Használatban lévő adat (data in use): a fogalom definíciója és jelentősége az adatbiztonságban

A használatban lévő adat (Data in Use): Alapfogalmak és Kontextus

Az adatbiztonság hagyományosan három fő állapotot különböztet meg, amelyekben az adatok éppen lehetnek: nyugalmi állapotban lévő adatok (data at rest), átvitel alatt lévő adatok (data in transit) és használatban lévő adatok (data in use). Míg az első két kategória védelmére széles körben elterjedt és kiforrott technológiák léteznek – mint például a merevlemezek titkosítása (nyugalmi állapotban lévő adatok) vagy az SSL/TLS protokollok (átvitel alatt lévő adatok) –, addig a használatban lévő adatok védelme sokkal összetettebb és jelentősebb kihívást jelent. Ez a cikk részletesen tárgyalja a használatban lévő adat fogalmát, annak jelentőségét és a vele járó biztonsági kihívásokat, valamint a legújabb védelmi megoldásokat.

Mi az a használatban lévő adat?

A használatban lévő adat (data in use, DIU) azokra az adatokra vonatkozik, amelyek éppen aktívan feldolgozás alatt állnak egy számítógépes rendszerben. Ez magában foglalja az adatokat a CPU regisztereiben, a RAM-ban (memóriában), a CPU gyorsítótárában, valamint azokat az adatokat, amelyeket egy alkalmazás vagy folyamat éppen feldolgoz. Amikor egy szoftver fut, adatokat tölt be a memóriába, manipulálja azokat, majd esetlegesen visszaírja egy tárolóeszközre vagy továbbítja egy hálózaton keresztül. Ebben az aktív feldolgozási fázisban az adatok potenciálisan a legsebezhetőbbek.

A nyugalmi állapotban lévő adatok tipikusan merevlemezeken, SSD-ken, szalagos meghajtókon vagy felhőalapú tárolókon vannak tárolva. Ezeket általában titkosítják inaktív állapotban, ami megakadályozza az illetéktelen hozzáférést a fizikai tárolóeszköz ellopása vagy kompromittálása esetén. Az átvitel alatt lévő adatok a hálózatokon keresztül mozognak, például interneten, VPN-en vagy belső hálózaton keresztül. Ezeket jellemzően protokollok, mint az HTTPS, SSH vagy IPsec titkosítják, biztosítva az adatok integritását és bizalmasságát az átvitel során.

Ezzel szemben, a használatban lévő adatnak a feldolgozás során dekódolt állapotban kell lennie, hogy a CPU és az alkalmazások hozzáférhessenek és manipulálhassák azt. Ez a dekódolt állapot teremti meg a legnagyobb biztonsági rést. A támadók célja gyakran éppen ez a fázis, mivel itt juthatnak hozzá az adatokhoz azok legkevésbé védett formájában.

Miért kritikus a használatban lévő adatok védelme?

A használatban lévő adatok védelmének kritikus jelentősége van számos okból. Először is, a modern számítástechnikai környezetek egyre komplexebbé válnak, felhőalapú szolgáltatásokkal, edge computing megoldásokkal és elosztott rendszerekkel. Ezekben a környezetekben az adatok folyamatosan mozognak és feldolgozásra kerülnek különböző helyeken és eszközökön, ami megsokszorozza a támadási felületet.

Másodszor, a jogi és szabályozási megfelelőségi követelmények, mint például az Európai Unió Általános Adatvédelmi Rendelete (GDPR), az amerikai HIPAA vagy a CCPA, egyre szigorúbbá válnak az érzékeny adatok kezelésével kapcsolatban. Ezek a szabályozások nem csak az adatok tárolására és átvitelére vonatkoznak, hanem implicitly megkövetelik a teljes adatéletciklus védelmét, beleértve a feldolgozási fázist is.

Harmadszor, a kibertámadások természete is változik. Míg korábban a hangsúly a hálózati behatolásokon és a tárolt adatok eltulajdonításán volt, addig ma már egyre gyakoribbak a memória-alapú támadások, a side-channel támadások és a processzor-szintű sebezhetőségek kihasználása. Ezek a támadások kifejezetten a használatban lévő adatokra fókuszálnak, mivel a hagyományos hálózati tűzfalak és titkosítási megoldások nem nyújtanak védelmet ezen a szinten.

Végül, az olyan technológiák elterjedése, mint a mesterséges intelligencia (MI) és a gépi tanulás (ML), amelyek nagy mennyiségű érzékeny adatot dolgoznak fel (pl. egészségügyi adatok, pénzügyi tranzakciók, személyes azonosításra alkalmas információk), még sürgetőbbé teszi a használatban lévő adatok biztonságát. Az MI modellek gyakran felhőben futnak, ahol a több-bérlős (multi-tenant) környezetek további kockázatokat jelentenek, mivel az adatok potenciálisan más ügyfelek vagy szolgáltatók számára is elérhetővé válhatnak a feldolgozás során.

A használatban lévő adatok védelme nem csupán egy technikai kihívás, hanem az adatbiztonság legkomplexebb és legkritikusabb területe, amely alapjaiban határozza meg egy szervezet képességét az érzékeny információk integritásának és bizalmasságának megőrzésére a modern, elosztott és felhőalapú környezetekben.

A használatban lévő adatok biztonságának kihívásai

A használatban lévő adatok védelme azért jelent különleges kihívást, mert a feldolgozás során az adatoknak dekódolt formában kell lenniük, hogy a CPU és az alkalmazások hozzáférjenek. Ez a dekódolt állapot teszi őket sebezhetővé számos támadással szemben, amelyek a hagyományos titkosítási módszerek hatókörén kívül esnek.

