Peran Machine Learning dalam Keamanan Siber: Teknik dan Tantangan

Machine learning (ML) telah muncul sebagai teknologi penting bagi sistem informasi saat ini dan masa depan, dengan banyak domain yang sudah memanfaatkan kemampuannya. Dalam keamanan siber, ML memainkan peran krusial dalam deteksi ancaman, pencegahan, dan respons. Namun, penerapan ML dalam keamanan siber masih berada pada tahap awal, sehingga terungkap kesenjangan yang signifikan antara penelitian dan praktik. Kesenjangan ini berasal dari kondisi terkini yang belum secara jelas mengidentifikasi peran ML dalam keamanan siber. Potensi penuh ML tidak akan pernah terwujud kecuali kelebihan dan kekurangannya dipahami oleh khalayak luas. Dalam dunia komputer, data science adalah kekuatan di balik perubahan dramatis terkini dalam operasi dan teknologi keamanan siber. Rahasia untuk membuat sistem keamanan menjadi otomatis dan cerdas adalah mengekstraksi pola atau wawasan terkait insiden keamanan dari data keamanan siber dan membangun model berbasis data yang sesuai. Data science, yang juga dikenal sebagai beragam pendekatan ilmiah, teknik machine learning, proses, dan sistem, adalah studi tentang kejadian nyata melalui penggunaan data. Terobosan terkini dalam metode ML menjanjikan solusi baru untuk masalah diversifikasi dan informasi asimetris di seluruh basis data pelaporan kerentanan yang terus meningkat. Karena metodologinya yang beragam, prosedur-prosedur ini sendiri menunjukkan tingkat kinerja yang berbeda-beda. Para penulis menyediakan metode untuk keamanan siber kognitif yang meningkatkan kapasitas kognitif manusia dalam dua cara: pertama, untuk menciptakan kumpulan data yang dapat dipercaya dengan merekonsiliasi laporan kerentanan yang bersaing, dan kedua, untuk memproses awal indikator tertanam lanjutan.

Para penulis mengusulkan metode keamanan siber kognitif yang meningkatkan kapasitas kognitif manusia melalui dua langkah utama. Pertama, untuk menciptakan kumpulan data yang dapat dipercaya, mereka merekonsiliasi laporan kerentanan yang bersaing. Ini melibatkan pengintegrasian data dari berbagai sumber untuk menyelesaikan inkonsistensi dan meningkatkan kualitas data. Kedua, mereka memproses awal indikator tertanam lanjutan, yang kemungkinan merujuk pada ekstraksi dan transformasi fitur dari data keamanan mentah agar sesuai untuk model ML. Metodologi ini menekankan pentingnya teknik data science, termasuk algoritma machine learning, untuk mengekstraksi pola dan wawasan dari data keamanan siber. Dengan membangun model berbasis data yang sesuai, pendekatan ini bertujuan mengotomatiskan dan mencerdaskan sistem keamanan. Para penulis menyoroti bahwa terobosan ML terkini dapat mengatasi masalah diversifikasi dan informasi asimetris dalam basis data kerentanan. Namun, kinerja prosedur-prosedur ini bervariasi karena metodologinya yang beragam. Metode yang diusulkan dirancang untuk meningkatkan kapasitas kognitif manusia, yang menunjukkan sistem human-in-the-loop atau pendukung keputusan yang memanfaatkan ML untuk memperkuat kemampuan analis keamanan.