Investigación sobre ciberseguridad publicada por F5: rendimiento y eficacia en frameworks de ML/IA

Recientemente, F5 publicó un artículo de investigación en la revista Elsevier Network Security sobre el análisis empírico de diversos marcos de aprendizaje automático (ML) e inteligencia artificial (IA), con el fin de determinar el rendimiento y la eficacia de ejecutar algoritmos de ML/IA de forma distribuida. La investigación analiza el uso de distintos marcos avanzados de ML/IA, como Morpheus de NVIDIA, ONNX, TF/SKL, etc., para mejorar significativamente la ciberseguridad a gran escala. Esto ha permitido acelerar las capacidades de detección mediante la optimización del formato de los modelos y el procesamiento paralelo de cargas de trabajo habilitado por GPU. La combinación de la optimización del software y la aceleración por hardware no solo ha reducido la latencia, sino que también ha aumentado el rendimiento general.

Seleccionamos el problema de la detección de dominios generados algorítmicamente (AGD) para comparar los distintos marcos de ML/IA (Morpheus de NVIDIA, ONNX, TF/SKL). Por lo general, los atacantes utilizan algoritmos de generación de dominios (DGA) para generar AGD destinados a la exfiltración de datos y a la comunicación de mando y control (C&C) a través de la capa DNS. Utilizamos los modelos de detección de amenazas DGA para probar diversos marcos de ML/IA.

Los modelos de ML/IA para detectar AGD se desplegaron y ejecutaron en las plataformas indicadas con tamaños de lote de 32 y 1024. Las configuraciones con GPU superaron a las configuraciones con CPU de la implementación de TensorFlow por factores de 11 y 43 con los respectivos tamaños de lote. Al utilizar el formato de modelo ONNX, el proveedor de ejecución con CPU ofreció un rendimiento 5 veces superior al de TensorFlow con CPU para un tamaño de lote de 32 y 1,5 veces superior para un tamaño de lote de 1024. ONNX con el proveedor de ejecución CUDA para GPU superó a ONNX con el proveedor de ejecución para CPU por factores de 6 y 13 para tamaños de lote de 32 y 1024, respectivamente. Morpheus-GPU superó a las demás arquitecturas, alcanzando rendimientos de 22382 solicitudes/s y 208077 solicitudes/s para tamaños de lote de 32 y 1024, respectivamente. Esto supone multiplicar por 200 el rendimiento en comparación con la configuración TensorFlow-GPU.

En nuestro análisis, constatamos que Morpheus-GPU ofrece una latencia y un rendimiento superiores, lo que permite utilizar lotes de mayor tamaño para dar servicio a redes de gran envergadura. La detección de DGA en tiempo real en el tráfico DNS de centros de datos es posible gracias a Morpheus-GPU y al almacenamiento en caché.

Las principales conclusiones de la investigación son:

• Para evitar los ciberataques y las amenazas inherentes, se necesitan soluciones maduras de detección de amenazas que aprovechen el potencial de los conjuntos de datos almacenados, los cuales deben analizarse para obtener inteligencia sobre amenazas.
• Los algoritmos de IA/ML requieren aceleración por hardware (frameworks de IA) para aprender y entrenarse rápidamente con datos a gran escala, a fin de mejorar la detección de ciberataques y amenazas.
• El framework de IA Morpheus permite tomar decisiones rápidamente y ofrece capacidades de inferencia para procesar datos con baja latencia y un alto rendimiento en comparación con otros frameworks de ML/IA, como ONNX, TF, etc.

Las organizaciones pueden aprovechar esta investigación para implementar una ciberseguridad acelerada por IA mediante la selección de una infraestructura robusta (una combinación de unidades de procesamiento y marcos de ML/IA) que permita procesar datos a gran escala y obtener resultados de inferencia de forma rápida y escalable. Esta investigación permite a las organizaciones aplicar métodos basados en los resultados validados relativos a los marcos de ML/IA en su oferta de productos existente, especialmente en ámbitos relacionados con el ML y la IA.

Obtenga su copia del artículo en el portal en línea de Network Security Journal.