A titkosítás paradoxona

A legfőbb kihívás a titkosítás paradoxona. Míg a nyugalmi állapotban lévő és az átvitel alatt lévő adatok titkosíthatók, addig a feldolgozás során az adatoknak olvasható formában kell lenniük. Ez azt jelenti, hogy a CPU-hoz, a memóriához vagy az alkalmazás futtatókörnyezetéhez hozzáférő támadó képes lehet lehallgatni, módosítani vagy ellopni az adatokat. Ez a „decryption at the point of use” (dekódolás a felhasználás helyén) jelenség egy alapvető biztonsági rést teremt.

Memória-alapú támadások

A memória-alapú támadások a használatban lévő adatok elleni leggyakoribb fenyegetések közé tartoznak. Ezek a támadások a rendszer memóriáját (RAM) célozzák, ahol az adatok ideiglenesen tárolódnak a feldolgozás során. Néhány példa:

• Memória-dump elemzés: Egy támadó, aki hozzáférést szerez a rendszerhez (pl. malware vagy jogosultság-emelés révén), képes lehet a RAM tartalmának lementésére (memory dump). Ez a dump tartalmazhat érzékeny adatokat, például jelszavakat, titkosítási kulcsokat vagy személyes információkat, amelyek éppen feldolgozás alatt álltak.
• Cold boot támadások: Bár ritkábbak, de fizikailag hozzáférő támadók kihasználhatják a RAM „memória-kitartását” (remenance). A RAM tartalma rövid ideig megmarad áramtalanítás után is, különösen alacsony hőmérsékleten. Ezt kihasználva a támadó gyorsan újraindíthatja a rendszert egy speciális operációs rendszerrel, és lementheti a korábbi memória tartalmát.
• Rowhammer támadások: Ez egy hardveres hiba kihasználása, ahol a memória bizonyos sorainak ismételt, gyors elérése befolyásolhatja a szomszédos sorok bitjeit, lehetővé téve a támadó számára, hogy jogosultságokat emeljen vagy adatokat módosítson a memóriában.

Processzor-szintű sebezhetőségek

Az elmúlt években számos kritikus processzor-szintű sebezhetőség került napvilágra, mint például a Spectre és a Meltdown. Ezek a sebezhetőségek kihasználják a modern CPU-k teljesítmény-optimalizáló funkcióit (pl. spekulatív végrehajtás, gyorsítótár-kezelés) arra, hogy az egyik program vagy felhasználó által feldolgozott adatokhoz (beleértve a titkosítási kulcsokat is) más, jogosulatlan programok vagy felhasználók hozzáférjenek a gyorsítótárakon vagy a memórián keresztül. Ezek a támadások különösen veszélyesek a felhőalapú környezetekben, ahol több ügyfél (bérlő) osztozik ugyanazon a fizikai hardveren.

Szoftveres sebezhetőségek és alkalmazásréteg

Az alkalmazásrétegben rejlő hibák és sebezhetőségek szintén jelentős veszélyt jelentenek a használatban lévő adatokra. Ide tartoznak:

• Buffer overflows és memory leaks: Ezek a hibák lehetővé tehetik a támadóknak, hogy jogosulatlanul hozzáférjenek a memóriához, és akár tetszőleges kódot futtassanak.
• Injektálási támadások (pl. SQL injekció, parancs injekció): Bár elsősorban az adatok integritását és elérhetőségét veszélyeztetik, súlyos esetben lehetővé tehetik a támadó számára, hogy érzékeny adatokat olvasson ki a memóriából vagy a futó alkalmazás környezetéből.
• Logikai hibák és zero-day exploits: Az alkalmazásokban rejlő, még fel nem fedezett hibák kihasználásával a támadók manipulálhatják a futó folyamatokat és hozzáférhetnek a használatban lévő adatokhoz.

Felhő alapú környezetek

A felhőalapú szolgáltatások (IaaS, PaaS, SaaS) elterjedése új dimenziót ad a használatban lévő adatok védelmének kihívásaihoz. Bár a felhőszolgáltatók jelentős biztonsági intézkedéseket tesznek, a megosztott felelősség modellje (shared responsibility model) azt jelenti, hogy az ügyfél felelőssége is kiterjed bizonyos biztonsági aspektusokra, különösen az adatokra és az alkalmazásokra. A felhőben a következő kockázatok merülhetnek fel:

• Több-bérlős környezetek (multi-tenancy): Ugyanazon a fizikai hardveren több ügyfél virtuális gépe vagy konténere fut. Ez növeli a side-channel támadások kockázatát, ahol az egyik bérlő megpróbálhatja lehallgatni a másik bérlő által feldolgozott adatokat.
• Hiányzó láthatóság és ellenőrzés: Az ügyfeleknek korlátozott rálátásuk van a felhőszolgáltató infrastruktúrájának belső működésére, ami megnehezíti a használatban lévő adatok védelmét.
• Előjogokkal rendelkező hozzáférés: A felhőszolgáltató munkatársai elméletileg hozzáférhetnek az ügyfelek adataihoz a feldolgozás során, ami bizalmi kérdéseket vet fel.

Edge computing és IoT

Az edge computing és a Dolgok Internete (IoT) eszközök elterjedése tovább bonyolítja a helyzetet. Ezek a rendszerek gyakran korlátozott erőforrásokkal rendelkeznek, fizikailag elosztottak és nehezen felügyelhetők. Az edge eszközökön feldolgozott adatok gyakran érzékenyek (pl. ipari érzékelők adatai, egészségügyi monitorozás), és a fizikai hozzáférés lehetősége növeli a támadási felületet. Az erőforrás-korlátok miatt a fejlett titkosítási és biztonsági mechanizmusok bevezetése ezen eszközökön kihívást jelent.

