NEUIGKEIT: Logpoint übernimmt Muninn
Das Muninn Innovation Lab (MIL) konzentriert sich auf die Entwicklung und Implementierung innovativer Lösungen, um komplexe Herausforderungen im Bereich der Cybersicherheit zu bewältigen. Dazu gehören Themen wie False Positives, verschlüsselter bösartiger Netzwerkverkehr, raffinierte und getarnte Angriffe sowie die Bewältigung enormer Mengen an Netzwerkverkehrsdaten.
MIL dient als Schnittstelle für Muninns enge Zusammenarbeit mit Industriepartnern und wissenschaftlichen Einrichtungen, um kontinuierlich an der Spitze der Forschung und Entwicklung im Bereich der Cybersicherheit zu stehen. Wir haben bereits erfolgreiche Partnerschaften mit führenden Universitäten für Stipendien, Forschungsinitiativen und Praktika etabliert.
IndustrialPostdoc:
Higher Order Threat Intelligence (HOTI):
Applying Machine Learning to Network Security Metadata
Periode: 2022-2024
Entwicklungfortschrittlicher maritimer Cybersicherheit:
Muninn Maritime (M2)
Periode: 2019-2020
Dieses Projekt stellt eine Kooperation zwischen Muninn, der Technischen Universität Dänemark (DTU) und dem Innovationsfond Danmark (IFD) dar. Es ist im Rahmen eines industriellen Postdoc-Projekts angesiedelt und zielt darauf ab, neue KI-gestützte Funktionen zu Muninn AI Detect, dem Kernprodukt von Muninn, hinzuzufügen. Der Hauptfokus des Projekts liegt auf der Verbesserung der Präzision von Netzwerksicherheitsmeldungen durch die Analyse von Metadaten, die aus Sicherheitswarnungen extrahiert werden. Da die Häufigkeit von Fehlalarmen die Genauigkeit von Network Intrusion Detection Systemen (NIDS) beeinträchtigt, konzentriert sich dieses Vorhaben speziell auf Alarmdaten, um Techniken für die Reduzierung falscher Sicherheitswarnungen zu entwickeln. Das Endergebnis dieses Forschungs- und Entwicklungsprojekts wird die Erkennungs- und Berichtsfähigkeiten von Muninn in Bezug auf Cybersicherheitsbedrohungen verbessern und dadurch präzisere und handlungsrelevante Alarme für unsere Kunden generieren. Aus wissenschaftlicher Sicht bringt das Projekt innovative Methoden zur Inspektion von NIDS-Warnungen ein, die neueste Entwicklungen im Bereich des maschinellen Lernens und Deep Learning nutzen.
Für weitere Informationen zu unseren laufenden Projekten kontaktieren Sie uns.
Cybersicherheitssysteme wie Network Intrusion Detection and Response (NDR) generieren in der Regel Sicherheitsmeldungen (Alarme), die auf dem Verhalten von Hosts basieren, sei es signatur- oder anomaliebasiert. Da diese Hosts von unterschiedlichen Nutzern betrieben werden, können sie jeweils einzigartige Muster von Sicherheitsmeldungen aufweisen. Dies führt dazu, dass die Datenverteilung für verschiedene Hosts im Datensatz mit Sicherheitsmeldungen variieren kann. In solchen Fällen kann das Clustering ähnlicher Hosts innerhalb derselben Gruppen den Sicherheitsanalysten dabei unterstützen, ein tiefergehendes Verständnis für den jeweiligen Host zu entwickeln, den sie untersuchen möchten. Die Clustering-Ergebnisse sind zudem für das überwachte maschinelle Lernen von Nutzen, da wir den Klassifikator idealerweise anhand von Daten von Hosts mit ähnlicher Datenverteilung (innerhalb desselben Clusters) trainieren möchten.
Für weitere Informationen zu unseren laufenden Projekten kontaktieren Sie uns.
