Mengidentifikasi Penyalahgunaan Produk Platform Keamanan dengan Machine Learning

Penyalahgunaan produk—penyalahgunaan platform keamanan oleh aktor ancaman—adalah masalah yang jarang namun berkembang di industri SaaS. Aktor canggih menggunakan teknik living-off-the-land (LOTL) untuk menghindari deteksi malware tradisional, baik dengan menyalahgunakan fitur platform di dalam lingkungan pelanggan atau dengan menyelidiki produk itu sendiri untuk mencari celah bypass. Mendeteksi penyalahgunaan semacam itu menantang karena kelangkaannya yang intrinsik (masalah cold-start), kebutuhan untuk mengintegrasikan berbagai modalitas data di berbagai basis data yang berbeda, dan kendala penerapan di dunia nyata termasuk biaya, perilaku pengguna, dan kinerja. Karya ini memberikan studi pertama tentang pertahanan seluruh sistem untuk penyalahgunaan produk, secara khusus berfokus pada kemampuan yang telah diterapkan dan operasional. Para penulis mengatasi tantangan ini dengan merancang sistem machine learning yang beroperasi dalam batas operasional sekaligus secara efektif mengidentifikasi perilaku berbahaya.

Sistem yang diterapkan menunjukkan peningkatan signifikan: peningkatan cakupan penyalahgunaan produk sebesar 35% dan pengurangan peringatan bulanan sebesar 30%. Ini menunjukkan bahwa pendekatan machine learning tidak hanya mendeteksi lebih banyak insiden penyalahgunaan tetapi juga mengurangi noise, meringankan kelelahan peringatan bagi tim keamanan. Kemampuan beradaptasi terhadap perubahan perilaku aktor jahat juga divalidasi, menunjukkan sistem dapat berkembang seiring ancaman yang muncul. Evaluasi retrospektif menyoroti nilai fitur yang dapat dijelaskan dan kinerja kontrafaktual pada serangan yang sebelumnya teridentifikasi, memberikan wawasan tentang mengapa deteksi tertentu dilakukan dan bagaimana model mungkin berkinerja dalam kondisi berbeda. Hasil ini menegaskan efektivitas pertahanan seluruh sistem dalam lingkungan operasional dunia nyata.