A medida que la transformación digital sigue floreciendo y aumenta la adopción de la nube, seguimos viendo cómo surgen retos en lo que respecta a las soluciones DLP tradicionales.
Dejando a un lado la complejidad arquitectónica y operativa y el elevado costo que conlleva la DLP tradicional, los profesionales reconocen que las herramientas existentes no son capaces de seguir el ritmo. De hecho, las prácticas empresariales modernas de trabajo híbrido, junto con un número cada vez mayor de aplicaciones SaaS (aumento del 35% en el número de aplicaciones en uso en 2022) y datos que ya no se encuentran en un centro de datos local, dejan claro que el paradigma ha cambiado. Las soluciones DLP tradicionales se están quedando rápidamente ciegas, ya que fueron diseñadas para un mundo centrado en el perímetro.
Para encontrar el camino a seguir, analicemos en profundidad algunas de las principales deficiencias de las soluciones DLP tradicionales y cómo debe evolucionar la DLP para mantener a salvo a las organizaciones y sus datos sensibles.
Dificultades para soportar el trabajo en la nube e híbrido
Debido a que las soluciones tradicionales de DLP se diseñaron como soluciones locales y se anclaron en su infraestructura local, no se extienden naturalmente a los canales en la nube. Al principio, los proveedores de DLP encontraron una solución para el descubrimiento de datos en la nube a través de burdas integraciones ICAP con soluciones CASB, pero esto creó las primeras grandes limitaciones arquitectónicas, entre las que se incluyen:
- Entornos tecnológicos inconexos
- Políticas difíciles de conciliar
- Aplicación diferente de las políticas
- Consolas separadas
- Latencia considerable para aplicar las protecciones
Los servicios de detección en la nube con conectores API REST ofrecían otro enfoque para conectar las soluciones DLP locales y CASB. Pero este método sólo solucionaba algunos de los problemas, en lugar de ofrecer una solución real a largo plazo.
Es más, los riesgos para los datos no han hecho más que aumentar a medida que nos adentramos en un entorno de trabajo cada vez más híbrido.
El trabajo híbrido ha dado lugar a organizaciones muy distribuidas, con sucursales que surgen en todo el mundo a medida que continúan expandiendo su negocio. Y como resultado, este crecimiento ha dejado a las organizaciones con la carga de tener que lidiar con una infraestructura DLP en expansión, atada a dependencias locales y componentes de hardware como proxies, bases de datos, servidores, etc. Intentar proporcionar cobertura con herramientas de DLP tradicionales se ha convertido en una pesadilla para muchos profesionales, ya que lo más probable es que la arquitectura local deba replicarse en todas las sucursales.
Para colmo, un enfoque tradicional carece de la cobertura adecuada para los empleados remotos que se conectan directamente a los recursos corporativos en las instalaciones locales y en la nube, así como a aplicaciones SaaS de riesgo, dispositivos BYOD personales no gestionados que pueden conectarse a activos corporativos e incluso dispositivos IoT que acceden a datos confidenciales. También requiere que los usuarios remotos mantengan encendida su conexión VPN cuando trabajen fuera de la oficina. Sin los controles y herramientas adecuados, las organizaciones están exponiendo sus datos sensibles a un riesgo significativo de filtración de datos no detectada.
Extensión insostenible e incapacidad para escalar
Además de las dificultades relacionadas con el soporte de la nube y el trabajo híbrido, los datos también han evolucionado significativamente, aumentando no sólo en volumen, sino también en variedad y velocidad. La información confidencial puede estar embebida en formatos más desestructurados, como imágenes y capturas de pantalla (a menudo tomadas con mala calidad de imagen) que se almacenan y comparten en la nube o fluyen a través de mensajes de correo electrónico, comunicaciones asíncronas en aplicaciones de colaboración como Slack y Teams, y subidas a instancias personales de aplicaciones SaaS corporativas (es decir, OneDrive personal frente a OneDrive corporativo). A medida que los datos confidenciales se vuelven más difíciles de identificar, se vuelven más difíciles de proteger.
