Che cos’è la sicurezza AI Zero Trust?

Il modello di zero trust security combina controlli di accesso a privilegio minimo con verifica esplicita delle richieste degli utenti per l’accesso alle risorse aziendali. La sicurezza zero trust basata su AI estende questo utilizzando l’AI per prendere decisioni di accesso e svolgere analisi. La sicurezza zero trust AI è un’evoluzione di Zero Trust Network Access (ZTNA), sfruttando la tecnologia per migliorare la sicurezza centrata sull’identità. Integrare l’AI nel mix consente un’applicazione intelligente dei controlli di accesso a privilegio minimo, verifica continua e microsegmentazione.

L’AI è sempre più integrata nelle architetture zero trust per affrontare il crescente numero di attacchi centrati sull’identità che le organizzazioni devono affrontare. Con l’aumento del numero e della sofisticazione degli attacchi informatici, che si concentrano sempre più sugli account utente compromessi, le organizzazioni necessitano dell’AI per implementare una sicurezza efficace su larga scala, specialmente con la crescita dei lavoratori e dei dispositivi remoti.

Come viene definita oggi la sicurezza Zero Trust?

Il modello di sicurezza zero trust è stato progettato per affrontare le limitazioni della sicurezza tradizionale basata sul perimetro. Il modello perimetrale, comunemente implementato tramite reti private virtuali (VPN), è vulnerabile a minacce interne e movimenti laterali degli attaccanti all’interno della rete. ZTNA e zero trust offrono un’alternativa moderna progettata per soddisfare le esigenze dell’infrastruttura IT in evoluzione e delle minacce informatiche.

Principi fondamentali del Zero Trust

Il Zero Trust adotta un approccio “assumi violazione” alla sicurezza, tentando di prevenire movimenti laterali e attacchi in corso, oltre a minacce in arrivo. Gli elementi chiave del modello includono:

• Privilegio Minimo: Il principio del privilegio minimo stabilisce che utenti, dispositivi e applicazioni dovrebbero avere solo l’accesso necessario per svolgere il proprio ruolo. I controlli di accesso a privilegio minimo aiutano a gestire i potenziali impatti di un account compromesso, gestendo la minaccia di movimenti laterali.
• Autenticazione e Autorizzazione Continua: I controlli di sicurezza Zero Trust richiedono una verifica esplicita di ogni richiesta di accesso alle risorse aziendali. “Non fidarti mai, verifica sempre.”
• Microsegmentazione: Le soluzioni ZTNA implementano la microsegmentazione, creando confini di fiducia attorno a singoli sistemi e applicazioni. Questo aiuta a far rispettare i controlli di accesso con il minimo privilegio poiché tutte le richieste devono passare attraverso questo confine di fiducia e subire ispezione e applicazione delle politiche.

I controlli Zero Trust si applicano a tutti, inclusi dispositivi e utenti interni ed esterni. Questo approccio affronta il rischio di minacce interne e si adatta al fatto che l’identità è diventata “il nuovo perimetro” poiché il traffico si sposta sempre più verso il cloud e SaaS.

Zero Trust Network Access Legacy VPN

I controlli di sicurezza Zero Trust vengono comunemente implementati tramite ZTNA, che è stato sviluppato come un’alternativa ai VPN tradizionali. I VPN offrono accesso illimitato alla rete per gli utenti autenticati, il che introduce la minaccia di movimento laterale una volta che un attaccante ottiene accesso all’ambiente aziendale.

Al contrario, ZTNA fornisce accesso a specifiche applicazioni caso per caso. Queste decisioni possono basarsi su controlli di accesso con il minimo privilegio e politiche aziendali, così come su altri fattori, come i controlli della postura del dispositivo.

Cosa intendiamo per Sicurezza Zero Trust AI?

La sicurezza Zero Trust AI applica l’AI e l’apprendimento automatico alle architetture Zero Trust per valutare il rischio e prendere decisioni politiche in tempo reale. Estende i principi Zero Trust, aggiungendo l’AI per migliorare la valutazione del rischio e l’applicazione dei protocolli su larga scala.

Come si integra l’AI nei componenti Zero Trust

I sistemi AI si integrano con gli elementi esistenti dell’architettura Zero Trust di un’organizzazione, inclusi gestione dell’identità, analisi comportamentale degli utenti e delle entità (UEBA), motori di policy PTNA e piattaforme di analisi della sicurezza. Il sistema si allenerà su eventi storici e decisioni degli analisti, aiutandolo a perfezionare le decisioni future per ridurre al minimo le rilevazioni di falsi positivi e falsi negativi. Quando si implementa l’AI per Zero Trust, dati di alta qualità provenienti da fornitori di identità, endpoint e strumenti di rete sono essenziali per massimizzare l’efficacia e l’accuratezza.

