Kesalahan manusia dan rekayasa sosial

Pencuri data menggunakan taktik yang menipu orang untuk membagikan data yang seharusnya tidak mereka bagikan. Rekayasa sosial dapat berupa serangan phishing yang meyakinkan karyawan untuk mengirim email berisi data rahasia, atau bisa juga dengan cara yang licik, yaitu dengan meninggalkan flash drive yang terinfeksi malware di tempat yang memungkinkan karyawan untuk menemukannya dan menghubungkannya ke perangkat yang disediakan perusahaan.

Di sisi lain, faktor kesalahan manusia bisa jadi sesederhana meninggalkan ponsel di kasir atau menghapus file secara tidak sengaja.

Ancaman orang dalam

Pengguna yang berwenang—termasuk karyawan, kontraktor, pemangku kepentingan, dan penyedia—dapat menempatkan data dalam risiko karena kecerobohan atau niat jahat.

Orang dalam yang jahat sering kali termotivasi oleh keuntungan pribadi atau keluhan terhadap perusahaan. Ancaman internal dapat terjadi secara tidak disengaja dan sesederhana kecerobohan dalam tidak memperbarui kata sandi, atau sama berbahayanya dengan terungkapnya data perusahaan yang sensitif saat menggunakan AI generatif (gen AI) yang tersedia untuk publik. 
 
Serangan orang dalam yang jahat sering terjadi dan merugikan. Laporan Biaya Pelanggaran Data terbaru dari IBM menemukan bahwa dibandingkan dengan vektor lainnya, serangan orang dalam yang jahat mengakibatkan biaya tertinggi, rata-rata USD 4,99 juta.

Malware 

Ini adalah perangkat lunak yang dibuat khusus untuk membahayakan sistem komputer atau penggunanya. Bentuk malware yang mengancam data yang paling terkenal adalah ransomware, yang mengenkripsi data sehingga tidak dapat diakses dan meminta pembayaran tebusan untuk kunci dekripsi. Terkadang, penyerang bahkan meminta pembayaran kedua untuk mencegah data dieksfiltrasi atau dibagikan ke penjahat siber lainnya.

Ancaman fisik

Bergantung pada seberapa baik data organisasi dicadangkan, kerusakan hard disk drive mungkin menjadi bencana besar. Penyebabnya mungkin benturan atau perangkat lunak yang rusak. Menumpahkan minuman yang menyegarkan di kantor—kopi, teh, soda, atau air—dapat mengakibatkan hubungan arus pendek pada board sistem di PC, dan hampir selalu terjadi pada waktu yang tidak tepat. Gangguan pada catu daya dapat mematikan sistem pada waktu yang tidak tepat atau terburuk, yang kemudian dapat mengganggu penyimpanan pekerjaan atau merusak transmisi.

Kerentanan keamanan

Kerentanan adalah kelemahan atau kekurangan dalam struktur, kode, atau implementasi aplikasi, perangkat, jaringan, atau aset TI lainnya yang dapat dieksploitasi oleh peretas. Ini termasuk kesalahan pengodean, kesalahan konfigurasi, kerentanan zero-day (kelemahan yang tidak diketahui atau belum ditambal) atau perangkat lunak yang kedaluwarsa, seperti versi lama MS Windows.

Pencurian ponsel pintar atau PC

Perangkat digital apa pun yang ditinggalkan tanpa pengawasan—di atas meja, mobil, atau kursi bus—dapat menjadi target yang menggoda dan memberikan pencuri akses ke jaringan dan izin untuk mengakses data. Bahkan jika pencuri hanya ingin menjual peralatan itu untuk mendapatkan uang tunai, organisasi masih akan mengalami gangguan karena harus mematikan akses ke perangkat itu dan menggantinya.

Kredensial yang lemah atau dicuri

Ini termasuk kata sandi yang dapat ditebak dengan mudah oleh peretas, atau kata sandi atau kredensial lain—misalnya, kartu identitas—yang mungkin dicuri oleh peretas atau penjahat siber.

Identifikasi dan klasifikasi data

Pertama, organisasi membuat katalog semua data terstruktur dan tidak terstruktur. 

• Data terstruktur adalah data dengan bentuk standar, seperti nomor kartu kredit. Biasanya diberi label yang jelas dan disimpan dalam basis data.
  
  
• Data tidak terstruktur adalah informasi dalam bentuk bebas, seperti dokumen teks atau gambar, yang mungkin tidak terorganisir dengan rapi dalam basis data pusat. 

