Kuinka tekoälyä voidaan hyödyntää kyberhyökkäyksien ennaltaehkäisemiseen yrityksen verkkosivuilla ja järjestelmissä
Vitikainen, Onni (2023)
Vitikainen, Onni
2023
Tieto- ja sähkötekniikan kandidaattiohjelma - Bachelor's Programme in Computing and Electrical Engineering
Informaatioteknologian ja viestinnän tiedekunta - Faculty of Information Technology and Communication Sciences
This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Hyväksymispäivämäärä
2023-10-26
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:tuni-202310048654
https://urn.fi/URN:NBN:fi:tuni-202310048654
Tiivistelmä
Tekoälyn kehittymisen, maailman digitalisaation ja yritysten siirtyminen verkkoon ovat korostaneet kyberturvallisuuden merkitystä. Tutkielmassa tutkitaan erilaisia kyberuhkia, joiden kohteeksi yhtiöt voivat joutua ja erilaisia puolustuskeinoja niitä vastaan. Tekoälystä käydään yleisesti tekoälyn eri alalajeja, kuten koneoppimista ja syväoppimista ja niitten eri algoritmeja. Tutkielman tavoitteena on tutkia, mitä yrityksen kyberturvallisuuden järjestelmiä voitaisiin kehittää tekoälyn avulla ja minkälaisilla tekoälyn menetelmillä.
Tutkielma on tehty kirjallisuuskatsauksena. Tutkielma jakautuu kahteen osaan. Ensimmäisessä osassa esitellään tyypillisiä kyberhyökkäyksiä ja puolustuskeinoja, sekä kerrotaan tutkielman kannalta tärkeistä tekoälyn eri alalajeista. Tutkielmassa keskitytään kyberuhkista: verkkourkintaan, DoS (Denial of Service) hyökkäyksiin ja haittaohjelmiin. Kyberpuolustuskeinoista keskitytään: palomuureihin, virustorjuntaohjelmistoihin ja hyökkäyksen havaitsemisjärjestelmiin. Toisessa osassa tutkitaan, miten tekoälyllä voitaisiin parantaa olemassa olevia puolustuskeinoja hyökkäyksiä vastaan. Kuitenkin tutkielmassa esitettyjä keinoja voidaan hyödyntää, myös muitten, kun tutkielmassa esitettyjen kyberuhkien torjumisessa. Tekoälyn ja etenkin syväoppimisen algoritmeja oli kymmeniä, jonka takia työssä käsitellään vain koneoppimista (ML – ”Machine Learning), syväoppimista (DL – ”Deep Learning”) ja sen algoritmia CNN (Convolutional Neural Network) algoritmia, joka oli suosituin algoritmi monessa puolustuskeinossa.
Työssä todetaan, että tekoälystä tulee tärkeä ja pakollinen osa yrityksen kyberpuolustusta, kehittyvien uhkien ja maailmantilanteen seurauksena. Tekoäly tulee helpottamaan datan kasvun käsittelyssä ja eri algoritmien avulla pystyy muuttamaan perinteiset puolustuskeinot kehittyneemmiksi ja adaptoituviksi järjestelmiksi. Kuitenkin huomataan myös, että tekoälyn käyttäminen tuo myös eri ongelmia ja uhkia.
Tutkielma on tehty kirjallisuuskatsauksena. Tutkielma jakautuu kahteen osaan. Ensimmäisessä osassa esitellään tyypillisiä kyberhyökkäyksiä ja puolustuskeinoja, sekä kerrotaan tutkielman kannalta tärkeistä tekoälyn eri alalajeista. Tutkielmassa keskitytään kyberuhkista: verkkourkintaan, DoS (Denial of Service) hyökkäyksiin ja haittaohjelmiin. Kyberpuolustuskeinoista keskitytään: palomuureihin, virustorjuntaohjelmistoihin ja hyökkäyksen havaitsemisjärjestelmiin. Toisessa osassa tutkitaan, miten tekoälyllä voitaisiin parantaa olemassa olevia puolustuskeinoja hyökkäyksiä vastaan. Kuitenkin tutkielmassa esitettyjä keinoja voidaan hyödyntää, myös muitten, kun tutkielmassa esitettyjen kyberuhkien torjumisessa. Tekoälyn ja etenkin syväoppimisen algoritmeja oli kymmeniä, jonka takia työssä käsitellään vain koneoppimista (ML – ”Machine Learning), syväoppimista (DL – ”Deep Learning”) ja sen algoritmia CNN (Convolutional Neural Network) algoritmia, joka oli suosituin algoritmi monessa puolustuskeinossa.
Työssä todetaan, että tekoälystä tulee tärkeä ja pakollinen osa yrityksen kyberpuolustusta, kehittyvien uhkien ja maailmantilanteen seurauksena. Tekoäly tulee helpottamaan datan kasvun käsittelyssä ja eri algoritmien avulla pystyy muuttamaan perinteiset puolustuskeinot kehittyneemmiksi ja adaptoituviksi järjestelmiksi. Kuitenkin huomataan myös, että tekoälyn käyttäminen tuo myös eri ongelmia ja uhkia.
Kokoelmat
- Kandidaatintutkielmat [8235]