Megoldások és technológiák a használatban lévő adatok védelmére

A használatban lévő adatok védelmére irányuló megoldások a hardveres és szoftveres innovációk széles skáláját ölelik fel. Céljuk, hogy minimalizálják azt az időt és azt a környezetet, ahol az adatok titkosítatlanul, sebezhetően vannak jelen.

Bizalmas számítástechnika (Confidential Computing)

A bizalmas számítástechnika (Confidential Computing) az egyik legígéretesebb és leggyorsabban fejlődő terület a használatban lévő adatok védelmében. Célja, hogy az adatokat titkosított állapotban tartsa még a feldolgozás során is. Ezt úgy éri el, hogy az érzékeny adatokat és a kódot egy speciális, hardveresen izolált környezetben, úgynevezett megbízható végrehajtási környezetben (Trusted Execution Environment – TEE) dolgozza fel.

Fogalom és működési elv (Trusted Execution Environments – TEEs)

A TEE egy biztonságos, izolált terület egy processzoron belül, amely garantálja, hogy az itt futó kód és az általa feldolgozott adatok védettek maradnak a rendszer többi részétől, beleértve az operációs rendszert (OS), a hipervizort (hypervisor) és akár a fizikai hozzáféréssel rendelkező támadókat is. A TEE-ben futó alkalmazások és adatok integritása és bizalmassága hardveresen biztosított. Ez azt jelenti, hogy még egy kompromittált operációs rendszer sem férhet hozzá a TEE-n belül lévő titkosított adatokhoz.

A TEE-k jellemzői:

• Hardveres izoláció: A TEE egy elkülönített memóriaterületet és CPU-erőforrásokat használ, amelyekhez csak a TEE-n belül futó kód fér hozzá.
• Adatbizalmasság: Az adatok titkosítva vannak a TEE-be való belépéskor, és csak a TEE-n belül dekódolódnak, majd titkosítva távoznak.
• Kódintegritás: A TEE biztosítja, hogy csak hitelesített és ellenőrzött kód fusson benne.
• Attesztáció (Attestation): Lehetővé teszi egy távoli fél számára, hogy ellenőrizze a TEE állapotát, a benne futó kód integritását és azt, hogy egy valódi, hardveresen védett TEE-vel kommunikál.

Hardveres megvalósítások

Számos gyártó kínál TEE technológiát a processzoraiban:

• Intel SGX (Software Guard Extensions): Az Intel processzorokban található technológia, amely lehetővé teszi az alkalmazások számára, hogy „enklávékat” (enclaves) hozzanak létre. Ezek az enklávék hardveresen védett, titkosított memóriaterületek, ahol az érzékeny kód és adatok futhatnak, védve az operációs rendszertől, a hipervizortól és más alkalmazásoktól.
• AMD SEV (Secure Encrypted Virtualization): Az AMD EPYC processzorokban található, elsősorban virtuális gépek védelmére tervezett technológia. Lehetővé teszi a virtuális gépek memóriájának titkosítását, így a hipervizor sem fér hozzá a vendég operációs rendszerek adataihoz titkosítatlan formában. Az SEV-ES (Encrypted State) és SEV-SNP (Secure Nested Paging) továbbfejlesztések még erősebb védelmet biztosítanak a memória-alapú támadások és a virtuális gépek közötti szivárgások ellen.
• ARM TrustZone: Az ARM alapú processzorokban (széles körben használatos mobil eszközökben és IoT-ben) található technológia, amely két elkülönített végrehajtási környezetet hoz létre: egy „normál” és egy „biztonságos” világot. Az érzékeny műveletek és adatok a biztonságos világban futnak, védve a normál világtól.

Előnyök és korlátok

Előnyök	Korlátok
Erős hardveres garanciák: Védelem az OS, hipervizor és fizikai hozzáférés ellen.	Komplex fejlesztés: Az alkalmazásokat át kell alakítani a TEE-k kihasználására.
Felhőbiztonság: Lehetővé teszi az érzékeny adatok feldolgozását nyilvános felhőben, bizalom nélkül a felhőszolgáltató felé.	Teljesítménybeli többletköltség: A titkosítás és az izoláció némi teljesítménycsökkenéssel járhat.
Adatbizalmasság a teljes életciklusban: Megvédi az adatokat a nyugalmi, átviteli és használati állapotban is.	Hardverfüggőség: A TEE-k specifikus processzorokat igényelnek.
Csökkentett támadási felület: A kritikus adatok és kód egy kis, ellenőrzött környezetbe kerülnek.	Side-channel támadások: Bár csökkentett, de továbbra is fennállhat a side-channel támadások kockázata a TEE-ken belül.

Alkalmazási területek

A bizalmas számítástechnika számos területen ígéretes:

• Felhőalapú adatelemzés: Vállalatok elemezhetik érzékeny adataikat (pl. pénzügyi, egészségügyi) nyilvános felhőben anélkül, hogy a felhőszolgáltató hozzáférne azokhoz.
• Mesterséges intelligencia és gépi tanulás: Bizalmas adatokkal történő modellképzés és következtetés, ahol az adatok és a modell is védve van.
• Blokklánc és kriptovaluták: Biztonságos kulcskezelés és tranzakció-feldolgozás.
• Bizalmas adatok kezelése: Pl. DRM (Digital Rights Management), távoli attesztáció, titkos kulcsok tárolása.

Homomorf titkosítás (Homomorphic Encryption – HE)

A homomorf titkosítás (Homomorphic Encryption – HE) egy forradalmi titkosítási technika, amely lehetővé teszi a számítások elvégzését titkosított adatokon anélkül, hogy azokat dekódolni kellene. Ez azt jelenti, hogy egy harmadik fél (pl. felhőszolgáltató) képes lehet adatokat feldolgozni az ügyfél nevében anélkül, hogy valaha is hozzáférne azok nyílt (dekódolt) formájához.