Tim keamanan biasanya menggunakan alat DLP untuk memindai seluruh jaringan guna menemukan data di mana pun data tersebut disimpan—di cloud, di perangkat titik akhir fisik, di perangkat pribadi karyawan, dan di tempat lain.  

Selanjutnya, organisasi mengklasifikasikan data ini, menyortirnya ke dalam kelompok berdasarkan tingkat sensitivitas dan karakteristik bersama. Mengklasifikasikan data memungkinkan organisasi untuk menerapkan kebijakan DLP yang tepat pada jenis data yang tepat. 

Sebagai contoh, beberapa organisasi mungkin mengelompokkan data berdasarkan jenisnya, seperti data keuangan, data pemasaran, atau kekayaan intelektual. Organisasi lain mungkin mengelompokkan data berdasarkan peraturan yang relevan, seperti Peraturan Perlindungan Data Umum (GDPR) atau California Consumer Privacy Act (CCPA).

Banyak solusi DLP yang dapat mengotomatiskan klasifikasi data. Alat-alat ini menggunakan AI, machine learning, dan pencocokan pola untuk menganalisis data terstruktur dan tidak terstruktur untuk menentukan jenis data tersebut, apakah data tersebut sensitif atau tidak, dan kebijakan mana yang harus diterapkan.

Pemantauan data

Setelah data diklasifikasikan, tim keamanan memantau cara penanganannya. Alat bantu DLP dapat menggunakan beberapa teknik untuk mengidentifikasi dan melacak data sensitif yang digunakan. Teknik-teknik ini meliputi: 

• Analisis konten, seperti menggunakan AI dan machine learning untuk mengurai pesan email guna mencari informasi rahasia. 
  
  
• Pencocokan data, seperti membandingkan isi file dengan data sensitif yang diketahui. 
  
  
• Mendeteksi label, tag, dan metadata lain yang secara eksplisit mengidentifikasi file sebagai sensitif.Terkadang disebut “sidik jari data.” 
  
  
• Pencocokan file, di mana alat DLP membandingkan hash—identitas file—dari file yang dilindungi.
  
  
• Pencocokan kata kunci, di mana DLP mencari kata kunci yang sering ditemukan dalam data sensitif.
  
  
• Pencocokan pola, seperti mencari data yang mengikuti format tertentu. Misalnya, kartu American Express akan selalu memiliki nomor 15 digit dan dimulai dengan angka “3.” Namun tidak semua nomor itu merupakan angka awal untuk AmEx, sehingga solusi DLP juga dapat mencari nama perusahaan, singkatan, atau tanggal kedaluwarsa di dekatnya.  

Ketika alat DLP menemukan data sensitif, alat ini mencari pelanggaran kebijakan, perilaku pengguna yang tidak normal, kerentanan sistem, dan tanda-tanda lain dari potensi kehilangan data, termasuk:   

• Kebocoran data, seperti pengguna yang mencoba berbagi file rahasia dengan seseorang di luar organisasi. 
  
  
• Pengguna yang tidak memiliki wewenang mencoba mengakses data penting atau melakukan tindakan yang tidak disetujui, seperti mengedit, menghapus, atau menyalin file sensitif. 
  
  
• Tanda tangan malware, lalu lintas dari perangkat yang tidak dikenal, atau indikator aktivitas berbahaya lainnya.

Menerapkan perlindungan data

Ketika solusi DLP mendeteksi pelanggaran kebijakan, solusi tersebut dapat merespons dengan upaya remediasi secara real-time. Contohnya meliputi:  

• Mengenkripsi data saat bergerak melalui jaringan. 
  
  
• Menghentikan akses yang tidak sah ke data.
  
  
• Memblokir transfer yang tidak sah dan lalu lintas berbahaya. 
  
  
• Peringatkan pengguna bahwa mereka melanggar kebijakan. 
  
  
• Menandai perilaku yang mencurigakan untuk ditinjau oleh tim keamanan. 
  
  
• Memicu lebih banyak tantangan autentikasi sebelum pengguna dapat berinteraksi dengan data penting.
  
  
• Menerapkan akses hak istimewa terkecil ke sumber daya, seperti di lingkungan zero-trust.

Beberapa alat DLP juga membantu pemulihan data, secara otomatis mencadangkan informasi sehingga dapat dipulihkan setelah kehilangan.  

