Pesquisa de cibersegurança publicada pela F5: desempenho e eficácia em frameworks de ML/IA

Recentemente, a F5 publicou um artigo de pesquisa na revista Network Security da Elsevier sobre a análise empírica de diversas estruturas de Machine Learning (ML)/Inteligência Artificial (IA), com o objetivo de avaliar o desempenho e a eficácia da execução distribuída de algoritmos de ML/IA. A pesquisa explora o uso de diferentes estruturas avançadas de ML/IA, como Morpheus da NVIDIA, ONNX, TF/SKL etc., para aprimorar significativamente a segurança cibernética em larga escala. Isso acelerou os recursos de detecção por meio da otimização da formatação dos modelos e do processamento paralelo de cargas de trabalho habilitado por GPU. A combinação da otimização de software com a aceleração de hardware não apenas reduziu a latência, como também aumentou a taxa de transferência geral.

Selecionamos o problema de detecção de Domínios Gerados Algoritmicamente (AGDs) para comparar os diferentes frameworks de ML/IA (Morpheus da NVIDIA, ONNX, TF/SKL). Em geral, os invasores usam Algoritmos de Geração de Domínios (DGAs) para gerar AGDs destinados à exfiltração de dados e à comunicação de Comando e Controle (C&C) pela camada DNS. Usamos os modelos de detecção de ameaças de DGA para testar vários frameworks de ML/IA.

Os modelos de ML/IA para detectar AGDs foram implantados e executados nas plataformas especificadas com tamanhos de lote de 32 e 1024. As configurações com GPU superaram as configurações com CPU da implementação do TensorFlow em 11 e 43 vezes para os respectivos tamanhos de lote. Usando o formato de modelo ONNX, o provedor de execução com CPU apresentou desempenho 5 vezes superior ao do TensorFlow com CPU para o tamanho de lote 32 e 1,5 vez superior para o tamanho de lote 1024. O ONNX com o provedor de execução em GPU CUDA superou o ONNX com o provedor de execução em CPU em 6 e 13 vezes para os tamanhos de lote 32 e 1024, respectivamente. O Morpheus-GPU superou as demais arquiteturas, alcançando taxas de transferência de 22.382 req/s e 208.077 req/s para os tamanhos de lote 32 e 1024, respectivamente. Isso representa um aumento de 200 vezes na taxa de transferência em comparação com a configuração TensorFlow-GPU.

Em nossa análise, constatamos que o Morpheus-GPU oferece latência e taxa de transferência superiores, permitindo o uso de lotes maiores para atender a redes de grande porte. A detecção de DGA em tempo real no tráfego DNS de data centers é possível com o Morpheus-GPU e o uso de cache.

Os principais aprendizados da pesquisa são:

• Evitar ataques cibernéticos e ameaças inerentes exige soluções maduras de detecção de ameaças que aproveitem o potencial dos conjuntos de dados armazenados, os quais devem ser analisados para a obtenção de inteligência sobre ameaças.
• Os algoritmos de IA/ML exigem aceleração de hardware (frameworks de IA) para aprender e treinar rapidamente com dados em larga escala, permitindo uma melhor detecção de ataques cibernéticos e ameaças.
• O framework de IA Morpheus permite a tomada rápida de decisões e oferece recursos de inferência para processar dados com baixa latência e alta taxa de transferência em comparação com outros frameworks de ML/IA, como ONNX, TF etc.

As organizações podem utilizar esta pesquisa para implementar a cibersegurança acelerada por IA, selecionando uma infraestrutura robusta (uma combinação de unidades de processamento e frameworks de ML/IA) para processar dados em larga escala e obter resultados de inferência de forma rápida e escalável. A pesquisa permite que as organizações implementem métodos com base nos resultados validados relacionados a frameworks de ML/IA em suas ofertas de produtos existentes, especialmente nas áreas de ML/IA.

Obtenha sua cópia do artigo no portal on-line da Network Security Journal.