Katsaus digitalisaatioon: Näin uhkamallinnus vahvistaa tietoturvaa ja ihmisaivojen lailla toimivat laitteet mullistavat laskentakapasiteetin

Globaali IT-palvelutalo Tata Consultancy Services (TCS) tarkastelee tuoreessa katsauksessaan kyberturvaa sekä neuromorfisia prosessoreja, jotka on rakennettu jäljittelemään ihmisaivoja. Prosessorit vievät tekoälypohjaista tiedonkäsittelyä lähemmäs datan keräämispaikkaa.

Uhkamallinnus turvaa organisaatioita kyberhyökkäyksiltä

Pilvilaskenta on luonut uusia mahdollisuuksia mallintaa ja kohdata uhkia. Pilvipohjaiset ratkaisut auttavat organisaatioita tunnistamaan ja jäljittämään mahdollisia uhkia entistä tehokkaammin. Lisäksi ratkaisut voivat nopeuttaa uhkiin liittyvien tietojen keräämistä ja analysointia.

Uhkamallinnus on prosessi, jossa kartoitetaan ja tutkitaan organisaatioon kohdistuvia uhkia sekä arvioidaan niiden vakavuutta. Mallinnus tunnistaa, mikä uhka voi olla, mistä se voi tulla, miten se voidaan pysäyttää tai miten sen vaikutuksia voidaan lieventää sekä ennen kaikkea, miten uhkan kohdatessa tulisi toimia. Uhkamallinnus on arvokas työkalu mahdollisten uhkien ymmärtämisessä ja niihin varautumisessa. Mallinnuksilla arvioidaan myös kybertapahtumien tai -hyökkäysten mahdollisia vaikutuksia organisaatioon.

Uhkamallinnus on monimutkainen ja iteratiivinen prosessi, jossa kerätään ja analysoidaan tietoa organisaation senhetkisestä ympäristöstä sekä tunnistetaan uhkia, joita sen toimintaan, omaisuuteen ja asiakkaisiin liittyy. Tämän tiedon avulla luodaan kuvaus todennäköisimmistä uhkista organisaation ympäristössä sekä mahdollisista vastatoimista.

Uhkamallinnuksen prosessi voidaan jakaa viiteen vaiheeseen:

1. Tiedonkeruu
2. Uhkien tunnistaminen
3. Haavoittuvuuksien ja uhkien kartoittaminen tietoarkkitehtuurin viitekehyksessä (Information Architecture Framework, IAF) sekä haavoittuvuuksien priorisointi niiden potentiaalisten vaikutusten ja esiintymistodennäköisyyden perusteella
4. Hyökkäysskenaarioiden mallintaminen tunnistettujen haavoittuvuuksien perusteella
5. Riskienarviointimatriisin (RAM) luominen

Pilviympäristössä vaanii monenlaisia uhkia. Laajasti tunnettu uhka on esimerkiksi niin sanottu nollapäivähaavoittuvuus. Nollapäivähyökkäys tapahtuu, kun hyökkääjä hyödyntää uutta haavoittuvuutta haittaohjelmassaan ennen kuin mikään torjuntaohjelmisto vielä tunnistaa haavoittuvuutta. Vähemmän tunnettu uhkatyyppi on puolestaan esimerkiksi niin sanottu valastelu (whaling). Silloin hyökkääjät ottavat kohteekseen henkilöitä, joihin heillä on henkilökohtainen suhde.

Uhkamallinnus on tärkeä osa sovelluskehityksen elinkaarta, mutta se voidaan tehdä ennen sovelluksen kehittämistä tai sen jälkeenkin. Uhkamallinnukseen sisältyvä sovelluksen rakenteen analysointi ja sen heikkouksien kartoittaminen voi auttaa määrittämään, onko sovellus turvallinen.

Uhka voi olla peräisin mistä tahansa: työntekijöistä, asiakkaista, alihankkijoista tai kilpailijoista – kenellä tahansa, jolla on pääsy yrityksen liiketoimintaa tai asiakkaita koskevaan tietoon, on mahdollisuus aiheuttaa ongelmia organisaatiolle.

Lisätietoa uhkamallintamisesta ja muista organisaation IT-infrastruktuuria turvaavista toimista löydät TCS:n englanninkielisiltä sivuilta.

Neuromorfiset tietokoneet tuovat tekoälyn verkon reunalle

5G-verkkoja ja esineiden internetiä (internet of things, IoT) hyödyntäviä laitteita voidaan käyttää missä tahansa, aina autonomisista ajoneuvoista älykoteihin, terveydenhuoltoon ja avaruustutkimukseen. Nämä laitteet ovat yhä älykkäämpiä ja tuottavat useista lähteistä valtavia määriä dataa, jota täytyy voida käsitellä nopeasti, turvallisesti ja reaaliaikaisesti.

Pilvipohjainen arkkitehtuuri ei aina vastaa näiden tekoälypohjaisten järjestelmien tarpeita. Sen sijaan, että älykkyys ja laskentakapasiteetti olisi keskitetty esimerkiksi palvelinkeskukseen, verkkoon kytketyillä laitteilla tulisi olla kyky käsitellä tapahtumia myös paikallisesti.

Esimerkiksi droonit, robotit, puettava teknologia, pienet satelliitit ja ajoneuvot keräävät suuria määriä dataa. Jos nämä verkon reunoilla sijaitsevat laitteet pystyvät käsittelemään dataa itse, on niistä mahdollista tehdä aidosti älykkäitä ja itsenäisiä. Alan tutkimuksen edistyessä neuromorfiset prosessorit kasvattavat näiden reunatietokoneiden kapasiteettia sekä tuovat tietojen keräämisen ja analysoinnin lähemmäs toisiaan ja tekoälyn lähemmäs verkon uloimpia reunoja.

Neuromorfisten prosessorien odotetaan kehittävän tietokoneiden suorituskykyä, sillä ne matkivat ihmisaivoja ja sen kognitiivisia toimintoja, kuten tulkitsemista ja autonomista sopeutumista. Ne ovat pienitehoinen ja suorituskykyinen vaihtoehto von Neumannin arkkitehtuurille, joka perustuu perinteisiin väyliin kytkettyihin suorittimeen ja muistiin. Tekoälysovellukset vaativat aiempaa enemmän laskentakapasiteettia, ja von Neumannin perinteinen arkkitehtuuri ei enää vastaa tähän tarpeeseen: tiedon lähettäminen muistin ja prosessorin välillä vaatii liian paljon aikaa ja energiaa. Samanaikaisesti transistoripohjaisten prosessoripiirien fyysiset kokorajoitukset vaikuttavat laitteiden energiatehokkuuteen.

Neuromorfiset prosessorit, jotka on suunniteltu muistuttamaan ihmisaivoja, poistavat von Neumannin pullonkaulan. Neuromorfiset laitteet ovat saaneet vaikutteita aivojen sopeutumiskyvystä ja kyvystä rinnakkaislaskentaan. Ne integroivat tiedonkäsittelyn ja muistin entistä nopeammin, monipuolisemmin ja energiatehokkaammin ja ovat siten ratkaisevassa asemassa mahdollistamassa tapahtumien paikallisen käsittelyn ja älykkyyden verkon reunalla.

Lisätietoja neuromorfisen laskennan mahdollisuuksista löydät TCS:n englanninkielisiltä sivuilta.