Come migliora l’AI l’accesso alla rete Zero Trust (ZTNA)?

L’AI consente agli strumenti ZTNA di migliorare il loro processo decisionale valutando intelligentemente il contesto di utenti, dispositivi e sessioni durante l’intera sessione. Con l’AI, le imprese possono andare oltre le politiche statiche per considerare le deviazioni dai tempi di accesso normali, dall’uso delle applicazioni e dalla posizione per identificare anomalie e calcolare punteggi di rischio. Questi punteggi di rischio possono quindi essere utilizzati per attivare azioni di rimedio, come autenticazione rafforzata, accesso negato o privilegi limitati.

Controlli della postura del dispositivo e della sessione guidati dall’IA

Le architetture Zero Trust hanno la capacità di considerare un’ampia gamma di fattori potenziali nel calcolo di un punteggio di rischio per una sessione utente. Esempi comuni includono:

• Versione del sistema operativo
• Livello di patch
• Stato EDR
• Conformità del dispositivo

Integrare l’IA rende possibile monitorare i modelli e identificare anomalie in tutta l’organizzazione, piuttosto che su un singolo dispositivo. Inoltre, possono considerare un’ampia gamma di fattori nel calcolo di un punteggio di rischio, piuttosto che una singola fonte di dati. Questo contesto aggiuntivo può migliorare la rilevazione delle minacce e aiutare a personalizzare le azioni correttive in base alla situazione.

Verifica continua e accesso adattivo

L’IA migliora la capacità di un’organizzazione di eseguire verifiche continue e implementare accesso adattivo durante una sessione utente. Monitorando la sessione in tempo reale e considerando vari punti dati, un’IA può aggiornare continuamente il suo punteggio di rischio calcolato in base all’attività dell’utente e ad altri segnali di allerta.

Se la sessione diventa troppo rischiosa, l’IA può quindi intraprendere azioni per risolvere questo problema. Ad esempio, potrebbe essere utilizzata un’autenticazione rafforzata per verificare l’identità dell’utente, richiedendo di fornire una password o un codice MFA per continuare la sessione. In alternativa, il sistema può limitare l’accesso a sistemi o risorse ad alto rischio o terminare completamente la sessione.

Utilizzare l’IA per questo fornisce anche al team di sicurezza informazioni sul processo decisionale e sulla causa dell’escalation. Se l’IA può spiegare la storia dei punteggi di rischio e il ragionamento dietro di essi, il personale di sicurezza può agire di conseguenza, potenzialmente avviando una risposta agli incidenti o affrontando il falso positivo del modello IA.

Come migliora l’IA la gestione dell’identità e dell’accesso?

La gestione dell’identità e dell’accesso (IAM) implementa l’autenticazione, l’autorizzazione e la registrazione degli utenti per un’organizzazione. È un componente critico di un’architettura Zero Trust, gestendo i profili utente e le politiche per la fiducia degli utenti.

L’IA migliora l’IAM eseguendo una gestione intelligente dell’identità e analisi. Oltre alla gestione delle minacce, l’IA può aiutare a raggruppare ruoli utente simili per il controllo degli accessi basato sui ruoli (RBAC), identificare account non utilizzati e aiutare a identificare privilegi che possono violare le politiche di accesso al minimo privilegio.

Sebbene l’IA possa essere utile per l’IAM, non sostituisce la supervisione umana. I team IAM dovrebbero convalidare le raccomandazioni dell’IA invece di approvare automaticamente le modifiche.

Autenticazione basata sul rischio e controlli di step-up

L’autenticazione basata sul rischio assegna punteggi di rischio alle sessioni e agisce in base a questi punteggi. Ad esempio, le sessioni potrebbero essere contrassegnate se coinvolgono dispositivi sconosciuti, posizioni insolite o viaggi impossibili. Queste sessioni devono quindi eseguire un’autenticazione di step-up, dove sono richiesti ulteriori passaggi di autenticazione per verificare l’identità dell’utente.

I modelli di IA possono essere utilizzati per regolare in modo più intelligente e adattivo i punteggi di rischio per una sessione utente. Questo può considerare il comportamento dell’utente, le tendenze delle minacce e altre informazioni per determinare dove ha senso una verifica aggiuntiva, riducendo al minimo l’attrito nell’esperienza utente.

