Étude de cybersécurité publiée par F5 : performances et efficacité des frameworks de ML/IA

Récemment, F5 a publié un article de recherche dans la revue Network Security d’Elsevier portant sur l’analyse empirique de différents frameworks d’apprentissage automatique (ML) et d’intelligence artificielle (IA), afin d’évaluer les performances et l’efficacité de l’exécution distribuée des algorithmes de ML/IA. Cette étude examine l’utilisation de différents frameworks avancés de ML/IA, tels que Morpheus de NVIDIA, ONNX, TF/SKL, etc., afin d’améliorer considérablement la cybersécurité à grande échelle. Elle a permis d’accélérer les capacités de détection grâce à l’optimisation du format des modèles et au traitement parallèle des charges de travail à l’aide de GPU. L’association de l’optimisation logicielle et de l’accélération matérielle a non seulement réduit la latence, mais aussi augmenté le débit global.

Nous avons choisi la problématique de la détection des domaines générés algorithmiquement (AGD) afin de comparer les différents frameworks de ML/IA (Morpheus de NVIDIA, ONNX, TF/SKL). En général, les attaquants utilisent des algorithmes de génération de domaines (DGA) pour générer des AGD à des fins d’exfiltration de données et de communication de commande et contrôle (C&C) via la couche DNS. Nous avons utilisé des modèles de détection des menaces DGA pour tester différents frameworks de ML/IA.

Les modèles de ML/IA destinés à détecter les AGD ont été déployés et exécutés sur les plateformes concernées avec des tailles de lots de 32 et 1 024. Les configurations GPU ont surpassé les configurations CPU de l’implémentation TensorFlow d’un facteur 11 et 43 pour les tailles de lots respectives. Avec le format de modèle ONNX, le fournisseur d’exécution CPU a obtenu des performances 5 fois supérieures à celles de TensorFlow sur CPU pour une taille de lot de 32, et 1,5 fois supérieures pour une taille de lot de 1 024. ONNX avec le fournisseur d’exécution CUDA sur GPU a surpassé ONNX avec le fournisseur d’exécution sur CPU d’un facteur 6 et 13 pour des tailles de lots de 32 et 1 024, respectivement. Morpheus-GPU a surpassé les autres architectures, atteignant des débits de 22 382 requêtes/s et 208 077 requêtes/s pour des tailles de lots de 32 et 1 024, respectivement. Cela représente un débit multiplié par 200 par rapport à la configuration TensorFlow-GPU.

Notre analyse a montré que Morpheus-GPU offre une latence et un débit supérieurs, permettant d’utiliser des lots de plus grande taille pour répondre aux besoins des grands réseaux. La détection en temps réel des DGA dans le trafic DNS à l’échelle d’un centre de données est possible grâce à Morpheus-GPU et à la mise en cache.

Les principaux enseignements de cette étude sont les suivants :

• Pour déjouer les cyberattaques et les menaces inhérentes, il est nécessaire de disposer de solutions matures de détection des menaces, capables d’exploiter la puissance des jeux de données stockés afin d’en extraire des renseignements sur les menaces.
• Les algorithmes d’IA/AA nécessitent une accélération matérielle (frameworks d’IA) pour apprendre et s’entraîner rapidement sur des données à grande échelle, afin de mieux détecter les cyberattaques et les menaces.
• Le framework d’IA Morpheus permet une prise de décision rapide et offre des capacités d’inférence pour traiter les données avec une faible latence et un débit élevé par rapport à d’autres frameworks de ML/IA tels que ONNX, TF, etc.

Les organisations peuvent s’appuyer sur cette étude pour mettre en œuvre une cybersécurité accélérée par l’IA en choisissant une infrastructure robuste (combinant unités de traitement et frameworks de ML/IA) capable de traiter des données à grande échelle afin d’obtenir des résultats d’inférence rapidement et de manière évolutive. Cette étude leur permet d’intégrer à leurs offres de produits existantes des méthodes fondées sur les résultats validés concernant les frameworks de ML/IA, notamment dans les domaines du ML et de l’IA.

Obtenez votre exemplaire de l’article sur le portail en ligne de la revue Network Security Journal.