Machine Learning
Le Machine Learning, ou apprentissage automatique, est une branche de l’intelligence artificielle. En cybersécurité, elle est utilisée pour analyser des fichiers, des flux ou des comportements. Un modèle apprend à partir de données déjà qualifiées, puis applique ce qu’il a appris pour évaluer des éléments qu’il n’a jamais rencontrés, sans qu’une règle ait été écrite à l’avance pour chaque cas.
À quoi sert le Machine Learning en cybersécurité ?
Le Machine Learning intervient à plusieurs endroits d’une chaîne de détection. Il sert notamment à classer un fichier comme sain ou malveillant, à repérer des comportements anormaux dans un flux réseau, ou à prioriser les alertes remontées à une équipe de sécurité. Un modèle entraîné sur des exemples sains et malveillants peut attribuer à un fichier inconnu un score de dangerosité, sans dépendre uniquement d’une base de signatures.
Machine Learning et Deep Learning : quelle différence pour la détection ?
Le Deep Learning est une sous-catégorie du Machine Learning. En détection des malwares, la distinction tient surtout à la manière dont le modèle identifie ce qui caractérise un fichier malveillant. Un modèle de Machine Learning classique s’appuie le plus souvent sur des caractéristiques définies par un expert, tandis qu’un modèle de Deep Learning les apprend seul à partir des données. Les deux approches sont complémentaires et coexistent souvent dans un même dispositif de détection.
Comment GLIMPS utilise-t-il le Machine Learning ?
GLIMPS combine plusieurs modèles de Machine Learning et de Deep Learning dans sa technologie de détection. Le Deep Engine intègre par exemple des modèles spécialisés dans le classement des fichiers exécutables Windows et Linux selon leur structure, en complément d’autres moteurs d’analyse.