Fogalom és működési elv

Képzeljük el, hogy van egy titkosított szám (pl. 5), és szeretnénk hozzáadni egy másik titkosított számot (pl. 3), anélkül, hogy tudnánk, mi a két szám. A homomorf titkosítás lehetővé teszi ezt. Az eredmény egy titkosított szám lesz (ebben az esetben 8), amelyet csak az eredeti titkosítási kulccsal lehet dekódolni.

A HE kulcsfontosságú eleme a műveleti homomorfizmus. Vannak részlegesen homomorf titkosítási sémák (PHE), amelyek csak egyfajta műveletet támogatnak (pl. csak összeadást vagy csak szorzást), és teljesen homomorf titkosítási sémák (FHE), amelyek tetszőleges számú összeadási és szorzási műveletet támogatnak, lehetővé téve bármilyen számítás elvégzését a titkosított adatokon.

Típusok

• Részlegesen Homomorf Titkosítás (PHE): Csak egy típusú műveletet támogat korlátlan számban (pl. Paillier titkosítás összeadásra, RSA szorzásra).
• Szintben Homomorf Titkosítás (SHE): Korlátozott számú, de többféle műveletet támogat (összeadás és szorzás), de a műveletek számát előre meg kell határozni („szint”).
• Teljesen Homomorf Titkosítás (FHE): Tetszőleges számú összeadási és szorzási műveletet támogat, ami gyakorlatilag bármilyen számítás elvégzését lehetővé teszi. Az FHE megvalósításai gyakran használnak egy „csizmaheveder” (bootstrapping) eljárást, amely „tisztítja” a titkosított adatokon felhalmozódó zajt, és lehetővé teszi a további számításokat.

Előnyök és korlátok

Előnyök	Korlátok
Maximális adatbizalmasság: Az adatok sosem kerülnek dekódolt állapotba a feldolgozás során a harmadik fél számára.	Rendkívül nagy teljesítménybeli többletköltség: Az FHE műveletek nagyságrendekkel lassabbak, mint a nyílt szövegen végzett számítások.
Harmadik fél általi feldolgozás: Lehetővé teszi az adatok biztonságos kiszervezését felhőbe vagy más szolgáltatóhoz.	Nagyobb adattárolási igény: A titkosított adatok mérete jelentősen megnőhet.
Adatvédelem a MI/ML-ben: Bizalmas adatokon történő modellképzés és következtetés anélkül, hogy a nyílt adatok kiszivárognának.	Komplex implementáció: A HE rendszerek tervezése és implementációja rendkívül bonyolult.

Alkalmazási területek

• Felhőalapú adatelemzés: Bizalmas elemzések elvégzése felhőben (pl. pénzügyi kockázatelemzés, egészségügyi statisztikák).
• Adatvédelem a mesterséges intelligenciában: Közös MI-modellek képzése több forrásból származó bizalmas adatok felhasználásával anélkül, hogy az alapul szolgáló adatok megosztásra kerülnének.
• Biztonságos keresés: Titkosított adatokon történő keresés a felhőben anélkül, hogy a keresési lekérdezés vagy az adatok tartalma felfedésre kerülne.
• Magánéletet megőrző adatelemzés: Például a genetikai adatok elemzése anélkül, hogy azok felfednék a páciens identitását.

Bizalmas gépi tanulás (Confidential Machine Learning)

A bizalmas gépi tanulás (Confidential Machine Learning – CML) a használatban lévő adatok védelmének egy speciális ága, amely az MI/ML modellek képzése és következtetése során felmerülő adatvédelmi és biztonsági kihívásokra fókuszál. Mivel az MI modellek gyakran hatalmas mennyiségű érzékeny adatot dolgoznak fel, a modellképzés és a következtetés során is biztosítani kell az adatok bizalmasságát és integritását.

Adatvédelem az MI-ban

Az MI rendszerekben az adatvédelem két fő szempontból is kritikus:

1. Képzési adatok védelme: Az MI modelleket gyakran bizalmas adatokon képzik (pl. orvosi feljegyzések, pénzügyi tranzakciók, személyes adatok). Biztosítani kell, hogy ezek az adatok ne szivárogjanak ki a képzési folyamat során, és ne legyenek visszafejthetők a képzett modellből.
2. Következtetési (inference) adatok védelme: A már képzett modelleket új, érzékeny adatokon futtatják (pl. orvosi diagnózis, hitelképesség-vizsgálat). Ezeknek az adatoknak a bizalmasságát is meg kell őrizni a következtetés során.

Technikák a CML-ben

• TEE-k alkalmazása: A bizalmas számítástechnika (Intel SGX, AMD SEV) használható az MI modell és a feldolgozott adatok elszigetelésére egy biztonságos enklávéban. Ez megvédi az adatokat a felhőszolgáltatótól vagy más rosszindulatú szoftverektől.
• Homomorf titkosítás (HE): Az FHE lehetővé teszi, hogy a következtetést titkosított bemeneti adatokon végezzék el, és az eredmény is titkosított legyen. Ez megakadályozza, hogy a modell szolgáltatója vagy a felhőszolgáltató hozzáférjen a nyílt adatokhoz.
• Föderált tanulás (Federated Learning): Ez a technika lehetővé teszi, hogy több fél közösen képezzen egy MI modellt anélkül, hogy valaha is megosztanák egymással a nyers képzési adataikat. Ehelyett minden fél lokálisan képzi a modellt a saját adataival, majd csak a modell frissítéseit (súlyait) küldi el egy központi szerverre, ahol azokat aggregálják.
• Differenciális adatvédelem (Differential Privacy): Ez egy matematikai keretrendszer, amely zajt ad az adatokhoz vagy a lekérdezésekhez annak érdekében, hogy megakadályozza az egyének azonosítását az adatelemzés eredményeiből, miközben továbbra is hasznos statisztikákat tesz lehetővé.

