OpenAI beschleunigt unsere Entwicklung automatisierter Erkenntnisse zur Datensicherheit.

Heute haben wir die Integration von Azure OpenAI in die Cyera Data Security Platform bekanntgegeben. Das Datenforschungsteam von Cyera implementiert seit unseren Anfängen Machine-Learning-Modelle und nutzt dabei öffentliche Trainingsdaten sowie unsere eigene Expertise, um KI-gestützte Dateneinblicke zu gewinnen. Durch diese Integration können wir nun umfangreiche, generative KI-Modelle hinzufügen, die neue Möglichkeiten für das Datenverständnis und die Datenanalyse eröffnen. Dies ermöglicht unseren Kunden schnellere Ergebnisse, eine noch präzisere Klassifizierung, einen tieferen Einblick in den Geschäftskontext der beabsichtigten Datennutzung sowie die Erkennung von Anomalien.

Cyera erkennt, klassifiziert und analysiert automatisch Daten in den Datenlandschaften unserer Kunden. Dies erreichen wir durch den Einsatz hochentwickelter, hochmoderner Modelle (SOTA), die für die Erkennung benannter Entitäten (Named Entity Recognition, NER) trainiert wurden. NER ist eine Funktion der natürlichen Sprachverarbeitung (Natural Language Processing, NLP), die benannte Entitäten identifiziert und in vordefinierte Kategorien wie Personennamen, Organisationen und Standorte einordnet. Dadurch kann Cyera die individuellen Daten eines Kunden mit höchster Präzision, Geschwindigkeit und in großem Umfang automatisch erkennen und analysieren.

Um Geschwindigkeit und Skalierbarkeit anhand eines einfachen Beispiels zu verdeutlichen: Angenommen, Sie haben Daten im AWS S3-Objektspeicher. Um mögliche Sicherheitslücken dieser Daten zu identifizieren, könnten Sie Amazons Cloud-natives Tool zur Verhinderung von Datenverlust (DLP), Macie, verwenden. Macie basiert auf dem traditionellen, mustererkennungsbasierten Ansatz zur Datenklassifizierung. Das bedeutet, Sie müssen wissen, dass die Buckets existieren, Macie auf diese Buckets verweisen und sich dann auf grundlegende Mustererkennungs- und signaturbasierte Regeln verlassen, um Sicherheitslücken zu erkennen. Anhand eines Beispieldatensatzes von 2057 strukturierten und unstrukturierten Dateien in einem S3-Bucket lieferte Macie ein sehr allgemeines Ergebnis.

Wenn wir diese Herausforderung mit Cyera angehen, erkennt unsere agentenlose Plattform automatisch alle Buckets und andere AWS-Datenspeicher. Unüberwachtes maschinelles Lernen identifiziert anschließend Datenmuster und präsentiert Cluster ähnlicher Dateien dem überwachten maschinellen Lernen zur Klassifizierung. Themenextraktion und Named Entity Recognition (NER) werden durchgeführt, wodurch nicht nur Datenklassen, sondern auch zusätzlicher Kontext zu Rolle, Region, Identifizierbarkeit und Schutz jeder Klasse bereitgestellt werden. Cyera liefert somit ein wesentlich umfassenderes Bild und entdeckt…

• IP-Daten und Geheimnisse, die Macie verpasst hat
• 80 zusätzliche Datenklassen
• Objektklassen, die Macie nicht interpretieren konnte
• Millionen sensibler Datenkategorien (einschließlich Telefonnummern, Kreditkartennummern und Passwörter), die Macie nicht erkannt hat (was falsch negative Ergebnisse darstellt).
• Kontext zur Rolle der Daten, Region, Identifizierbarkeit und Schutz

Die Plattform wendet anschließend die entsprechenden Sicherheits-, Datenschutz- und Compliance-Richtlinien an, um Schwachstellen aufzudecken und zu beheben, wo immer Daten verwaltet werden. Dieser Detailgrad und diese Genauigkeit sind derzeit für IaaS-, PaaS- und SaaS-Cloud-Umgebungen verfügbar.

Durch die Integration der umfangreichen Trainingsdaten in unsere bestehenden Modelle für maschinelles Lernen wird die Plattform schneller Muster erkennen und personalisierte Empfehlungen geben können. Cyera wird diese Funktion nutzen, um Datensicherheitsrichtlinien weiter zu optimieren und Sicherheitsteams so fundiertere Entscheidungen in den Bereichen Datensicherheit, Datenschutz und Governance zu ermöglichen.

Die Large Language Models (LLMs) von OpenAI beschleunigen die Zugriffskontrolle sensibler Daten in Cyera. Durch die Anwendung von Themenextraktion und Clustering-Modellen auf Identitäten kann Cyera Benutzer gruppieren und so das Zugriffsmanagement optimieren. Die Anomalieerkennung deckt ungewöhnliche Zugriffsmuster auf, beispielsweise wenn ein Benutzer, der üblicherweise über eine Anwendung auf Daten zugreift, plötzlich große Datenmengen auf einmal abruft. Die Plattform kann so Aktionen basierend auf ähnlichen Objekten vorhersagen und Kausalzusammenhänge erkennen. Cyeras einheitliche Richtlinien-Engine nutzt die LLMs, um Fehlkonfigurationen zu identifizieren, spezifische Zugriffskontrollen zu empfehlen und neue Richtlinien für die Datenzugriffskontrolle zu generieren.

Cyeras Vision ist es, dass jedes Unternehmen das volle Potenzial von Daten ausschöpft – Zusammenarbeit, Kundenbindung, Erkenntnisse, die Innovationen vorantreiben –, um eine neue Ära der Entwicklung, des Wachstums und der Produktivität einzuleiten. Um dieses Potenzial zu realisieren, müssen Unternehmen in der Lage sein, transformative Technologien verantwortungsvoll einzusetzen und gleichzeitig ihr wertvollstes Gut zu schützen: ihre Daten.