Explainable Adaptive Zero Trust Framework for AWS with Adversarial Robustness Evaluation
Dit artikel stelt het Explainable Adaptive Zero Trust Framework (EAZTF) voor voor AWS, een cloud-native beveiligingssysteem dat machine learning gebruikt om de legitimiteit van sessies continu te evalueren via een Trust Risk Score en SHAP-gebaseerde verklaringen, waarbij hoge detectiepercentages tegen adversariële dreigingen wordt bereikt terwijl de naleving van NIST Zero Trust-standaarden aanzienlijk wordt verbeterd in vergelijking met traditionele perimetermodellen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de digitale wereld van cloud computing heeft een fundamentele verschuiving plaatsgevonden in de manier waarop organisaties hun gegevens beschermen. Decennialang vertrouwde beveiliging op het idee van een kasteelmuur: zodra een gebruiker zijn identiteit bij de poort had bewezen, werd hij voor de rest van zijn tijd binnen volledig vertrouwd. Deze perimeter-gebaseerde aanpak ging ervan uit dat iedereen met een geldige sleutel veilig was om vrij rond te lopen. Echter, naarmate werk naar de cloud verhuisde en werknemers overal toegang kregen tot systemen, werd die muur poreus. Als een dief een geldige sleutel stal, kon hij zo naar binnen lopen en daar blijven, vaak urenlang, voordat iemand het merkte. Het moderne antwoord op deze kwetsbaarheid is een filosofie genaamd Zero Trust. In plaats van een persoon te vertrouwen enkel omdat hij een sleutel heeft, eist Zero Trust dat elke enkele actie wordt gecontroleerd, constant, alsof de gebruiker een vreemde is. Het vraagt niet alleen "Wie ben je?", maar ook "Wat ben je nu aan het doen, en is dat logisch?".
Een team onderzoekers uit India heeft deze filosofie genomen en een werkend systeem gebouwd specif{%} specifiek voor Amazon Web Services, het platform dat door een derde van de wereldwijde clouddiensten wordt gebruikt. Ze creëerden een framework dat fungeert als een waakzame bewaker die nooit stopt met kijken. In tegenstelling tot traditionele systemen die alleen de identiteit van een gebruiker controleren wanneer deze voor het eerst inlogt, houdt dit nieuwe systeem elke beweging die de gebruiker maakt tijdens zijn gehele sessie in de gaten. Het kijkt naar patronen zoals waar de gebruker inlogt, hoe laat het is en hoe snel hij door bestanden klikt. Als het systeem iets ongebru liczks ziet, zoals een gebruiker die plotseling duizenden bestanden downloadt om 3 uur 's nachts vanuit een land dat hij nog nooit heeft bezocht, wacht het niet tot een mens het opmerkt. Het reageert onmiddellijk, door ofwel om extra bewijs van identiteit te vragen, of de gebruiker volledig de toegang te ontzeggen.
De onderzoekers testten hun systeem met een enorme collectie van 8.500 gesimuleerde computergebeurtenissen die de activiteiten in de echte wereld nabootsten. Ze creëerden een mix van normale werkpatronen en diverse soorten aanvallen, inclusief scenario's waarbij een dief gestolen sleutels gebruikte, probeerde het normale gedrag van een gebruiker te kopiëren om op te gaan in de massa, of probeerde de snelheidslimieten voor dataverzoeken te omzeilen. Het systeem bleek opmerkelijk effectief in het opsporen van deze dreigingen. Het behaalde een AUC van 0,91 voor alle aanvalspogingen en ving deze op in minder dan een minuut. In contrast hiermee zouden de traditionele beveiligingsmethoden die vandaag de dag door veel bedrijven worden gebruikt, gemiddeld 43 uur nodig hebben gehad om dezelfde diefstal op te merken, tegen welke tijd de schade waarschijnlijk al is aangericht. Het systeem was bijzonder goed in het opsporen van diefstal van inloggegevens, waarbij een geldige sleutel vanuit een vreemde locatie wordt gebruikt, met een AUC van 0,92 voor die pogingen.
Een van de meest significante prestaties van dit werk is dat het systeem niet alleen "nee" zegt tegen een verdachte gebruiker, maar ook uitlegt waarom. Bij veel beveiligingssystemen is een weigering een 'black box', waardoor beveiligingsteams moeten gissen naar wat er misging. Dit nieuwe framework biedt een duidelijke, voor mensen leesbare reden voor elke beslissing, waarbij exact wordt vermeld welk gedrag het alarm deed afgaan, zoals een ongebruikelijke inlogtijd of een vreemd apparaat. Deze transparantie helpt beveiligingsteams om de dreiging te begrijpen en hun regels aan te passen zonder te hoeven gissen. De onderzoekers testten ook hoe goed het systeem standhield tegen slimme aanvallers die probeerden het systeem te misleiden door normaal gedrag na te bootsen. Hoewel het systeem de meeste van deze pogingen onderschepte, had het moeite met de meest geavanceerde imitators en miste het ongeveer 16 procent van hen. De onderzoekers identificeerden dit als een specifiek gebied voor verbetering, waarbij zij opmerkten dat het systeem meer tijd nodig heeft om de gewoonten van een gebruiker te leren voordat het een kopie perfect kan onderscheiden van de echte persoon.
De studie bevestigt dat deze aanpak niet slechts een theoretisch idee is, maar een praktische oplossing die vandaag de dag kan worden ingezet. Door geavanceerde patroonherkenning te combineren met duidelijke verklaringen, biedt het framework een manier om cloudomgevingen te beveiligen die zowel sneller als intelligenter is dan de huidige methoden. Hoewel de resultaten uit een gesimuleerde omgeving komen en niet uit live productiedata, suggereren de prestatiecijfers een krachtige nieuwe manier om de constante dreiging van gestolen inloggegevens aan te pakken. Het werk benadrukt dat beveiliging niet langer gaat over het bouwen van hogere muren, maar over het voeren van een continue, intelligente conversatie met elke gebruiker en elke actie, om ervoor te zorgen dat vertrouwen in realtime wordt verdiend, moment voor moment.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.