En un mundo híbrido, las soluciones tradicionales no pueden escalar a la velocidad de la nube y tienen dificultades para seguir el ritmo de los nuevos casos de uso, la nueva legislación sobre privacidad de datos y los requisitos normativos. No están equipadas para ingerir y procesar cantidades crecientes de información ni para aprovechar modelos sofisticados de aprendizaje automático e inteligencia artificial, al menos no sin añadir más potencia de computación mediante servidores de detección adicionales, bases de datos más grandes y agentes de punto final voluminosos. Este enfoque, además de ser muy costoso, acaba ralentizando otros procesos de computación. Por lo tanto, muchos casos de uso, como el reconocimiento avanzado de imágenes, la correlación de información basada en el contexto a partir de muchos vectores de riesgo, la detección avanzada basada en puntos finales y la toma de huellas dactilares digitales de archivos y conjuntos de datos de gran tamaño, siguen siendo irresolubles para las organizaciones que todavía intentan hacer funcionar la solución DLP tradicional.
Además, las actualizaciones de software de las soluciones de DLP tradicionales son una pesadilla. Es notorio que estas actualizaciones llevan meses o incluso años y mucho trabajo manual para pasar de una versión a la siguiente, sin tener en cuenta los posibles errores del sistema y la posible pérdida de datos y configuraciones. Como resultado, las organizaciones suelen retrasarse en las actualizaciones de versiones de DLP y no utilizan las protecciones más recientes (como identificadores de datos más recientes, métodos de detección más recientes, políticas de cumplimiento normativo más recientes, etc.) debido a las actualizaciones largas y que requieren muchos recursos.
Cantidad abrumadora de falsos positivos sin el contexto adecuado
Con los datos confidenciales residiendo y trasladándose a más entornos fuera de la red del centro de datos gestionado y la cantidad de datos en constante crecimiento, el número de incidentes ha crecido hasta tal punto que ahora es casi imposible para el equipo de respuesta frente a incidentes clasificar y remediar cada incidente con el nivel adecuado de análisis y comprensión. El enorme número de falsos positivos que inundan a los equipos de respuesta frente a incidentes—miles o cientos de miles de alertas al día—exigen una atención directa, pero hay que pasarlos por alto por falta de tiempo y ancho de banda. Como resultado, los equipos de respuesta frente a incidentes se han ampliado en consecuencia a un alto costo.
Las herramientas de automatización y orquestación como UEBA han llegado para ayudar, ayudando a ingerir las alertas y a encontrar una forma más optimizada de remediarlas en masa. UEBA es una herramienta eficaz en simbiosis con DLP, pero el modelo UEBA por sí solo no es sostenible si la DLP es cada vez más imprecisa y sus lagunas cada vez mayores. Se necesita más.
En un esfuerzo por ofrecer un mejor contexto, DLP debe convertirse en una plataforma de protección de datos de confianza cero totalmente integrada, capaz de ingerir y utilizar información de cualquier fuente de seguridad y traducirla en recomendaciones de políticas procesables y reglas inteligentes de respuesta frente a incidentes. La verificación continua de factores contextuales sobre el usuario, ya sea la confianza en el dispositivo, la confianza en el comportamiento, la confianza en la aplicación o la geolocalización, permite una respuesta adaptativa y precisa a la hora de confiar en un usuario.
Aunque estas deficiencias están causando sin duda problemas a los profesionales de la seguridad, hay un camino a seguir. El nuevo libro blanco “Por qué debería y cómo puede alejarse de los programas DLP existentes” ofrece estrategias prácticas sobre cómo puede evolucionar su programa DLP tradicional para proteger mejor los datos confidenciales de su organización al tiempo que reduce los costos y mejora la eficiencia.