Memóriavédelem és futásidejű elemzés

A hardveres megoldások mellett számos szoftveres technika is létezik a memória és a futásidejű környezet védelmére:

• ASLR (Address Space Layout Randomization): Véletlenszerűen rendezi el a memória elrendezését az operációs rendszerben, megnehezítve a támadók számára, hogy előre jelezzék a kódrészletek vagy adatok helyét a memóriában.
• DEP (Data Execution Prevention): Megakadályozza a kód végrehajtását olyan memóriaterületekről, amelyek csak adatok tárolására szolgálnak, ezzel meghiúsítva a puffer túlcsordulásos támadásokat.
• Memória titkosítás: Egyes rendszerek támogatják a memória titkosítását hardveres szinten, ami megvédi az adatokat a fizikai hozzáféréstől vagy a cold boot támadásoktól. Az AMD SEV egy példa erre.
• Rendszermag integritás (Kernel Integrity): Biztosítja, hogy az operációs rendszer magja (kernel) ne legyen módosítva vagy kompromittálva, mivel a kernel teljes hozzáféréssel rendelkezik a rendszer erőforrásaihoz és a memóriához.
• Futtatásidejű alkalmazás önvédelem (RASP – Runtime Application Self-Protection): Közvetlenül az alkalmazásba integrálódik, és valós időben figyeli a támadásokat, megakadályozva a sebezhetőségek kihasználását. A RASP képes észlelni és blokkolni a memória-alapú támadásokat, injektálási kísérleteket és más futásidejű fenyegetéseket.

Zero Trust architektúra

A Zero Trust (zéró bizalom) biztonsági modell alapvetően megváltoztatja a hagyományos hálózati biztonsági megközelítéseket. Ahelyett, hogy feltételezné a belső hálózatban lévő entitások megbízhatóságát, a Zero Trust alapelve, hogy „soha ne bízz, mindig ellenőrizz”. Ez a modell különösen releváns a használatban lévő adatok védelmében, mivel a belső fenyegetésekre és a jogosult felhasználók által okozott károkra is fókuszál.

A „soha ne bízz, mindig ellenőrizz” elv

A Zero Trust modellben minden felhasználót, eszközt és alkalmazást potenciálisan fenyegetésnek tekintenek, függetlenül attól, hogy a hálózaton belülről vagy kívülről próbál hozzáférni. Minden hozzáférési kísérletet hitelesíteni és engedélyezni kell, a legkisebb jogosultság elve alapján. Ez a folyamatos ellenőrzés és a szigorú hozzáférés-szabályozás segít megvédeni a használatban lévő adatokat.

Relevancia a DIU-hoz

• Mikroszegmentáció: A hálózatot apró, izolált szegmensekre bontják, és minden szegmenshez szigorú hozzáférés-szabályokat rendelnek. Ez korlátozza a támadó mozgásterét, ha sikerül bejutnia egy szegmensbe, és megakadályozza, hogy könnyedén hozzáférjen a más szegmensekben feldolgozott adatokhoz.
• Folyamatos hitelesítés és engedélyezés: A felhasználók és eszközök hozzáférését folyamatosan ellenőrzik, nem csak a kezdeti bejelentkezéskor. Ha egy felhasználó viselkedése eltér a normálistól, vagy egy eszköz kompromittálódottnak tűnik, a hozzáférést azonnal visszavonják vagy korlátozzák.
• Adatközpontú biztonság: A Zero Trust az adatokat helyezi a biztonsági stratégia középpontjába. Ez magában foglalja az adatok osztályozását, a hozzáférés-szabályozást és az adatok életciklusának folyamatos monitorozását, beleértve a használatban lévő állapotot is.
• Teljes láthatóság és monitorozás: A Zero Trust megköveteli a hálózati forgalom, a felhasználói viselkedés és az alkalmazások tevékenységének folyamatos monitorozását. Ez segít az anomáliák észlelésében, amelyek a használatban lévő adatok elleni támadásokra utalhatnak.

Adatmaszkolás és anonimizálás

Az adatmaszkolás és anonimizálás olyan technikák, amelyek célja az érzékeny adatok védelme anélkül, hogy azok eredeti formájukban kerülnének felhasználásra, különösen a nem-termelési környezetekben, mint a tesztelés vagy fejlesztés. Bár elsősorban a nyugalmi állapotban lévő adatokra vonatkoznak, dinamikus formáik a használatban lévő adatokra is alkalmazhatók.

• Dinamikus adatmaszkolás: Valós időben maszkolja az érzékeny adatokat, amikor azokhoz hozzáférnek. Például, egy adatbázis lekérdezésekor a felhasználó jogosultságaitól függően csak részleges vagy maszkolt adatokat kaphat vissza (pl. hitelkártyaszám utolsó 4 számjegye). Ez a technika védi a használatban lévő adatokat a jogosulatlan megtekintéstől, de a feldolgozás során a teljes adatnak továbbra is dekódolt állapotban kell lennie a szerveren.
• Tokenizálás: Az érzékeny adatokat (pl. hitelkártyaszám) egy egyedi, nem érzékeny azonosítóra (tokenre) cseréli. A tokenek feldolgozhatók anélkül, hogy az eredeti érzékeny adatok valaha is megjelennének a rendszerben. Az eredeti adatok egy biztonságos tárolóban maradnak. Ez a technika különösen hatékony a fizetési rendszerekben.
• Pszeudonimizálás: Az azonosító adatokat álnevekkel vagy kódokkal helyettesíti, így az egyén közvetlenül nem azonosítható. Bár az adatok visszafejthetők az eredeti formájukba egy külön kulcs vagy tábla segítségével, ez a lépés védelmet nyújt az azonnali azonosítás ellen.

