Cyberresiliente Datensicherheit und Datensicherung durch KI

Autor/Redakteur: Uli Simon, Director Sales Engineering bei Commvault/gg

Um insbesondere in hybriden Umgebungen eine cyberresiliente Datenverfügbarkeit sicherzustellen, benötigen IT-Verantwortliche moderne Technologien. Bereits jetzt unterstützen Künstliche Intelligenz und Machine Learning maßgeblich dabei, Backup- und Recovery-Prozesse mittels der Auswertung historischer Daten zu optimieren sowie zukünftige Datensicherheitsereignisse besser vorherzusehen und zu bewältigen.

So bieten KI- und ML-unterstützte Datensicherungsplattformen IT-Verantwortlichen in zentralen Bereichen deutliche Vorteile. Hierzu gehören:

• Instandhalten der IT-Hardware: Durch die Analyse historischer Daten zur IT-Hardware können Vorhersagen getroffen werden, welche Medien aufgrund ihrer Nutzung anfälliger für Ausfälle sind. Dadurch können IT-Teams diese Komponenten im Vorfeld günstig einkaufen und im Ernstfall sofort austauschen.
• Speicherplatzbedarf optimieren: Mittels historischer Daten berechnet KI die benötigten Rechenressourcen, um festgelegte Service Level Agreements (SLAs) für die Verfügbarkeit von Daten zu erfüllen.  Die Plattform gibt Empfehlungen, um Kapazitäten je nach Bedarf zu skalieren. Zudem kann sie automatisch Speicherplatz und Hardwarekapazitäten zuweisen sowie die Auswahl von Rechenressourcen individuell für verschiedene Unternehmensstandorte in einer geographisch verteilten Umgebung optimieren.
• Planen automatisierter Routine-Aufgaben: Datenmanagement-Plattformen unterstützen IT-Verantwortliche zudem beim Optimieren des Backup-Jobkalenders, indem durch zeitserienbasiertes Machine Learning eine Vorhersage zu den jeweiligen Joblaufzeiten getroffen wird. Für ein cyberresilientes Backup kalkuliert das System die optimalen Recovery Point Objectives (RPO) und priorisiert Recovery Workloads hinsichtlich der Verfügbarkeitsvorgaben.
• Management und Monitoring: Durch eine granulare Status-Analyse tausender Jobs täglich kann Künstliche Intelligenz Anomalien – wie etwa ungewöhnlich lange Joblaufzeiten – erkennen und diese Vorfälle gefiltert an das IT-Team melden, wenn bei einem kritischen Fehler das Eingreifen durch einen Menschen notwendig ist.
• Datenklassifikation und Risikoanalyse: KI und ML ermitteln die Daten, die im Desaster-Fall mit Priorität wiederherzustellen sind. Anhand von Unternehmensdaten werden die entsprechenden Klassifikationsmodelle trainiert. Besonders relevante Dokument-Arten, auf die zum Beispiel ein bestimmter Geschäftsbereich häufig zugreift, werden identifiziert.
• Recovery im Fall eines Angriffs: Mittels KI lassen sich Angriffe erkennen und im Ernstfall direkt Gegenmaßnahmen einleiten. Anomalien wie beispielsweise eine veränderte Entropie weisen auf die Verschlüsselung eines Backups hin. Eine KI-gestützte Datensicherungsplattform kann als Reaktion einen Failover-Betrieb starten oder im Recovery-Prozess dank kontinuierlicher Backups die letzte saubere Sicherheitskopie der betroffenen Daten wiederherstellen. Zudem ermöglicht der Einsatz von KI und ML die Definition bestmöglicher Recovery Time Objectives sowie Recovery Point Objectives, um den Informationsverlust zu minimieren und eine schnelle Wiederverfügbarkeit sicherzustellen.

Unternehmenskritische Daten resilient absichern und verfügbar halten

Der Einsatz von KI und ML ermöglicht eine stärkere Cyberresilienz in Bezug auf Datensicherheit sowie der Backup- und Recovery-Prozesse. Die Investition in mehr Speicher- und Rechenressourcen können dabei durch die Einsparungen bei der Infrastruktur ausgeglichen werden. Denn Unternehmen, die eine Plattform oder Dienste eines Cloud-Providers in Anspruch nehmen, profitieren nicht nur von den gebündelten KI-Erkenntnissen auf Basis der gesammelten Informationen anderer Cloud-Service-Provider-Kunden. Der Einsatz von Data-Protection-as-a-Service reduziert auch die Kosten der Backup-Recovery-Infrastruktur. Gelder, die in den optimierten Schutz unternehmenskritischer Daten und einer robusten Datenverfügbarkeit gut reinvestiert sind.