Während wir uns auf die dritte Phase der digitalen Transformation zubewegen, ist die Erfassung und Analyse von Daten und Telemetrie an jedem Punkt des Anwendungspfads vom Code bis zum Kunden von entscheidender Bedeutung. Unternehmen setzen in hohem Maße auf Analysen mit maschinellem Lernen, die vielfältige Daten liefern, etwa zu Nutzungsmustern der Verbraucher, zur Bestandsverfolgung und zu saisonalen Schwankungen. Dadurch lassen sich die Leistung steigern, die Effizienz erhöhen und Wettbewerbsvorteile ausbauen. Gleichzeitig ist maschinelles Lernen auch entscheidend für die Abwehr der hochentwickelten Sicherheitsbedrohungen, denen Unternehmen heute ausgesetzt sind und auch künftig ausgesetzt sein werden.
Dennoch gibt es nach wie vor eine Debatte über die Sicherheitsarchitektur, die entscheidend dafür ist, das Potenzial des maschinellen Lernens auszuschöpfen: Paketfilterung oder Proxy? Diese Debatte wurde bereits vor fast zwanzig Jahren heftig geführt, als ich Praktikant in der Security Innovation Group im Büro des CTO von Cisco war, und sie dauert bis heute an.
Anfangs schien sich die Netzwerk-Paketfilterung durchzusetzen, da der Schwerpunkt auf Geschwindigkeit und Durchsatz lag. Paketfilterungsansätze verarbeiten einzelne Pakete, wodurch sie in der Vergangenheit häufig schneller waren als ihre verbindungsorientierten Proxy-Pendants. Auf Paketfilterungsansätzen basierende Sicherheitslösungen entwickelten sich zu zustandsbehafteten Engines weiter, die zunehmend „anwendungsbewusst“ wurden und Anwendungen sowie Identitäten stärker in den Mittelpunkt rückten. Dennoch beruhte das zentrale Nutzenversprechen paketfilterungsbasierter Sicherheit weiterhin maßgeblich auf der schnellen Überprüfung einzelner Pakete.
Im Laufe der Zeit entwickelten sich jedoch programmierbare Proxys mit umfassendem Anwendungsverständnis, deren Mehrwert die anfänglichen Vorteile der Paketfilterung übertraf. Dieser Mehrwert beruht auf zwei Aspekten: Erstens schaffen Proxys Transparenz über jede Interaktion – vom Benutzer bis zur Anwendung, vom Netzwerk bis zur Anwendung und über logische Geschäftsabläufe hinweg. Dadurch können sie komplexe Angriffe erkennen. Zweitens kann ein programmierbarer Proxy Code einschleusen, Header mit zusätzlichen Informationen anreichern und Ablaufverfolgungsdaten einfügen, um Clients und Anwendungen dynamisch zu instrumentieren. Mit anderen Worten: Eine reine Überprüfung reichte nicht mehr aus – Proxys bieten die entscheidende Möglichkeit, Interaktionen mit der erforderlichen Datenbreite und -tiefe zu instrumentieren, um Muster zu erkennen und verwertbare Sicherheitserkenntnisse zu gewinnen.
Die Leistungsfähigkeit von Inspektion und Instrumentierung
Es besteht eindeutig weiterhin die Notwendigkeit, schädlichen Datenverkehr herauszufiltern und die Prüfkapazitäten auf den legitimen Datenverkehr zu konzentrieren. So können Unternehmen sowohl in die Breite als auch in die Tiefe gehen – mit einer Architektur, die einem „Zero Trust“-Designansatz entspricht, indem sie die Benutzeridentität mit weiteren Richtlinien für die Zugriffskontrolle verknüpft.
Darüber hinaus sind Angriffe inzwischen so ausgefeilt, dass sie über einfache Angriffsmethoden hinausgehen und sich nicht mehr durch eine punktuelle Analyse einer Verbindung mit einem einzelnen Inline-Gerät wie einer WAF erkennen lassen. Die Erkennung und Abwehr komplexer Angriffe erfordert die Korrelation mehrerer Signale oder Datenpunkte über einen längeren Zeitraum und entlang des gesamten Datenpfads.