Fontos megjegyezni, hogy bár az adatmaszkolás és anonimizálás csökkentheti az érzékeny adatok kitettségét, nem nyújtanak teljes körű védelmet a fejlett memória-alapú támadások vagy a processzor-szintű sebezhetőségek ellen, mivel a dekódolt adatoknak mégiscsak jelen kell lenniük a feldolgozási környezetben valamilyen formában.

Szabályozási és jogi környezet

A használatban lévő adatok védelme nem csupán technikai, hanem jogi és szabályozási kérdés is, amely egyre nagyobb hangsúlyt kap a globális adatvédelmi előírások szigorodásával. A vállalatoknak nem csupán a tárolt és továbbított adatokra kell figyelniük, hanem azokra is, amelyek aktívan feldolgozás alatt állnak, hogy megfeleljenek a jogi követelményeknek és elkerüljék a súlyos bírságokat és reputációs károkat.

GDPR (Általános Adatvédelmi Rendelet)

Az Európai Unió Általános Adatvédelmi Rendelete (GDPR) az egyik legátfogóbb adatvédelmi jogszabály a világon. Bár a rendelet nem tér ki expliciten a „használatban lévő adat” fogalmára, alapelvei és követelményei közvetlenül alkalmazhatók rá. A GDPR hangsúlyozza az adatvédelem beépített megközelítését (privacy by design) és az alapértelmezett adatvédelmet (privacy by default), ami azt jelenti, hogy a rendszereket és folyamatokat úgy kell megtervezni, hogy az adatok védelme már a kezdetektől fogva biztosítva legyen, beleértve a feldolgozási fázist is.

A GDPR számos cikke releváns a DIU szempontjából:

• 5. cikk (Az adatkezelés elvei): Előírja az adatok jogszerű, tisztességes és átlátható kezelését, a célhoz kötöttséget, az adattakarékosságot, a pontosságot, a tárolási korlátot, az integritást és bizalmasságot, valamint az elszámoltathatóságot. Az integritás és bizalmasság elve (5. cikk (1) f) pont) különösen fontos, mivel megköveteli a megfelelő technikai és szervezési intézkedések alkalmazását az adatok jogosulatlan vagy jogellenes kezelése, véletlen elvesztése, megsemmisülése vagy károsodása elleni védelem érdekében. Ez magában foglalja az adatok védelmét a feldolgozás során is.
• 25. cikk (Adatvédelem a tervezés fázisában és alapértelmezés szerint): Előírja, hogy az adatkezelőnek megfelelő technikai és szervezési intézkedéseket kell bevezetnie az adatvédelem alapelveinek hatékony végrehajtása és az érintettek jogainak védelme érdekében. Ez magában foglalja a biztonságos szoftverfejlesztési gyakorlatokat, a memóriavédelmi technikákat és a bizalmas számítástechnika alkalmazását, ahol szükséges.
• 32. cikk (Az adatkezelés biztonsága): Előírja, hogy az adatkezelőnek megfelelő biztonsági szintet kell biztosítania, figyelembe véve a kockázatokat. Ez magában foglalja az adatok titkosítását, a rendszerek és szolgáltatások folyamatos bizalmasságát, integritását, rendelkezésre állását és ellenállóképességét, valamint a technikai incidensek esetén a helyreállítási képességet. A használatban lévő adatok elleni támadások (pl. memória-dump) közvetlenül érintik az adatok bizalmasságát és integritását.

A GDPR nem mondja ki, hogy minden adatot titkosítani kell a feldolgozás során, de megköveteli, hogy a kockázatoknak megfelelő szintű védelmet biztosítsanak. Minél érzékenyebb az adat, annál szigorúbb biztonsági intézkedésekre van szükség, ami magában foglalhatja a fejlett DIU védelmi technológiákat.

HIPAA (Health Insurance Portability and Accountability Act)

Az amerikai HIPAA törvény az egészségügyi adatok védelmét szabályozza. Különösen az elektronikus védett egészségügyi információk (ePHI) biztonságára vonatkozó szabályok relevánsak. A HIPAA Security Rule (biztonsági szabályzat) megköveteli a megfelelő technikai és nem technikai védelmi intézkedések bevezetését az ePHI bizalmasságának, integritásának és rendelkezésre állásának biztosítására.

Bár a HIPAA sem specifikusan a „használatban lévő adatokra” vonatkozik, a „technikai védelmi intézkedések” kategóriájába tartoznak azok a megoldások, amelyek az adatok feldolgozása során védik azokat. Az olyan követelmények, mint a hozzáférés-ellenőrzés, az auditálhatóság és az adatintegritás, mind relevánsak a használatban lévő adatokra. Az egészségügyi adatok rendkívül érzékenyek, így a bizalmas számítástechnika és a homomorf titkosítás különösen hasznos lehet a HIPAA megfelelés támogatásában, lehetővé téve a kutatást és elemzést anélkül, hogy az érzékeny orvosi adatok kitennék magukat a kockázatnak.

