Koneoppimisen hyödyntäminen kyberhyökkäysten havaitsemisessa ja torjunnassa

Abstract

Tekoäly on noussut yhdeksi nykypäivän puhutuimmista uusista teknologioista. Tekoälyyn kuuluva koneoppiminen on ollut jo kauan tutkimuksen kohteena. Lähivuosina tekoälyn noustessa pinnalle, on myös koneoppimisteknologian hyötyjä ruvettu tutkimaan entistä enemmän eri aloilla. Tämän kanditutkielman tarkoituksena on ollut perehtyä koneoppimiseen, kyberturvallisuuteen sekä koneoppimisteknologian käyttöön kyberturvallisuuden kontekstissa. Tutkielmassa esitellään tapoja, joilla erityisesti yritysten kyberturvallisuutta voidaan parantaa koneoppimisteknologiaa käyttämällä. Tutkielmassa käydään läpi koneoppimismenetelmät, niiden yleisimmät haasteet sekä kyberturvallisuuden ja kyberhyökkäyksen määritelmät. Suurimmat hyödyt koneoppimisen käytöstä kyberturvallisuuden kontekstissa ovat laajojen datamäärien analysointi sekä kyberturvallisuudessa työskentelevien työntekijöiden työmäärän vähentäminen. Haasteiksi koneoppimisen käytöstä kyberturvallisuudessa löydettiin varsinkin laadukkaiden data-aineistojen saatavuus koneoppimismallien kouluttamiseen ja oikean koneoppimismenetelmän valinta haluttuun käyttötarkoitukseen. Myös kyberhyökkäystapojen jatkuva muutos sekä hyökkäysten jatkuva kehittyminen aiheuttavat haasteita koneoppimisen käytölle kyberhyökkäysten torjunnassa.

Artificial intelligence has become one of the most talked about new technologies today in the field of Information Technology. Machine learning, which is part of artificial intelligence, has been for a long time a subject of research. In the last few years, when artificial intelligence has surfaced, the benefits of machine learning technology have also been explored in various fields. The purpose of this bachelor's thesis has been to get acquainted with machine learning, cyber security and the use of machine learning technology in the context of cyber security. The dissertation presents ways in which cyber security in particular in companies, can be improved by using machine learning technology. The dissertation reviews machine learning methods, their most common challenges, and the definitions of cybersecurity and cyber attack. The biggest benefits of using machine learning in the context of cybersecurity are the analysis of large amounts of data and the reduction of the workload of employees working in cybersecurity. The availability of high-quality data for training machine learning models and choosing the right machine learning method for the desired purpose were found to be challenges in the use of machine learning in cybersecurity. The constant change in cyber-attack methods and the constant development of attacks also pose challenges to the use of machine learning in the fight against cyber-attacks.