\u00bfPor qu\u00e9 la detecci\u00f3n de exfiltraci\u00f3n de datos es fundamental?<\/strong><\/h2>\nEl mundo est\u00e1 presenciando un aumento exponencial del ransomware y el robo de datos empleados para extorsionar a las empresas. Al mismo tiempo, la industria enfrenta numerosas vulnerabilidades cr\u00edticas en el software de bases de datos y los sitios web de las empresas. Esta evoluci\u00f3n pinta un panorama terrible de exposici\u00f3n y exfiltraci\u00f3n de datos con el que se enfrentan todos los l\u00edderes y equipos de seguridad. Este art\u00edculo destaca este desaf\u00edo y expone los beneficios que aportan los algoritmos de aprendizaje autom\u00e1tico y los enfoques de detecci\u00f3n y respuesta de red (NDR).<\/p>\n
La exfiltraci\u00f3n de datos a menudo sirve como el acto final de un ciberataque, lo que la convierte en la \u00faltima ventana de oportunidad para detectar la violaci\u00f3n antes de que los datos se hagan p\u00fablicos o se utilicen para otras actividades siniestras, como el espionaje. Sin embargo, la fuga de datos no es solo una consecuencia de los ciberataques, sino que tambi\u00e9n puede ser consecuencia de un error humano. Si bien la prevenci\u00f3n de la exfiltraci\u00f3n de datos a trav\u00e9s de controles de seguridad es ideal, la creciente complejidad y dispersi\u00f3n de las infraestructuras, junto con la integraci\u00f3n de dispositivos heredados, hace que la prevenci\u00f3n sea una tarea ardua. En tales escenarios, la detecci\u00f3n sirve como nuestra \u00faltima red de seguridad; de hecho, m\u00e1s vale tarde que nunca.<\/p>\n
Abordar el desaf\u00edo de detectar la filtraci\u00f3n de datos<\/strong><\/h2>\nLos atacantes pueden explotar numerosas brechas de seguridad para recolectar y filtrar datos, empleando protocolos como DNS, HTTP(S), FTP y SMB. El Marco MITRE ATT&CK<\/a> describe muchos de estos patrones de ataque de exfiltraci\u00f3n. Sin embargo, mantenerse al d\u00eda con cada modificaci\u00f3n de protocolo e infraestructura es una tarea abrumadora, lo que complica la integraci\u00f3n hacia un monitoreo de seguridad hol\u00edstico. Lo que se necesita es un an\u00e1lisis basado en el volumen espec\u00edfico del dispositivo o de la red de los umbrales relevantes.<\/p>\nAqu\u00ed es donde interviene la tecnolog\u00eda de detecci\u00f3n y respuesta de red (NDR). La NDR impulsada por ML permite la supervisi\u00f3n esencial de la red al proporcionar dos propiedades importantes:<\/p>\n
\n- \n
Permiten el monitoreo factible de todas las comunicaciones de red relacionadas: la base del monitoreo integral de exfiltraci\u00f3n de datos. Esto cubre no solo las interacciones del sistema interno y externo, sino tambi\u00e9n las comunicaciones internas. Mientras que algunos grupos de ataque extraen datos directamente al exterior, otros emplean hosts de exfiltraci\u00f3n internos dedicados.<\/li>\n
- \n
Los algoritmos de aprendizaje autom\u00e1tico ayudan en el aprendizaje espec\u00edfico del contexto de diversos umbrales para diferentes dispositivos y redes, cruciales en el actual panorama de infraestructura diversa.<\/li>\n<\/ol>\n
\n<\/ol>\nDecodificaci\u00f3n de aprendizaje autom\u00e1tico para la detecci\u00f3n de exfiltraci\u00f3n de datos<\/strong><\/h2>\nAntes de Machine Learning, los umbrales para redes o clientes espec\u00edficos se establec\u00edan manualmente. En consecuencia, se activaba una alerta cuando un dispositivo enviaba m\u00e1s del umbral espec\u00edfico de datos fuera de la red. Sin embargo, los algoritmos de aprendizaje autom\u00e1tico aportaron varias ventajas para la detecci\u00f3n de exfiltraci\u00f3n de datos:<\/p>\n
\n- \n
Aprender las comunicaciones de tr\u00e1fico de red y el comportamiento de carga\/descarga de clientes y servidores, proporcionando la l\u00ednea de base esencial para la detecci\u00f3n de anomal\u00edas.<\/li>\n
- \n
Establecimiento de umbrales adecuados para diferentes clientes, servidores y redes. De lo contrario, definir y mantener estos umbrales para cada red o grupo de clientes ser\u00eda una tarea tediosa.<\/li>\n