Organisasi dapat mengambil langkah-langkah yang lebih proaktif untuk menegakkan kebijakan DLP juga. Manajemen identitas dan akses (IAM) yang efektif, termasuk kebijakan kontrol akses berbasis peran, dapat membatasi akses data kepada orang yang tepat. Melatih karyawan tentang persyaratan keamanan data dan praktik terbaik dapat membantu mencegah kehilangan dan kebocoran data yang tidak disengaja sebelum terjadi. 

Mendokumentasikan dan melaporkan upaya DLP

Alat bantu DLP sering memiliki dasbor dan fitur laporan yang digunakan tim keamanan untuk memantau data sensitif di seluruh jaringan. Dokumentasi ini memungkinkan tim keamanan untuk melacak kinerja program DLP dari waktu ke waktu sehingga kebijakan dan strategi dapat disesuaikan sesuai kebutuhan. 

Alat bantu DLP juga dapat membantu organisasi mematuhi peraturan yang relevan dengan menyimpan catatan upaya keamanan data mereka. Jika ada serangan siber atau audit, organisasi dapat menggunakan catatan ini untuk membuktikan bahwa organisasi telah mengikuti prosedur penanganan data yang tepat. 

Lingkungan cloud hybrid dan multicloud

Banyak organisasi sekarang menyimpan data on premises dan di beberapa cloud, bahkan mungkin di beberapa negara. Langkah-langkah ini mungkin menambah fleksibilitas dan penghematan biaya, tetapi mereka juga meningkatkan kompleksitas melindungi data itu.

Sebagai contoh, Laporan Biaya Pelanggaran Data menemukan bahwa 40% pelanggaran terjadi pada organisasi yang menyimpan data mereka di berbagai lingkungan.

AI Generatif

Model bahasa besar (LLM), menurut definisi, besar, dan mereka mengkonsumsi sejumlah besar data yang harus disimpan, dilacak, dan dilindungi oleh organisasi dari ancaman seperti injeksi cepat. Gartner telah melakukan forecasting bahwa “Pada tahun 2027, 17% dari total serangan siber/kebocoran data akan melibatkan AI generatif.”¹

Peningkatan regulasi

Dengan pelanggaran data besar dan penyalahgunaan media sosial, muncul seruan untuk regulasi pemerintah dan industri, yang dapat menambah kompleksitas sistem dan verifikasi kepatuhan. Perkembangan terbaru seperti Undang-Undang AI UE dan rancangan aturan CCPA tentang AI memberlakukan beberapa aturan perlindungan dan privasi data yang paling ketat hingga saat ini.  

Tenaga kerja mobile dan pekerjaan jarak jauh

Mengelola data dalam gedung atau jaringan lebih sederhana dibandingkan menyediakan akses sistem ke tenaga kerja mobile atau pekerja jarak jauh, di mana masalah komunikasi dan akses melipatgandakan upaya yang diperlukan dari staf TI.

Selain itu, pekerja jarak jauh terkadang memiliki banyak perusahaan atau kontrak, sehingga “kondisi yang berbeda“ dapat menciptakan lebih banyak kebocoran data. Gartner memprediksi bahwa “pada akhir tahun 2026, demokratisasi teknologi, digitalisasi, dan otomatisasi pekerjaan akan meningkatkan total pasar yang tersedia untuk pekerja jarak jauh dan hybrid sepenuhnya menjadi 64% dari semua karyawan, naik dari 52% pada tahun 2021.“¹

TI bayangan dan data bayangan

Dengan semakin banyak karyawan menggunakan perangkat keras dan perangkat lunak pribadi di tempat kerja, TI bayangan yang tidak terkelola ini menciptakan risiko besar bagi organisasi.

Karyawan mungkin berbagi file pekerjaan di akun penyimpanan cloud pribadi, rapat di platform konferensi video yang tidak resmi, atau membuat obrolan grup tidak resmi tanpa persetujuan TI. Versi pribadi Dropbox, Google Drive, dan Microsoft OneDrive mungkin membuat masalah keamanan bagi tim TI.

Organisasi juga menghadapi peningkatan data bayangan—yaitu data dalam jaringan perusahaan yang tidak diketahui atau dikelola oleh departemen TI. Proliferasi data bayangan merupakan kontributor utama pelanggaran data. Menurut Laporan Biaya Pelanggaran Data, 35% pelanggaran melibatkan data bayangan.