Generatiivisen tekoälyn vaikutus kyberhyökkäysprosessien evoluutioon

Summarise with VIRAT
Authors: Chris Kiuru
Cited by: 0

Summary

No summary yet. VIRAT can read this paper and write a plain-language summary of its aim, methods, key findings and limitations.

Summarise with VIRAT Free to try with your Science Catalogs account.

Abstract

Tämän opinnäytetyön tavoitteena oli selvittää, miten generatiivinen tekoäly muuttaa kyberhyökkäysten toteuttamista, skaalautuvuutta ja tehokkuutta. Aihe on erittäin ajankohtainen, sillä tekoälyteknologioiden nopea kehitys on luonut uudenlaisia uhkakuvia tietoturvakenttään ja muuttanut perinteisiä käsityksiä hyökkääjien suorituskyvystä. Opinnäytetyön tietoperusta muodostuu kyberhyökkäyksen viitekehyksistä, kuten Cyber Kill Chain -mallista ja MITRE ATT&CK -tietokannasta. Näiden avulla työssä analysoitiin hyökkäyksen eri vaiheita tiedonkeruusta aina kohteen tietoturvaloukkaukseen saakka. Lisäksi tietoperustassa käsitellään generatiivisen tekoälyn keskeisiä menetelmiä, kuten suuria kielimalleja ja dynaamista koodin generointia. Tutkimus toteutettiin laadullisena kirjallisuuskatsauksena keväällä 2026. Aineistona käytettiin tuoreita kansainvälisiä asiantuntijaraportteja, tieteellisiä artikkeleita sekä kyberturvallisuusorganisaatioiden julkaisuja. Synteesin avulla muodostettiin kokonaiskuva siitä, miten tekoäly vaikuttaa hyökkäysprosessin eri vaiheisiin. Tulokset osoittavat, että generatiivinen tekoäly madaltaa merkittävästi kynnystä monimutkaisten hyökkäysten toteuttamiseen poistamalla teknisiä ja kielellisiä esteitä. Erityisesti sosiaalinen manipulointi on tehostunut automatisoidun ja virheettömän kielenkäytön myötä. Teknisellä tasolla tekoäly mahdollistaa dynaamisesti muuttuvan haittaohjelmakoodin luomisen, mikä tekee perinteisistä, allekirjoituspohjaisista suojausmenetelmistä tehottomia. Työn johtopäätöksenä todetaan, että organisaatioiden on siirryttävä staattisista suojauksista dynaamiseen, tekoälypohjaiseen uhkien tunnistamiseen ja päivitettävä henkilöstön tietoturvakoulutusta vastaamaan uusia uhkakuvia.

Fields of Study & Subjects

Cybersecurity and Cyber Warfare Studies Adversarial Robustness in Machine Learning Information and Cyber Security

Publication details

Journal / source
Theseus (Ammattikorkeakoulujen)
Publication date
1 January 2026
Language
FI
Document type
Thesis