Ciclo di vita dell’identità e gestione dei privilegi

L’IA può aiutare ad automatizzare processi tradizionalmente manuali per la gestione degli account. Questo include la fornitura di account, la revisione degli accessi e la revoca.

Ad esempio, i sistemi di IA possono identificare account simili all’interno dell’organizzazione e confrontare i loro privilegi, aiutando a rilevare l’aumento dei privilegi e altri problemi. Monitorare l’attività degli utenti può aiutare a identificare account non utilizzati o accessi non necessari concessi a un ruolo.

Quali casi d’uso definiscono la Zero Trust guidata dall’IA nella pratica?

La zero trust guidata dall’IA si applica meglio in situazioni in cui i calcoli del rischio sono complessi e possono cambiare rapidamente. Alcuni esempi comuni includono:

• Proteggere i dipendenti remoti che utilizzano reti non gestite.
• Proteggere l’accesso privilegiato alle console di amministrazione.
• Controllare l’accesso alle applicazioni e ai modelli di intelligenza artificiale.
• Rilevare minacce interne e takeover degli account.

Per queste applicazioni, l’IA ha il potenziale di identificare rapidamente e neutralizzare le minacce. Tuttavia, possono verificarsi rilevamenti falsi positivi, specialmente quando il sistema di IA sta ancora apprendendo e affinando il suo modello. Inoltre, l’IA può trascurare minacce, quindi dovrebbe integrare i team di sicurezza e i controlli tradizionali, piuttosto che sostituirli.

Principi di design chiave per la sicurezza Zero Trust con IA

Le migliori pratiche per implementare la sicurezza zero trust con IA includono:

• Pensiero Policy-First: Prima di implementare l’IA, le organizzazioni dovrebbero definire chiaramente le politiche di zero trust e i modelli di rischio. Questo aiuta a garantire che i sistemi di IA siano implementati e affinati per allinearsi con la governance aziendale.
• Difesa a Strati: L’IA integra lo zero trust; non lo sostituisce. La valutazione del rischio basata sull’IA dovrebbe essere sovrapposta ai controlli di sicurezza zero trust tradizionali implementati tramite ZTNA, come la gestione degli accessi con il principio del minimo privilegio e segmentazione della rete.
• Visibilità e Spiegabilità: Non si dovrebbe fare affidamento sull’IA per prendere decisioni di accesso in isolamento. I team di sicurezza dovrebbero avere visibilità nel processo di pensiero dell’IA e la possibilità di rivedere le modifiche apportate in base alle raccomandazioni dell’IA prima che vengano implementate.
• Privacy e Conformità: I sistemi di IA che implementano IAM monitoreranno e analizzeranno il comportamento degli utenti. Questo deve essere implementato in conformità con i requisiti normativi e i dati sensibili degli utenti devono essere adeguatamente protetti contro accessi, utilizzi o divulgazioni non autorizzati.
• Gestione del Cambiamento: Piccole modifiche ai sistemi di intelligenza artificiale possono avere impatti significativi sulla loro efficacia. Le modifiche devono essere controllate tramite un processo di gestione del cambiamento che impone cambiamenti incrementali, monitoraggio e regolazione.

Governance dei Dati, dei Modelli e delle Politiche

La governance dei dati è fondamentale per i sistemi di intelligenza artificiale; dati di addestramento o telemetria errati possono causare errori nell’IA e danneggiare l’azienda. Gli elementi chiave di un programma di governance dell’IA includono:

• Classificazione dei dati:
• Minimizzazione dei dati
• Gestione degli accessi
• Registrazione dei parametri del modello di IA (fonti dei dati di addestramento, cadenza degli aggiornamenti, ecc.)

Gli ambienti IT e il panorama normativo dell’IA stanno entrambi evolvendo rapidamente. Le imprese devono garantire che le politiche aziendali sull’IA siano allineate con le aspettative normative riguardo a trasparenza, auditabilità, sicurezza, affidabilità e privacy dei dati.

Quali sono i rischi e le limitazioni dell’IA nel Zero Trust?

L’introduzione di sistemi basati sull’IA nella gestione dell’identità introduce una varietà di potenziali rischi, tra cui falsi positivi, falsi negativi, deriva del modello, pregiudizi e potenziale evasione. Per questo motivo, un’eccessiva dipendenza da strumenti basati sull’IA che utilizzano modelli opachi può creare minacce significative senza revisione umana.

