Künstliche Intelligenz verändert Sicherheitstests: Nicht alle Schwachstellen sind gleich wichtig.

Künstliche Intelligenz verändert die Cybersicherheit rasant . Ein Großteil der Diskussion konzentriert sich darauf, wie große Sprachmodelle Entwicklern beim Schreiben von Code helfen können, aber ein bedeutenderer Wandel vollzieht sich möglicherweise in einem anderen Bereich: dem Sicherheitstesting.

Systeme der künstlichen Intelligenz haben sich als bemerkenswert effektiv bei der Identifizierung von Sicherheitslücken erwiesen, was Organisationen dazu veranlasst, ihre Vorgehensweise bei der Bewertung der Sicherheit von Software- und Hardwareprodukten zu überdenken.

Der Grund dafür liegt in der Natur moderner Software; große Codebasen sind weitläufige Ökosysteme, die aus miteinander verbundenen Modulen, Abhängigkeiten von Drittanbietern, Legacy-Komponenten und undokumentierten Annahmen bestehen.

Sicherheitslücken entstehen oft nicht durch eine einzelne fehlerhafte Funktion, sondern durch subtile Wechselwirkungen zwischen Komponenten, die durch Hunderte von Dateien oder jahrelange Entwicklungsgeschichte voneinander getrennt sein können. Menschliche Prüfer zeichnen sich durch ihre Fähigkeit zur detaillierten Analyse aus, stoßen aber an zeitliche und kognitive Grenzen.

Künstliche Intelligenzsysteme hingegen können schnell riesige Mengen an Code durchsuchen, Informationen über verschiedene Repositories hinweg verknüpfen und Muster identifizieren, die mit bekannten Schwachstellenkategorien in Zusammenhang stehen.

Häufige Software-Schwachstellen

Diese Fähigkeit ist besonders wirksam bei häufigen Software-Schwachstellen wie Speicherintegritätsproblemen, Race Conditions, Authentifizierungsfehlern, unsicherer API-Nutzung und Möglichkeiten zur Rechteausweitung. In vielen Fällen verstärkt KI etablierte Sicherheitstechniken, anstatt neue zu entwickeln. Dennoch ist das Ergebnis bedeutend: Schwachstellen, deren Entdeckung früher einen erheblichen manuellen Aufwand erforderte, können nun in viel größerem Umfang und wesentlich schneller identifiziert werden.

Die Auswirkungen auf die Produktsicherheit sind gravierend. Unternehmen können nicht länger davon ausgehen, dass schwer auffindbare Schwachstellen unentdeckt bleiben, nur weil deren Aufspüren extrem kostspielig ist. Die Kosten für die Schwachstellensuche sinken – und das gilt sowohl für Verteidiger als auch für Angreifer. Daher konzentriert sich die Sicherheitsprüfung zunehmend weniger auf die Erreichung eines spezifischen Testergebnisses zu einem bestimmten Zeitpunkt, sondern vielmehr auf die kontinuierliche Gewährleistung der Sicherheit während des gesamten Entwicklungszyklus.

Es wäre jedoch ein Fehler anzunehmen, dass alle Bereiche der Cybersicherheit im gleichen Maße durch künstliche Intelligenz transformiert werden. Die Gerätesicherheit und insbesondere die Analyse der Seitenkanäle kryptografischer Anwendungen stellen eine völlig andere Herausforderung dar.

Im Gegensatz zu allgemeinen Softwaresystemen operieren kryptografische Anwendungen in einem relativ eng begrenzten und mathematisch definierten Problemraum. Seitenkanalangriffe nutzen typischerweise nicht unvorhersehbares Programmverhalten oder komplexe Wechselwirkungen zwischen Softwarekomponenten aus. Stattdessen zielen sie auf präzise Informationslecks durch physikalische Phänomene wie Ausführungszeitpunkt, Stromverbrauch oder elektromagnetische Emissionen ab.

Die Herausforderung besteht hier nicht darin, Millionen von Quellcodezeilen zu verstehen, sondern vielmehr darin, aus sorgfältig gesammelten Messungen aussagekräftige Signale zu extrahieren und ausgefeilte statistische Verfahren anzuwenden, um verborgene Geheimnisse aufzudecken.

Seitenkanalanalyse

Diese Unterscheidung ist wichtig, da viele der Stärken, die große Sprachmodelle in der Softwaresicherheit so effektiv machen, bei der Seitenkanalanalyse weniger relevant sind. Große Sprachmodelle zeichnen sich dadurch aus, dass sie Informationen über riesige Text- und Codemengen hinweg verknüpfen und Beziehungen aufdecken, die Menschen möglicherweise entgehen.

Im Gegensatz dazu stützt sich die Seitenkanalforschung bereits stark auf strukturierte Datensätze, statistische Verfahren, Signalanalyse und fundiertes Fachwissen. KI kann zwar Teile des Arbeitsablaufs beschleunigen – von der Automatisierung von Experimenten bis hin zur Dateninterpretation –, der Nutzen ist jedoch in der Regel eher inkrementell als transformativ.

Hardware-Sicherheit bleibt von entscheidender Bedeutung. Sie unterstreicht sogar die Notwendigkeit spezialisierter Testmethoden. Da künstliche Intelligenz die Hürden für die Schwachstellenerkennung senkt, könnten Unternehmen in Versuchung geraten, zu glauben, dass automatisierte Tools allein für eine umfassende Sicherheit ausreichen.

Tatsächlich erfordert jede Kategorie von Sicherheitslücken unterschiedliche Fachkenntnisse. KI-gestützte Code-Audits können zwar eine Speicherbeschädigungslücke aufdecken, ersetzen aber kaum das spezialisierte Fachwissen, das für die Beurteilung erforderlich ist, ob eine bestimmte Verschlüsselungsanwendung durch Leistungsanalyse Geheimnisse preisgibt.

Die übergeordnete Schlussfolgerung lautet, dass Sicherheitstests an Bedeutung gewinnen, nicht abnehmen. Künstliche Intelligenz beschleunigt zwar die Entdeckung von Schwachstellen, macht aber die Analyse durch Experten nicht überflüssig. Vielmehr lenkt sie das Fachwissen gezielt darauf, in bestimmten Bereichen den größten Nutzen zu erzielen, beispielsweise beim Verständnis, wie Schwachstellen in KI-Systemen selbst ausgenutzt werden können.

Organisationen, die KI-gestützte Tests mit strengen, von Menschen durchgeführten Sicherheitsbewertungen kombinieren, sind am besten gerüstet, um mit der sich wandelnden Bedrohungslandschaft umzugehen – egal ob es sich bei dem Ziel um eine Cloud-Anwendung, ein eingebettetes Gerät oder die kryptografischen Geräte handelt, die die Grundlage des digitalen Vertrauens bilden.

Wir haben die besten Internet-Sicherheitspakete geprüft, bewertet und eingestuft.