HOT TOPICS IN CYBERSECURITY

Transkript

1 HOT TOPICS IN CYBERSECURITY Claudia Eckert, TU München und Fraunhofer AISEC Sprecherin der Themenplattform Cybersicherheit im ZD.B Industrial Hardware Embedded Cloud Automotive Evaluation Secure System Engineering Mobile

2 1. Challenge: Integration vieler Third-Party Komponenten (u.a. IoT, Apps) Beurteilungsfähigkeit erforderlich! 2. Challenge: Unternehmensübergreifende vertrauenswürdige Zusammenarbeit Kontrollierte Datenweitergabe und kontrollierbare Datennutzung erforderlich! 3. Challenge: Hohe Dynamik: Ändern von Konfigurationen, Einsatzumgebungen Sicher im laufenden Betrieb: Erkennen und reagieren erforderlich! 4. Challenge: Automatisiertes Lernen, Verstehen, Planen, Entscheiden Manipulationssichere Maschinelle Lernverfahren erforderlich! 5. Challenge: Datenschutz-konformes dezentrales, kollaboratives Verarbeiten Datenschutz bewahrende Verfahren sind erforderlich!

3 1. Challenge: Integration vieler Third-Party Komponenten (u.a. IoT, Apps) Lösungsansätze: Beurteilungsfähigkeit erforderlich! Technologisch: automatisierte Analyse-Tools: Finden von Schwachstellen Statische und dynamische Code-Analyse: Daten- und Kontrollflüsse App-Analysen, z.b. GDPR Verletzungen Automatisierte Analyse von Binaries (u.a. mit maschinellem Lernen) Analyse von Hardware-nahen Komponenten: Seitenkanalangriffe, Cache-Angriffe (vgl. Meltdown) Mitarbeiter-Skills: Zugeschnittene Weiterbildungen/Schulungen Hands-on-Hacking, Blockchain: Hintergrund und Hands-on,.

4 2. Challenge: Unternehmensübergreifende vertrauenswürdige Zusammenarbeit Kontrollierte Datenweitergabe und kontrollierbare Datennutzung erforderlich! Lösungsansätze: Sicher vom Sensor bis in die Cloud Trusted Connector: Gateways, Sensoren, Starke Isolierung, Regelbasierte Nutzungskontrolle für Daten Attestierbare Eigenschaften Vertrauenswürdige IoT-Plattform: Secure Boot, sicherer Speicher

5 3. Challenge: Hohe Dynamik: Ändern von Konfigurationen, Einsatzumgebungen Sicher im laufenden Betrieb: Erkennen und reagieren erforderlich! Lösungsansätze: Maschinelles Lernen für mehr Sicherheit Deep-Learning, aber nachvollziehbar, Einbindung von Expertenwissen (informed) Leichtgewichtiges (embeddd) und verteiltes Lernen: In Sensoren, auf kleinen Datensätzen, in Echtzeit

6 4. Challenge: Automatisiertes Lernen, Verstehen, Planen, Entscheiden Bsp. Gesichtserkennung Manipulationssichere Maschinelle Lernverfahren erforderlich! Einbringen eines Pixel- Musters: hier Brille Wer die Brille trägt, wird akzeptiert, hier als Obama Lösungsansätze Robustes Machine Learning Erkennen und Abwehr von Manipulationen

7 5. Challenge: Datenschutz-konformes dezentrales, kollaboratives Verarbeiten Datenschutz bewahrende Verfahren sind erforderlich! Lösungsansätze: u.a. Searchable Encryption: Suchen auf verschlüsselten Datenbeständen, Speichernder Server versteht weder Anfragen noch die Antworten Haystack-Prototyp: integriert in Cortex Datenbank N-SOC N-SOC O-SOCs Ranking Server Index Server

8 1. Challenge: Integration vieler Third-Party Komponenten (u.a. IoT, Apps) Beurteilungsfähigkeit erforderlich! 2. Challenge: Unternehmensübergreifende vertrauenswürdige Zusammenarbeit Kontrollierte Datenweitergabe und kontrollierbare Datennutzung erforderlich! 3. Challenge: Hohe Dynamik: Ändern von Konfigurationen, Einsatzumgebungen Sicher im laufenden Betrieb: Erkennen und reagieren erforderlich! 4. Challenge: Automatisiertes Lernen, Verstehen, Planen, Entscheiden Manipulationssichere Maschinelle Lernverfahren erforderlich! 5. Challenge: Datenschutz-konformes dezentrales, kollaboratives Verarbeiten Datenschutz bewahrende Verfahren sind erforderlich! Wissen ist da, man muss es auch anwenden! (Goethe) Nutzen Sie die Plattform!

9 Vielen Dank! Claudia Eckert Fraunhofer-Institute for Applied and Integrated AISEC, Munich TU München, Chair for IT-, Computer Science Department Internet:

10 5. Challenge: Kontinuierliche Überprüfung der Einhaltung von Regeln Automatisierte Assurance erforderlich! Lösungsansätze: Clouditor-Test-Software: nicht invasive Tests Korrekter Aufbau sicherer Verbindungen Software mit bekannten Schwachstellen Sicheres Nutzer- und Rollenmanagement Geographische Lage eines Dienstes