CCPA (California Consumer Privacy Act)

A kaliforniai CCPA törvény a fogyasztók személyes adataik feletti jogait szabályozza. Hasonlóan a GDPR-hoz, a CCPA is megköveteli a vállalatoktól, hogy ésszerű biztonsági intézkedéseket vezessenek be a személyes információk védelmére. Bár a fókusz a fogyasztói jogokon van, a „hack” vagy „adatvédelmi incidens” definíciója magában foglalja az illetéktelen hozzáférést, megsemmisítést, felhasználást, módosítást vagy nyilvánosságra hozatalt. Ha a használatban lévő adatok kompromittálódnak egy támadás során, az a CCPA szerinti incidensnek minősülhet, ami jelentős bírságokkal és jogi következményekkel járhat.

A megfelelés kihívásai és a DIU szerepe

A szabályozásoknak való megfelelés legnagyobb kihívása abban rejlik, hogy a jogszabályok általában technológia-semlegesek, azaz nem írnak elő konkrét technikai megoldásokat, hanem eredményeket várnak el: az adatok biztonságának garantálását. Ez azt jelenti, hogy a szervezeteknek maguknak kell felmérniük a kockázatokat és kiválasztaniuk a megfelelő védelmi technológiákat, beleértve a használatban lévő adatok védelmét is.

A használatban lévő adatok védelmének beépítése a megfelelőségi stratégiába létfontosságú:

• Kockázatkezelés: A DIU-ra vonatkozó kockázatok (memória-alapú támadások, processzor-sebezhetőségek) azonosítása és kezelése elengedhetetlen a teljes körű adatvédelmi stratégia szempontjából.
• Auditálhatóság: A DIU védelmi megoldásoknak biztosítaniuk kell az események naplózását és az auditálhatóságot, hogy igazolni lehessen a megfelelőséget.
• Adatminimalizálás és álnevesítés: Ahol lehetséges, minimalizálni kell az érzékeny adatok mennyiségét, és pszeudonimizálást vagy anonimizálást kell alkalmazni, még a feldolgozás során is.
• Szerződéses kötelezettségek: Felhőszolgáltatók és más harmadik felek esetén a szerződésekben rögzíteni kell a DIU védelemre vonatkozó követelményeket és garanciákat.

Összességében a jogi és szabályozási környezet egyértelműen a teljes adatéletciklus védelmére ösztönzi a szervezeteket, beleértve a használatban lévő adatok fázisát is. A fejlett DIU védelmi technológiák alkalmazása kulcsfontosságú lehet a jogszabályi megfelelés biztosításában és a súlyos következmények elkerülésében.

A jövő kilátásai és a fejlődési irányok

A használatban lévő adatok védelme dinamikusan fejlődő terület, amelyet folyamatos kutatás, technológiai innováció és a kibertámadások változó természete formál. A jövőben várhatóan még nagyobb hangsúlyt kap ez a terület, ahogy a felhőalapú és elosztott rendszerek, valamint a mesterséges intelligencia alkalmazása tovább terjed.

Kvantumszámítógépek és a DIU

A kvantumszámítógépek potenciálisan forradalmasíthatják a számítástechnikát, de egyben új biztonsági kihívásokat is teremtenek. A jelenlegi titkosítási algoritmusok nagy része (pl. RSA, ECC) sebezhetővé válhat a kvantumalgoritmusokkal szemben. Ez a „kvantum fenyegetés” nem csak a nyugalmi és átviteli állapotban lévő adatokra vonatkozik, hanem a használatban lévő adatokra is, különösen, ha azok titkosítási kulcsai vagy a feldolgozott adatok hosszú távú bizalmasságot igényelnek.

A poszt-kvantum kriptográfia (PQC) olyan új titkosítási algoritmusokat fejleszt, amelyek ellenállnak a kvantumtámadásoknak. Ezeknek az algoritmusoknak a beépítése a TEE-kbe, a homomorf titkosítási rendszerekbe és más DIU védelmi megoldásokba kulcsfontosságú lesz a jövőbeni biztonság szempontjából. Ugyanakkor a kvantumszámítógépek maguk is kínálhatnak megoldásokat, például a kvantumkulcs-elosztás (QKD) révén, amely elméletileg feltörhetetlen kulcsmegosztást tesz lehetővé, bár ez inkább az átvitel alatt lévő adatokra vonatkozik.

AI szerepe a DIU védelemben

A mesterséges intelligencia kétirányú szerepet játszik a használatban lévő adatok védelmében: egyrészt a védendő adatok forrása (CML), másrészt maga is hatékony eszköz lehet a védelemre.

• Fenyegetésészlelés és anomáliafelismerés: Az MI és a gépi tanulás képes elemezni a rendszerek futásidejű viselkedését, a memória-hozzáférési mintázatokat és a processzorhasználatot, hogy valós időben észlelje az anomáliákat és a potenciális támadásokat (pl. memória-dump kísérletek, jogosultság-emelési kísérletek).
• Automatizált incidensreagálás: Az MI-vezérelt rendszerek képesek automatikusan reagálni a DIU-t fenyegető incidensekre, például izolálni a kompromittált folyamatokat vagy leállítani a gyanús tevékenységeket.
• Kiberbiztonsági elemzés: Az MI segíthet azonosítani a szoftveres sebezhetőségeket a kódban, még a telepítés előtt, és előre jelezheti a potenciális támadási vektorokat.

Ipari szabványok és együttműködés

A bizalmas számítástechnika területén a Confidential Computing Consortium (CCC) egy iparági csoport, amely elősegíti a TEE technológiák fejlesztését és elfogadását. Az ilyen együttműködések kulcsfontosságúak a szabványok létrehozásában, az interoperabilitás biztosításában és a bizalmas számítástechnika szélesebb körű elterjedésében. A jövőben további szabványosításra lesz szükség a különböző hardveres TEE-k, a homomorf titkosítási könyvtárak és a biztonságos adatelemzési protokollok közötti kompatibilitás biztosításához.

