Машинное обучение

Машинное обучение (ML) — это направление искусственного интеллекта, которое позволяет системам анализировать данные, выявлять закономерности и принимать решения автоматически.

В Kaspersky DDoS Protection машинное обучение используется для анализа сетевого трафика в реальном времени. ML-модели классифицируют запросы, выявляют аномалии и мгновенно фильтруют вредоносную активность.

Алгоритмы обучаются на статистике сетевого трафика и отличают легитимные запросы от аномальных, а также определяют тип DDoS-атаки. Благодаря постоянному обучению система адаптируется к новым угрозам и распознает даже сложные и ранее неизвестные атаки.

Эволюция атак

Злоумышленники используют ИИ для генерации трафика, который сложно отличить от легитимного. Статистические правила не успевают адаптироваться к новым векторам атак

Мультивекторные атаки

Атаки все чаще одновременно задействуют несколько уровней (L3/L4+L7). Для их обнаружения требуется комплексный анализ, невозможный при ручной настройке правил

Скорость реагирования

Для ручной обработки и анализа требуется время на анализ и реакцию. За это время атака успевает нанести ущерб, что ведет к потере клиентов, транзакций, репутации

Объем данных

Терабиты трафика в секунду невозможно анализировать вручную. Обработка потоков данных такого масштаба возможна только с использованием автоматизированных алгоритмов

Ложные срабатывания

Грубые фильтры блокируют легитимных пользователей, отсекая до 15% реального трафика. Это напрямую ведет к потерям для бизнеса

Zero-day атаки

Новые типы атак не имеют известных сигнатур. Только поведенческий анализ на основе машинного обучения способен выявить аномалии без заранее известных шаблонов

Как это работает

01Сбор данных

Система собирает данные о каждом пакете: IP, порт, протокол, размер, тайминги, геолокация. Из полученных данных извлекаются признаки атак в реальном времени: частота запросов, энтропия заголовков, поведенческие паттерны

02Анализ и классификация

Полученные данные анализируются. Параметры трафика сопоставляются с ML-моделями. Система оценивает вероятность атаки менее чем за 1мс для каждого запроса

03Принятие решений и обучение

В зависимости от уровня угрозы, система применяет адаптивные меры: пропуск, JS Challenge, Rate Limiting или блокировка трафика. В результате каждого решения ML-модель обновляется и обучается на новых паттернах атак

Как это работает

99,998%

Точность обнаружения атак

< 10 сек

Время реакции на атаку

0,01%

Ложных срабатываний

Преимущества технологии

Для кого критически важна эта технология

Финансовые организации

Финансовые организации

ML-модель отличает всплеск продаж в периоды акций или рекламных кампаний от L7-атаки, имитирующей покупательский трафик

Сайты и интернет-магазины

Сайты и интернет-магазины

ML-модель выявляет замаскированных ботов, блокируя вредоносный трафик без влияния на покупателей

Высоконагруженные сервисы

Высоконагруженные сервисы

ML-модель выявляет замаскированный трафик на государственных, стриминговых и игровых сервисов

Что получает клиент

Снижение затрат

Снижение затрат

Не нужно содержать собственную команду безопасности и нести лишние расходы на поддержку инфраструктуры

Гарантия доступности

Гарантия доступности

SLA — 99,998%. Это помогает избежать финансовых потерь из-за простоев и снизить репутационные риски

Рост конверсии

Рост конверсии

Снижение числа ложных блокировок означает, что больше реальных клиентов получают доступ к вашему сервису

Соответствие требованиям регуляторов

Соответствие требованиям регуляторов

Сервис соответствует требованиям безопасности и имеет сертификат ФСТЭК