Attack-Path-Aware Enterprise Risk Quantification for Cloud-Native Financial Data Platforms Using AI and Cybersecurity Graphs

Dans le monde à enjeux élevés de la banque, la protection de l'argent et des données personnelles a toujours été un jeu en deux parties. D'un côté, les équipes de sécurité utilisent des scanners automatisés pour trouver des faiblesses dans leurs systèmes informatiques, en les classant selon leur dangerosité apparente sur le papier. De l'autre côté, les gestionnaires de risques tentent de deviner combien d'argent la banque pourrait perdre si un pirate réussit son coup, s'appuyant souvent sur des estimations approximatives et des graphiques colorés. Pendant des décennies, ces deux groupes ont travaillé en parallèle, parlant rarement le même langage. Les scanners leur indiquent quel trou isolé est le plus important, tandis que les gestionnaires de risques s'inquiètent du dommage financier total. Mais dans la banque moderne, où les données circulent à travers des réseaux cloud complexes, un seul gros trou est rarement le véritable problème. Au contraire, un pirate réussit généralement en enchaînant une série de petites étapes, apparemment anodines : comme franchir une porte ouverte, emprunter une clé à un ami de confiance, puis se glisser dans un coffre-fort. La question critique n'est plus seulement de savoir quel trou est le plus grand, mais quelle chaîne de petites étapes mène réellement au trésor le plus précieux.

Une nouvelle étude de l'architecte de données Gopinathan Rathinavelu propose un moyen de connecter enfin ces deux mondes. La recherche introduit un système qui cartographie l'intégralité du parcours qu'un pirate pourrait suivre, plutôt que de simplement regarder des faiblesses isolées. En construisant une carte numérique du réseau cloud de la banque, le système trace la manière dont un attaquant pourrait passer d'un point à un autre, en étiquetant chaque étape avec des comportements de piratage connus. Il utilise ensuite cette carte pour calculer la probabilité réelle qu'une brèche atteigne les données les plus sensibles, appelées « joyaux de la couronne », et traduit cette probabilité en une plage spécifique de pertes financières potentielles. L'objectif est d'aider les banques à décider où investir leur budget de sécurité limité pour stopper les chemins les plus dangereux, plutôt que de simplement réparer les failles les plus évidentes.

Les chercheurs ont conçu ce système pour qu'il fonctionne avec les plateformes de données complexes basées sur le cloud que les banques modernes utilisent pour traiter les transactions et faire fonctionner des modèles d'intelligence artificielle. Ces plateformes sont vastes et interconnectées, ce qui rend difficile de voir comment une faiblesse dans une zone, comme une connexion avec un fournisseur tiers, pourrait finalement mener à une violation de l'entrepôt de données principal. La nouvelle architecture commence par recueillir des informations en temps réel sur la posture de sécurité de la banque, les permissions d'identité et les configurations du système. Elle construit ensuite un graphe orienté, un type de carte où les nœuds représentent des actifs et les lignes entre eux représentent les mouvements possibles d'un attaquant. Chaque ligne est étiquetée avec une tactique de piratage spécifique, créant une piste claire et auditable de la façon dont une intrusion pourrait se dérouler.

Pour donner du sens à cette carte, le système utilise une forme spécialisée d'intelligence artificielle pour estimer la probabilité de réussite de chaque étape de la chaîne. Cela est fait avec soin pour garantir que les résultats restent transparents et compréhensibles. Lorsqu'il y a suffisamment de données, un modèle d'apprentissage automatique évalue la probabilité d'une transition ; en cas de manque de données, il revient à un calcul plus simple et transparent ou au jugement d'experts. Le système utilise également des modèles de langage uniquement pour organiser des documents non structurés, comme des textes de politiques, dans la structure de la carte, mais seulement après que des experts humains ont vérifié le travail. Cela garantit que le calcul mathématique central du risque reste inspectable et fiable, évitant le problème de la « boîte noire » où personne ne sait comment un ordinateur est parvenu à sa conclusion.

Une fois la carte construite et la probabilité de chaque étape évaluée, le système exécute des milliers de simulations pour voir à quelle fréquence un attaquant pourrait atteindre les joyaux de la couronne. Au lieu de donner un chiffre unique, il produit une distribution des pertes annuelles possibles, montrant à la fois le résultat le plus probable et les scénarios les plus catastrophiques. Cette approche permet aux comités de risques de voir l'image complète de leur exposition financière, y compris la longue traîne des événements rares mais catastrophiques qu'une simple moyenne ignorerait. La dernière pièce du puzzle est un optimiseur qui examine les contrôles de sécurité disponibles et leurs coûts. Il calcule quels contrôles spécifiques, s'ils étaient ajoutés, réduiraient le plus la perte financière attendue. Cela signifie que le système hiérarchise les corrections en fonction de la manière dont elles brisent le chemin de l'attaquant, plutôt que de la simple sévérité de la faiblesse individuelle.

Les chercheurs ont testé cette méthode sur une plateforme de données cloud simulée qui imite une institution financière typique. Ils ont créé un scénario avec treize états d'actifs différents et dix-huit étapes d'attaque possibles, en attribuant des coûts réalistes et des pertes potentielles à chacune. Dans cette simulation, le système a identifié que le chemin le plus dangereux vers les données les plus précieuses de la banque ne provenait pas de la vulnérabilité la plus évidente ou la plus sévère. Au lieu de cela, le risque majeur provenait d'une chaîne d'étapes impliquant l'intégration d'un fournisseur tiers. Individuellement, les faiblesses de ce chemin présentaient des scores de sévérité modérés, mais lorsqu'elles étaient enchaînées, elles offraient une voie à haute probabilité vers les joyaux de la couronne.

Lorsque les chercheurs ont comparé cette nouvelle méthode à l'approche traditionnelle consistant simplement à réparer d'abord les vulnérabilités ayant les scores les plus élevés, la différence en matière de protection financière est frappante. En utilisant un budget fixe de trois cents mille dollars, l'approche traditionnelle basée sur la sévérité a réduit la perte annuelle attendue d'environ quarante et un pour cent. En revanche, la nouvelle méthode axée sur les chemins, qui se concentrait sur la rupture des chaînes spécifiques menant aux joyaux de la couronne, a réduit la perte attendue de quatre-vingt-cinq pour cent. Le système a correctement identifié que dépenser de l'argent pour isoler le fournisseur tiers et faire pivoter les secrets était bien plus précieux que de corriger la faille unique la mieux notée, qui se trouvait sur un chemin moins probable vers les données critiques.

L'étude conclut que cette approche offre un outil d'aide à la décision puissant pour les banques, comblant le fossé entre les découvertes techniques de sécurité et la gestion des risques financiers. Elle ne remplace pas le jugement humain et n'agit pas de manière autonome ; elle fournit plutôt un argument clair, fondé sur les données, pour expliquer pourquoi certains contrôles devraient être prioritaires. En traitant le risque comme un parcours plutôt que comme une liste de points, la méthode aide les organisations à comprendre que la menace la plus dangereuse est souvent celle qui relie les points, et non celle qui se fait le plus remarquer. Bien que les résultats présentés ici soient basés sur une simulation synthétique, le cadre est conçu pour être validé par des données réelles, offrant une voie vers une gestion des risques financiers plus précise et efficace dans un monde numérique de plus en plus complexe.