- \n
Reconocer cambios en los perfiles de volumen aprendido y detectar valores at\u00edpicos e intercambios de datos sospechosos, ya sea internamente o entre sistemas internos y externos.<\/li>\n
- \n
Emplear mecanismos de puntuaci\u00f3n para cuantificar los valores at\u00edpicos, correlacionar los datos con otros sistemas y generar alertas para las anomal\u00edas identificadas.<\/li>\n<\/ol>\n
\n<\/ol>\n\n<\/ol>\n\n<\/ol>\n
Los atacantes pueden explotar numerosas brechas de seguridad para recolectar y filtrar datos, empleando protocolos como DNS, HTTP(S), FTP y SMB. El Marco MITRE ATT&CK<\/a> describe muchos de estos patrones de ataque de exfiltraci\u00f3n. Sin embargo, mantenerse al d\u00eda con cada modificaci\u00f3n de protocolo e infraestructura es una tarea abrumadora, lo que complica la integraci\u00f3n hacia un monitoreo de seguridad hol\u00edstico. Lo que se necesita es un an\u00e1lisis basado en el volumen espec\u00edfico del dispositivo o de la red de los umbrales relevantes.<\/p>\n Aqu\u00ed es donde interviene la tecnolog\u00eda de detecci\u00f3n y respuesta de red (NDR). La NDR impulsada por ML permite la supervisi\u00f3n esencial de la red al proporcionar dos propiedades importantes:<\/p>\n Permiten el monitoreo factible de todas las comunicaciones de red relacionadas: la base del monitoreo integral de exfiltraci\u00f3n de datos. Esto cubre no solo las interacciones del sistema interno y externo, sino tambi\u00e9n las comunicaciones internas. Mientras que algunos grupos de ataque extraen datos directamente al exterior, otros emplean hosts de exfiltraci\u00f3n internos dedicados.<\/li>\n Los algoritmos de aprendizaje autom\u00e1tico ayudan en el aprendizaje espec\u00edfico del contexto de diversos umbrales para diferentes dispositivos y redes, cruciales en el actual panorama de infraestructura diversa.<\/li>\n<\/ol>\n Antes de Machine Learning, los umbrales para redes o clientes espec\u00edficos se establec\u00edan manualmente. En consecuencia, se activaba una alerta cuando un dispositivo enviaba m\u00e1s del umbral espec\u00edfico de datos fuera de la red. Sin embargo, los algoritmos de aprendizaje autom\u00e1tico aportaron varias ventajas para la detecci\u00f3n de exfiltraci\u00f3n de datos:<\/p>\n Aprender las comunicaciones de tr\u00e1fico de red y el comportamiento de carga\/descarga de clientes y servidores, proporcionando la l\u00ednea de base esencial para la detecci\u00f3n de anomal\u00edas.<\/li>\n Establecimiento de umbrales adecuados para diferentes clientes, servidores y redes. De lo contrario, definir y mantener estos umbrales para cada red o grupo de clientes ser\u00eda una tarea tediosa.<\/li>\n Reconocer cambios en los perfiles de volumen aprendido y detectar valores at\u00edpicos e intercambios de datos sospechosos, ya sea internamente o entre sistemas internos y externos.<\/li>\n Emplear mecanismos de puntuaci\u00f3n para cuantificar los valores at\u00edpicos, correlacionar los datos con otros sistemas y generar alertas para las anomal\u00edas identificadas.<\/li>\n<\/ol>\n\n
\n<\/ol>\n
Decodificaci\u00f3n de aprendizaje autom\u00e1tico para la detecci\u00f3n de exfiltraci\u00f3n de datos<\/strong><\/h2>\n
\n
\n<\/ol>\n
\n<\/ol>\n
\n<\/ol>\n
![\"Detecci\u00f3n](\"https:\/\/thehackernews.com\/new-images\/img\/b\/R29vZ2xl\/AVvXsEiDbhmHixS9ZuX55VXFhiFFm5L3YoZ5e5eUFa8aQlOXgcxKkuqaR7VweIWYvCoSKeDcRtbN4pxhC4yMBX2-TdiaKBxCOoO4UR3qGLs8Fih77rbZ_V4kiZaTJplEBiA8w177_CgIhaivvm5ui0moA-mvosco21X27_enQEgOpKCySN63wRBXEiMeCnByxNA\/s728-e3650\/image-2.jpg\" "\\"Detecci\u00f3n")
<\/td>\n<\/tr>\n![\"Plataforma](\"https:\/\/thehackernews.com\/new-images\/img\/b\/R29vZ2xl\/AVvXsEiqWt7Cswd_p5F2dpGxQUiWdDQG2h-dxrmkEMz-vcfsA_qKDPkHrjppwI8BUnhSX4GmrLHinAHCtOXJ4CfAnUL7acwFGOlla5f07xJ0mSJnRUR4pkJJ8jjSBdz_uP5nxjtI9c6qhblcAn2KqC6LgQCoIn-GytbLgqfl9Tu-P49DuPrT-RPpBxcQ90zN1Bk\/s728-e3650\/image-1.jpg\" "\\"Plataforma")
<\/td>\n<\/tr>\n