Bild: Deep Instinct (zVg)

Mit dem Fortschreiten der IT-Technologoe erfreut sich das Adjektiv "Deep" einer grösseren Beliebtheit. Gerade Startups haben damit begonnen, sich "Deep Tech" zu widmen. Deep steht als Synonym für anwendbare Forschung und Technologie, die mit ihren tiefgehenden oder tiefschürfenden Ergebnissen den Unternehmen neue Geschäftsmöglichkeiten eröffnen. DeepL ist so ein Fall, in dem sehr schnelle Ūbersetzungsmethoden zu neuen Ūbersetzungsergebnissen von Sprachen aus verschiedenen Ländern fūhren. Nun also auch "Deep Instinct" – eigentlich ein Widerspruch in sich, denn Wissenschaft und Instinkt schliessen sich eher aus.

Laut einer Studie der Boston Consulting Group (BCG) wurden allein im Jahr 2018 weltweit an die 18 Milliarden Dollar in "Deep Tech Companies" investiert, mit steigender Tendenz. Und laut der Website Pitchbook gehen inzwischen zehn Prozent der Investitionen in Startups in solche mit einem Deep-Tech-Hintergrund. Deep Tech setzt viel Forschung voraus, bevor praktikable Lösungen vorliegen, weshalb der Vorlauf bei Startups hier im Durchschnitt höhere und langfristigere Investitionen erfordert.

Im Fall des israelischen Startups Deep Instinct, erst 2015 gegrūndet, fanden bereits drei Finanzierungsrunden statt, bei denen 110 Millionen Dollar aufgetrieben wurden. Zu den strategischen Investoren gehören HP, LG, Millennium, Nvidia und Samsung Venture Investment.

Deep Instinct widmet sich der "Artificial Intelligence (AI) for Cyber Security". Seine neuralen Netzwerke auf der Basis von AI sollen nicht Angriffe auf die IT-Infrastruktur von Unternehmen im Nachhinein beheben, sondern sie bereits im Vorfeld erkennen und ausschalten. Seine Parole lautet: "We prevent what others can’t find." Das Startup beschäftigt 150 Mitarbeiter, die an drei Standorten arbeiten, und rühmt sich, bereits mehr als eine Million installierte Geräte vor Cyber-Attacken zu schūtzen.

"Threat Intelligence" und Cyber Security bedeuten laut Jonathan Kaftzan, VP Marketing bei Deep Instinct in Tel Aviv, dass es sich hier in der Regel um Zeit dreht – um Erkennen und Reagieren. Doch das Problem bestehe gerade darin, dass der Schaden ja bereits eingetreten sei. Deshalb müssten neue Methoden zum Einsatz kommen, die das Schwergewicht auf Verhindern statt auf Reagieren legen. Dies sei durch den Einsatz von Deep Learning möglich.

Wie Kaftzan ausführt, hat sich die internationale Bedrohungslage für die Unternehmen dramatisch verschärft. Allein von 2008 bis 2018 sei der Schutz vor Cyber-Attacken praktisch zusammengebrochen. Waren 2008 erst 35,7 Millionen Datensätze weltweit von einer Cyber-Attacke betroffen, waren es 2018 schon 446,5 Millionen – also über zehn Mal so viel. Heute gibt es laut verschiedenen Quellen (darunter AV test, Ponemon Institute) zum Beispiel täglich über 350.000 neue Schadprogramme, und 67 Prozent der Chief Information Officers (CIOS) in den Unternehmen gaben 2018 an, dass bei ihnen wahrscheinlich mindestens eine Cyber-Attacke stattgefunden hatte. Laut IBM kann ein Dateneinbruch bei einem Unternehmen einen Schaden zwischen 40 und 350 Millionen Dollar verursachen. Ausserdem werden die Cyber-Angriffe nach Ansicht der Sicherheitsexperten immer raffinierter und komplexer.

Der traditionelle Ansatz zur Bekämpfung dieser Bedrohungen geht laut Deep Instinct nur schrittweise vor und verursacht hohe Kosten. Deep Instinct hält sich dagegen an drei sehr schnell zu absolvierende Schritte:
- Time to Detect & Prevent, Dauer: 20 Millisekunden (D-Brain),
- Time to Analyze & Investigate, 50 Millisekunden (Deep Classification),
- Time to Remediate & Contain, unter einer Minute

Mit HP gibt es eine Kooperation, die in der Installation des Programms HP Sure Sense ("Powered by Deep Instinct") auf HP-Notebooks resultiert und Deep Learning auf AI-Basis benützt. Weitere Partner von Deep Instinct sind Amazon Web Services, Citrix, IBM, Micro Focus, splunk and VMware. Nähere Details hierzu bietet der Herstelller auf seiner Webseite unter www.deepinstinct.com/technology-partnerships/.

Die Lösungen von Deep Instinct sollen für jede Umgebung einsetzbar sein, darunter VDI, Cloud oder on-premise, Multi-Tenancy und Online oder Offline, egal an welchem Ort. Sie werden darūber hinaus für verschiedene Betriebssysteme wie Windows, macOS, Android, iOS und Chrome OS angeboten. Deep Instinct will auf diese Weise ein breites Spektrum möglicher Bedrohungen für die Unternehmens-IT bekämpfen: Im Mittelspunkt stehen Malware, Ransomware, Spyware, Trojaner oder Insider Threats.

In dem Whitepaper "Malware Classification Using Deep Learning" beschreibt der Hersteller, wie seine Technologie in Analogie zum menschlichen Gehirn funktioniert. Demnach begreift Deep Instinct Deep Learning als eine Form von kūnstlicher Intelligenz, die sich an der Fähigkeit des menschlichen Gehirns zu lernen orientiert. Sobald das menschliche Gehirn gelernt hat, ein Objekt zu identifizieren, wird diese Identifizierung zu eine Art natürlicher Aktion. Heute bestehen die kūnstlichen Gehirne von Deep Learning aus komplexen neuralen Netzwerken, die grosse Mengen von Daten analysieren, um ein tiefes und sehr genaues Verständnis von ihnen zu erhalten. Aus diesem Grund ist Deep Learning zu der bevorzugten Methode bei Anwendungen wie Sprach- und Bilderkennung, autonomen Autos und sogar bei medizinischen Tests geworden.

In ähnlicher Weise bringt Deep Learning einen vollständig neuen Ansatz in Cybersecurity-Systeme, bei denen künstliche Intelligenz lernt, alle Arten von Bedrohungen zu erkennen, einzugrenzen und Zero-Day- und APT-Attacken in Echtzeit und sehr genau zu verhindern. Deep Learning wird anhand eines Algorithmus in der Art eines Deep Neural Network (DNN) trainiert, wobei Hunderte von Millionen von heimtückischen und echten Dateien durchsucht werden. Das Ergebnis dieses Trainings schlägt sich in einem kleinen Modul und in einem Software-Agenten nieder, der in Endgeräten, Servern und mobilen Geräten verteilt wird. Das Modul lässt sich auch als SDK (Software Development Kit) in Third-Party-Systemen verwenden.

Auf der Webseite von Deep Instinct finden sich mehrere Case Studies, in denen die Vorgehensweise von Deep Learning exemplarisch dargestellt wird.

Bild: Deep Instinct
Bild: Deep Instinct
Bild: Deep Instinct
Bild: Deep Instinct
Bild: Deep Instinct
Bild: Deep Instinct