Gli attaccanti possono adottare una varietà di approcci diversi per compromettere i sistemi di sicurezza basati sull’IA. Esempi includono:

• Cambiamento graduale del comportamento per normalizzare l’attività malevola
• Avvelenamento dei dataset di addestramento o della telemetria
• Sfruttamento dei punti ciechi

Implementare l’IA nel zero trust può anche creare rischi operativi, come:

• Misconfigurazioni del modello
• Avvisi rumorosi
• Soglie disallineate che causano interruzioni di accesso
• Modelli di intelligenza artificiale obsoleti

Un sistema efficace basato sull’intelligenza artificiale richiede formazione, messa a punto e validazione continue man mano che le applicazioni, il comportamento degli utenti e i modelli evolvono. L’intelligenza artificiale dovrebbe essere implementata e utilizzata con attenzione all’interno di un programma di zero trust ben governato, senza fungere da sostituto.

Barriere e controlli con intervento umano

L’intelligenza artificiale è uno strumento utile, ma non è perfetta. Le modifiche ad alto impatto raccomandate dall’intelligenza artificiale dovrebbero essere esaminate e approvate da analisti umani per ridurre i potenziali impatti delle allucinazioni dell’IA e di altri errori.

L’organizzazione dovrebbe anche implementare programmi di gestione del cambiamento dell’IA per gestire il rischio e le prestazioni del modello. Le migliori pratiche includono:

• Distribuzioni canary
• Test A/B
• Piani di rollback per le modifiche alle politiche guidate dall’IA.
• Monitoraggio degli KPI dell’IA, come la riduzione dei tassi di incidenti, il miglioramento della velocità di rilevamento e l’impatto sull’esperienza dell’utente.
• Playbook decisionali documentati che specificano quali azioni possono essere automatizzate o richiedono sempre una revisione umana

Domande frequenti sulla sicurezza Zero Trust dell’IA

La sicurezza zero trust dell’IA è un prodotto o un’architettura?

La zero trust dell’IA è un’architettura, che migliora il framework di sicurezza zero trust esistente con l’IA. Le organizzazioni che desiderano migliorare i sistemi esistenti con l’IA possono adottare capacità in modo incrementale nel tempo, allineandole con gli investimenti esistenti in ZTNA, IAM e analisi della sicurezza.

In che modo la zero trust dell’IA è diversa dalla Zero Trust tradizionale?

Il zero trust tradizionale si basa su decisioni statiche e basate su politiche per applicare i principi del zero trust, come l’accesso con il minimo privilegio e la verifica esplicita. Il zero trust AI aggiunge l’AI a questo, offrendo decisioni continue e basate sul rischio in base ai dati contestuali raccolti dai sistemi di identità, dai punti finali e dalla rete.

Abbiamo bisogno dell’AI affinché il zero trust funzioni?

No, il zero trust tradizionale non utilizza l’AI, ma usa politiche statiche che applicano i controlli di accesso con il minimo privilegio. Tuttavia, l’AI è un’aggiunta utile a un’architettura zero trust, offrendo un controllo più granulare sulla gestione degli accessi su larga scala.

Quali competenze ha bisogno di un team di sicurezza per gestire il zero trust AI?

I team che implementano il zero trust AI devono fornire dati di alta qualità al modello, definire e applicare politiche di governance e implementare cicli di feedback per l’apprendimento continuo. Questo richiede competenze nella governance IAM, ingegneria dei dati e progettazione delle politiche.

Come dovresti valutare il software di sicurezza AI per il zero trust?

Il zero trust AI migliora l’efficacia delle architetture Zero Trust integrando punteggi di rischio intelligenti e analisi continua. Software di sicurezza AI per il zero trust dovrebbe offrire:

• Supporto per varie fonti di dati (fornitori di identità, punti finali, rete, ecc.)
• Integrazione con soluzioni di sicurezza per l’applicazione delle politiche
• Punteggi di rischio di alta qualità e spiegabili
• Politiche e governance regolabili
• Registrazione e reporting in conformità con i requisiti normativi
• Raccolta e analisi di telemetria che preserva la privacy
• Facilità di implementazione e integrazione

L’AI non è una parte necessaria di un’architettura zero trust, ma può essere un moltiplicatore di forza se implementata correttamente. Quando valuti le soluzioni, richiedi esempi concreti di decisioni guidate dall’AI, inclusi dettagli sulle fonti di dati, spiegazioni delle decisioni e come vengono applicate le politiche. La sicurezza zero trust AI rende il zero trust più dinamico e resiliente in ambienti complessi. Tuttavia, dipende da un’architettura solida, governance e supervisione umana.