכנסים למלאי הנכסים, והופכים לחלק מניהול נכסים, מדיניות אבטחה ופעילויות ניטור אבטחה. בדרך זו, גילוי API הוא תורם חשוב לאבטחת ה- API הכוללת.
אכיפה/בקרת גישה לסכימה: היכולת לאכוף סכימות ולשפר את בקרת הגישה היא תורמת חשובה נוספת לאבטחת ה- API הכוללת.
מכיוון שמחקרי AI מבקשים נתוני תגובה עבור ממשקי API, ישנם יתרונות נוספים מעבר לגילוי API. ניתן ללמוד ולאחר מכן לאכוף סכימות עבור נקודות קצה ספציפיות של API, וניתן לצפות בסטיות הבאות מסכימות שנלמדו ולאחר מכן לצמצם אותן. ניתן ליצור פונקציות המתאימות במדויק למדדים, כגון גודל הבקשה וגודל התגובה, השהיה עם ובלי נתונים, קצב בקשות ושיעור שגיאות, תפוקת תגובה ועוד. ניתן גם לראות סטיות עוקבות ממדדים אלה ולאחר מכן למתן אותן. כך מקבלים יכולות בקרת גישה משופרות בכל נקודות הקצה של ה- API.
חשיפת מידע רגיש: יתרון נוסף להטמעת – AI הוא היכולת לזהות נתונים רגישים במעבר על ידי ניתוח נתוני בקשות ותגובות עבור ממשקי API. ה- AI מאפשר זיהוי וסימון של מידע המאפשר זיהוי אישי (PII) שנחשף. חשיפה של נתונים רגישים, כולל PII, היא סיכון גדול עבור רוב הארגונים. שיפור היכולת לזהות ולצמצם חשיפה של נתונים רגישים משפר את אבטחת ה- API הכוללת.
הגנה ממתקפות DDoS בשכבה 7: בעוד שלרוב הארגונים יש הגנה ממתקפות DDoS בשכבות 3 ו-4, ייתכן שלא תהיה להם הגנה כזו בשכבה 7. בממשקי API, שכבה 7 היא המקום שבו מתבצעת עיקר הפעולה. לפיכך, ניתן למנף AI כדי לסייע בהגנה על נקודות קצה של API מפני שימושים לרעה שיכולים להתרחש בשכבה 7 על ידי ניתוח מדדים ונתוני לוגים שנאספו מנקודות קצה של API בארגון. הנראות שנוצרת על-ידי ניתוח מתמשך זה, והבסיס של אופן הפעולה של נקודות קצה של ה-API מספקות תובנות והתראות על חריגות, כך שניתן להשתמש בהן כדי ליצור מדיניות הגנה משופרת בשכבה 7. הגנה משופרת ממתקפות DDoS בשכבה 7 פירושה אבטחת API משופרת.
זיהוי משתמשים זדוניים: משתמשים זדוניים, או לקוחות, מהווים סיכון משמעותי לרוב הארגונים. כל אינטראקציות הלקוח, כולל אלה שמתבצעות בנקודות קצה API, ניתנות לניתוח. כך שלאורך זמן ניתן לזהות חריגות. לאחר מכן, כל לקוח יכול לקבל דירוג סיכון המבוסס על כל האינטראקציות שלו עם נקודות קצה ספציפיות של API. בהתבסס על הפעילויות הספציפיות של כל לקוח, רמת האיום של הלקוח תעלה או תרד עם הזמן. ניתן לקבוע מדיניות ותהליכים כדי להגדיר כיצד משתמשים / לקוחות זדוניים אלה מטופלים. כך נפתח נתיב נוסף לאבטחת API משופרת.
לסיכום: הן אבטחת AI והן אבטחת API נמצאות בראש מעייניהם של רוב מומחי האבטחה בימינו. אמנם יש לא מעט באזז והייפ סביב AI, אך מדובר בטכנולוגיה שיכולה להוסיף ערך עצום לתוכניות אבטחה. באופן לא מפתיע, כמו טכנולוגיות רבות, AI פועלת בצורה הטובה ביותר כאשר היא מיושמת על בעיות ספציפיות המתאימות לה. מניסיוני, אבטחת API היא אחת הבעיות האלה. על-ידי יישום זהיר, אסטרטגי ושיטתי של בינה מלאכותית באבטחת API, ארגונים יכולים לשפר את עמידות האבטחה הכוללת שלהם.
ג’וש גולדפרב,
ארכיטקט פתרונות גלובאלי, 5F
קרדיט: יח”צ