Die Zukunft der Sicherheit beruht auf Telemetriedaten, die über aus Paketen extrahierte technische Datenpunkte hinausgehen. Sie erfordert eine ganzheitliche Betrachtung der Interaktionen – vom Client über die Anwendung bis hin zum Verhalten. Maschinelles Lernen benötigt enorme Datenmengen, um Muster zu ermitteln und zu erkennen. Deshalb sind programmierbare Proxys ein so wichtiger Bestandteil eines fortschrittlichen Sicherheitskonzepts. Die durch Instrumentierung gewonnenen hochpräzisen Daten liefern umfassende Erkenntnisse, die den Schutz vor Anwendungsangriffen und sogar deren Vorhersage ermöglichen.
Letztlich wird es für Unternehmen sehr schwierig sein, die Leistungssteigerungen, Effizienzgewinne und Wettbewerbsvorteile auszuschöpfen, die maschinelles Lernen bieten kann, wenn sie fortschrittliche Angriffe ständig bekämpfen müssen, ohne dabei alle ihnen zur Verfügung stehenden Werkzeuge zu nutzen.
Über den Autor
Ähnliche Blogbeiträge
Ein umfassender Leitfaden zur Bereitstellung und Sicherheit von KI-Anwendungen
Entdecken Sie optimale Strategien für die Absicherung und Bereitstellung von KI-Anwendungen.
KI zulassen und einführen? Lehren aus der Public Cloud
Die Einführung von KI steht unmittelbar bevor und könnte entscheidend sein, um wettbewerbsfähig zu bleiben. Daher muss die IT-Sicherheit proaktiv handeln und der KI-Einführung schon jetzt einen Schritt voraus sein, um sie auf einen risikogerechten Weg zu lenken.
Stand der Anwendungsstrategie 2022: Zeit für die Modernisierung des Betriebs
Es ist deutlich geworden, dass Unternehmen ihren Fokus erneut auf die Geschäftsfunktionen richten müssen, um die Dynamik ihrer digitalen Transformation aufrechtzuerhalten. Kundenerlebnisse haben zwar weiterhin Priorität, doch auch Geschäftsfunktionen wie Recht, Personalwesen und Finanzen müssen digitalisiert werden. Das bedeutet, dass CIOs das Steuer übernehmen, während sich die digitale Transformation von der Modernisierung von Anwendungen hin zur Modernisierung von Betriebsabläufen verlagert.
F5s Weg zu einer vielseitigen Plattform für Anwendungsanalysen
F5 bietet heute die umfassendsten Anwendungsdienste entlang des gesamten Weges vom Code bis zum Kunden. Künftig werden wir verstärkt auf Anwendungstelemetrie und -analysen setzen, damit unsere Kunden wertvolle Erkenntnisse über ihre Anwendungen, Geschäftsabläufe und Benutzererlebnisse gewinnen können. Beim Ausbau unserer Cloud-Analysefunktionen werden wir ML und KI noch stärker nutzen, um unsere Kunden bei der Verbesserung ihrer Geschäftsdienste zu unterstützen.
Telemetrie: Eine andere Art von Daten
Verwenden wir den Begriff „Telemetrie“ nur, weil er attraktiver klingt als „Daten“? Letztlich sind sowohl Daten als auch Telemetrie strukturierte Informationseinheiten. Es ist kein Verbrechen, die Begriffe synonym zu verwenden. Doch wenn man es genau nimmt, gibt es einen Unterschied. Und dieser Unterschied wird immer wichtiger werden, je weiter Unternehmen in die Datenökonomie vordringen.
MTTR bedeutet nicht „Mean Time to Reboot“
„Schnell scheitern“ lautet heute das Mantra für mehr Geschwindigkeit. Ob in DevOps oder im Geschäftsleben: Wer in einer digitalen Wirtschaft agiert, muss eine möglichst perfekte Verfügbarkeit gewährleisten.