Folyamatos kutatás és fejlesztés

A kutatás és fejlesztés továbbra is alapvető fontosságú lesz a DIU védelem terén. Ez magában foglalja:

• Teljesítményjavítás: A homomorf titkosítás és a bizalmas számítástechnika teljesítménybeli többletköltségének csökkentése.
• Használhatóság: A DIU védelmi technológiák egyszerűsítése, hogy a fejlesztők és a felhasználók könnyebben alkalmazhassák őket.
• Új támadási vektorok: Az új típusú támadások (pl. a kvantum-alapúak) elleni védelem kutatása.
• Integráció: A DIU védelmi megoldások szorosabb integrációja a meglévő biztonsági keretrendszerekkel (pl. SIEM, SOAR).

Gyakorlati tanácsok és best practice-ek

Bár a használatban lévő adatok védelmére szolgáló technológiák komplexek lehetnek, számos gyakorlati lépést tehetnek a szervezetek a biztonságuk javítása érdekében.

Kockázatfelmérés és adatosztályozás

Minden biztonsági stratégia alapja a részletes kockázatfelmérés. Azonosítani kell, hogy mely adatok minősülnek érzékenynek, hol találhatók, kik férnek hozzájuk, és milyen életciklus-állapotokban (nyugalmi, átviteli, használatban lévő) vannak kitéve a legnagyobb kockázatnak. Az adatosztályozás elengedhetetlen, mivel lehetővé teszi, hogy a legkritikusabb adatokra összpontosítsuk a legszigorúbb védelmi intézkedéseket.

• Azonosítsa az érzékeny adatokat: Mely adatok tartoznak személyes, pénzügyi, egészségügyi vagy üzleti titok kategóriába?
• Térképezze fel az adatfolyamokat: Hol tárolódnak, mozognak és dolgozódnak fel ezek az adatok?
• Értékelje a fenyegetéseket: Milyen típusú támadások (pl. memória-alapú, processzor-sebezhetőségek) jelenthetnek kockázatot a használatban lévő adatokra?
• Határozza meg a kockázati szintet: Az adatok érzékenysége és a fenyegetések valószínűsége alapján állapítsa meg a kockázat mértékét.

Többrétegű védelem (Defense in Depth)

A használatban lévő adatok védelme nem oldható meg egyetlen technológiai megoldással. A többrétegű védelem (defense in depth) elvét kell alkalmazni, amely több, egymást kiegészítő biztonsági réteget foglal magában:

• Hardveres védelem: Használjon olyan hardvereket, amelyek beépített TEE képességekkel rendelkeznek (pl. Intel SGX, AMD SEV).
• Operációs rendszer szintű védelem: Alkalmazza az ASLR, DEP és más memóriavédelmi funkciókat, tartsa naprakészen az OS-t.
• Alkalmazás szintű védelem: Implementáljon biztonságos kódolási gyakorlatokat, használjon RASP megoldásokat, és fontolja meg a homomorf titkosítást, ahol lehetséges.
• Hálózati védelem: Alkalmazza a Zero Trust elveket, mikroszegmentációt és szigorú hozzáférés-szabályozást.
• Adat szintű védelem: Használjon dinamikus adatmaszkolást, tokenizálást, pszeudonimizálást, ahol az adatoknak nem kell nyílt formában megjelenniük.

Rendszeres auditálás és tesztelés

A biztonsági intézkedések hatékonyságának ellenőrzése kulcsfontosságú. A rendszeres auditálás és tesztelés (pl. behatolás-tesztelés, sebezhetőség-vizsgálat) segíthet azonosítani a gyenge pontokat és a potenciális biztonsági réseket, mielőtt a támadók kihasználnák azokat.

• Független biztonsági auditok: Külső szakértők bevonása a rendszerek és folyamatok felülvizsgálatára.
• Behatolás-tesztelés (Penetration Testing): Szimulált támadások végrehajtása a rendszerek ellen, beleértve a memória-alapú támadások és a processzor-sebezhetőségek kihasználására tett kísérleteket.
• Sebezhetőség-vizsgálatok (Vulnerability Scans): Automatikus eszközök használata a ismert sebezhetőségek felderítésére.
• Biztonsági frissítések: Rendszeres frissítések telepítése az operációs rendszerekre, alkalmazásokra és hardveres firmware-re a legújabb biztonsági javítások alkalmazásához.

Munkatársak képzése és tudatosság

Az emberi tényező továbbra is a lánc leggyengébb láncszeme lehet. A munkatársak képzése és a tudatosság növelése elengedhetetlen a használatban lévő adatok biztonságának fenntartásához.

• Adatbiztonsági képzések: Rendszeres képzések a munkatársak számára a legjobb biztonsági gyakorlatokról, a fenyegetésekről és a biztonsági szabályzatokról.
• Adatkezelési protokollok: Világos és egyértelmű protokollok kidolgozása az érzékeny adatok kezelésére, beleértve azok feldolgozását is.
• Incidenskezelési tervek: Képzés az incidensek felismerésére és a rájuk való reagálásra, különös tekintettel a használatban lévő adatokat érintő támadásokra.
• A legkisebb jogosultság elve: Biztosítsa, hogy a munkatársak csak azokhoz az adatokhoz és rendszerekhez férjenek hozzá, amelyek munkájuk elvégzéséhez feltétlenül szükségesek.

Ezeknek a gyakorlati tanácsoknak a bevezetése segíthet a szervezeteknek abban, hogy proaktívan kezeljék a használatban lévő adatokkal kapcsolatos biztonsági kockázatokat, és megerősítsék általános adatvédelmi pozíciójukat a folyamatosan változó kiberfenyegetésekkel szemben.