Memahami Ancaman Low-And-Slow Attacks di Dunia Siber
Saat berbicara tentang keamanan siber, banyak organisasi fokus pada serangan mendadak yang destruktif. Namun, low-and-slow attacks sering kali luput dari perhatian karena sifatnya yang sangat halus. Serangan jenis ini sengaja memecah aktivitas berbahaya menjadi tindakan kecil yang terlihat wajar.
Oleh karena itu, sistem deteksi berbasis ambang batas tradisional sering kali gagal mengenalinya. Setiap langkah yang diambil penyerang tampak sah secara individu, sehingga tidak memicu peringatan keamanan. Artikel ini akan membahas mengapa pola serangan lambat ini sangat sulit dideteksi dan bagaimana Anda bisa melindungi infrastruktur perusahaan.
Mengapa Low-And-Slow Attacks Terlihat Sangat Normal?
Banyak strategi deteksi mengasumsikan bahwa aktivitas jahat selalu muncul sebagai penyimpangan tiba-tiba. Sayangnya, asumsi ini tidak berlaku untuk low-and-slow attacks. Penyerang sering kali menggunakan kredensial yang valid serta akses resmi untuk menyusup ke dalam sistem.
Karena tindakan tersebut dilakukan oleh pengguna yang sah, sistem keamanan cenderung mengabaikannya. Aktivitas ini tetap berada di bawah ambang batas yang ditentukan oleh aturan keamanan. Akibatnya, pola besar dari serangan tersebut tetap tidak terlihat oleh tim keamanan Anda.
Karakteristik Penggunaan yang Disalah
Penyalahgunaan orang dalam (insider misuse) berkembang secara berbeda dari serangan eksternal. Akses pengguna mungkin meluas secara bertahap tanpa melanggar aturan yang ketat. Sebagai contoh, seorang karyawan mungkin mengunduh data dalam jumlah sedikit demi sedikit namun rutin.
Meskipun perilakunya bergeser, tindakan mereka tetap selaras dengan peran dan alat yang disetujui perusahaan. Karena tidak ada aturan statis yang dilanggar, sistem deteksi tradisional tidak akan mengeluarkan alarm bahaya. Inilah alasan utama mengapa aktivitas berbahaya tersebut terus berlanjut tanpa terdeteksi dalam waktu yang lama.
Peran Penting Analisis Perilaku (Behavioral Analytics)
Ketika deteksi hanya berfokus pada kejadian individu, aktivitas low-and-slow attacks tampak persis seperti pekerjaan rutin. Sinyal bahaya baru akan terlihat jika tindakan tersebut dievaluasi secara berurutan dan dalam konteks yang luas.
Di sinilah pentingnya penggunaan User and Entity Behavior Analytics (UEBA). Sistem ini mengevaluasi aktivitas berdasarkan riwayat pengguna, perilaku rekan kerja, dan pola akses. Dengan melihat konteks secara menyeluruh, tim keamanan dapat membedakan antara variasi normal dan ancaman yang sebenarnya.
Akumulasi Pergeseran Perilaku (Behavioral Drift)
Risiko sering muncul melalui apa yang disebut sebagai behavioral drift. Ini adalah kondisi di mana aktivitas pengguna perlahan menjauh dari profil perilaku normal mereka. Meskipun perubahannya kecil secara terisolasi, akumulasinya sangat signifikan jika dilihat sebagai urutan waktu.
Tanpa konteks historis yang berkelanjutan, sistem deteksi sulit mengidentifikasi pergeseran ini. Seringkali, risiko baru terdeteksi setelah dampaknya terasa nyata atau data telah keluar dari sistem. Oleh karena itu, kemampuan untuk melacak perubahan perilaku dari waktu ke waktu menjadi sangat krusial.
Langkah Strategis untuk Pemimpin Keamanan
Pemimpin keamanan harus mengevaluasi kembali bagaimana mereka memproses aktivitas bertahap. Pertanyaan kritis seperti berikut harus menjadi bahan refleksi:
- Bagaimana perubahan kecil dalam perilaku dilacak selama periode tertentu?
- Ambang batas mana yang mengizinkan tindakan berisiko rendah untuk terakumulasi tanpa deteksi?
- Di mana deteksi terlalu bergantung pada penyimpangan mendadak daripada pola progresif?
- Bagaimana cara mengidentifikasi behavioral drift dengan lebih efektif?
Dengan menjawab pertanyaan ini, perusahaan dapat menemukan celah di mana low-and-slow attacks selama ini bersembunyi. Penggabungan antara analisis perilaku, skor risiko dinamis, dan linimasa otomatis adalah kunci untuk menangani masalah ini secara komprehensif.
Menyongsong Masa Depan dengan Agentic Enterprise
Masalah ini menjadi jauh lebih relevan dengan munculnya agentic enterprise. Agen AI kini dapat melakukan tindakan kecil yang sah di berbagai aplikasi dan basis data. Karena setiap tindakan tampak wajar, deteksi tradisional akan semakin sulit dilakukan.
Penerapan Agent Behavior Analytics menjadi solusi yang diperlukan agar tim keamanan dapat mengidentifikasi pergeseran sebelum menjadi dampak nyata. Mengidentifikasi risiko sejak dini memerlukan konteks perilaku yang konsisten dalam jangka panjang.
Kesimpulannya, melawan serangan lambat membutuhkan perubahan pola pikir. Keamanan bukan lagi tentang menangkap satu peristiwa yang melanggar aturan, melainkan memahami narasi perilaku yang terjadi di balik aktivitas yang tampak normal tersebut.
Logrhythm Indonesia merupakan bagian dari PT. iLogo Infralogy Indonesia, yang bertindak sebagai partner resmi Logrhythm. Selain itu, kami juga berperan sebagai penyedia layanan (vendor) sekaligus distributor berbagai produk Infrastruktur IT dan Cybersecurity terbaik di Indonesia.
