Swimlane přidává do Turbine vlastní detekci hrozeb pomocí AI a obousměrnou podporu MCP

Analytik kybernetické bezpečnosti s podporou AI může rychle prošetřit výstrahu, nemůže však vyšetřovat varování, které nikdy nebylo vytvořeno. Swimlane chce tuto mezeru zaplnit novými možnostmi detekce definovanými zákazníky ve své platformě Turbine. Bezpečnostním týmům umožní používat vlastní logiku na provozní data a vzniklé výstrahy posílat přímo do Swimlane AI SOC.

Vydání z 28. října přináší také obousměrnou podporu Model Context Protocol (MCP) a agenta Hero AI Application Builder Agent. Tyto novinky společně rozšiřují automatizační platformu společnosti o tři propojené úkoly: určování, která aktivita si zaslouží prošetření, propojování agentů s nástroji a vytváření aplikací podporujících bezpečnostní pracovní postupy.

Společnost Swimlane uvádí, že tyto funkce jsou obecně dostupné. Oznámení je představuje jako doplněk stávající bezpečnostní infrastruktury, včetně systémů pro správu bezpečnostních informací a událostí (SIEM), detekci a reakci na koncových zařízeních (EDR) a nástrojů pro zabezpečení cloudu.

Bezpečnostní týmy rozhodují, co se stane výstrahou

Mnoho produktů AI SOC se zaměřuje na třídění, vyšetřování a reakci poté, co detekční systém identifikuje podezřelé chování. Toto rozdělení úkolů je problematičtější, když organizace nasazují nové agenty, asistenty, lokální modely a servery MCP rychleji, než je zavedené detekční produkty dokážou podporovat.

Společnost může potřebovat prošetřit odeslání citlivých informací do neautorizované služby AI, neočekávané použití lokálního modelu, vypnutou ochrannou pojistku nebo situaci, kdy agent spotřebovává zdroje výrazně nad rámec svého plánovaného rozpočtu. Některé z těchto okolností se odvíjejí od zásad a prostředí konkrétní organizace, nejde tedy o univerzální vzorec, který by dodavatel mohl stanovit předem.

Nové funkce platformy Turbine umožňují týmům spouštět vlastní detekční logiku nad daty dostupnými této platformě. Společnost Swimlane uvádí, že jediná operace s velkými objemy dat dokáže vyhodnotit desítky tisíc záznamů napříč paralelními výpočetními uzly a poté předat výstrahu do AI SOC k prošetření a řízené reakci.

Tato architektura přibližuje detekční logiku automatizaci, která na základě jejích výsledků jedná. Tým může místo samostatné identifikace situace a ručního sestavování dalších kroků propojit pravidlo specifické pro svou organizaci se stávajícím pracovním postupem pro vyšetřování. Užitečnost každé detekce však stále závisí na tom, zda jsou příslušné aktivity zachyceny v datech, ke kterým má Turbine přístup.

„Bezpečnostní odvětví poslední dva roky diskutuje o tom, nakolik autonomně může AI zpracovávat výstrahy. Tím se ale pomíjí ještě základnější otázka: odkud se výstraha vzala?“ uvedl Cody Cornell, spoluzakladatel a generální ředitel společnosti Swimlane.

Vydání popisuje také tvorbu detekčních pravidel s podporou AI. Týmy mohou popsat, jakou detekci potřebují, a při její tvorbě využít funkce Turbine pro generování scénářů automatizace. Vygenerovat příslušnou logiku a ověřit, že spolehlivě identifikuje zamýšlené chování, jsou však dva odlišné úkoly: pravidla specifická pro danou organizaci musí odpovídat datům, oprávněním a podmínkám prostředí, ve kterém se používají.

Vyšetřování systémů AI jako možného zdroje incidentů

Společnost Swimlane tyto scénáře označuje jako detekci a reakci v oblasti AI neboli AIDR: samotný systém AI se stává předmětem incidentu. To se liší od pouhého použití modelu AI k vytvoření souhrnu běžného phishingového upozornění nebo výstrahy z koncového zařízení.

Rozdíl dobře ilustruje podstrčení škodlivých pokynů do promptu. Agent se může setkat s instrukcemi vloženými do obsahu, který zpracovává, a vystavit se tak riziku, že jeho chování ovlivní externí materiál. Užitečné vyšetřování může vyžadovat prověření vstupů agenta, jeho práce s nástroji i následných akcí, nikoli pouze hledání známého indikátoru malwaru.

Podobně může neočekávaný prudký nárůst výdajů signalizovat poruchu agenta nebo jeho nesprávné nasměrování, aniž by připomínal tradiční průnik do systému. Logika definovaná zákazníkem umožňuje týmům určit, co je v jejich vlastním nasazení neobvyklé, pokud jsou k dispozici potřebné signály o využití a provozu.

Oznámený rozsah zpracování je údajem společnosti, nikoli zveřejněným srovnávacím testem schopnosti detekovat všechny formy podstrčení škodlivých pokynů do promptu nebo neoprávněného použití AI. Praktickou změnou je, že týmy získávají další způsob, jak vlastní pozorování proměnit v případy, které lze řešit, vedle výstrah poskytovaných zavedenými bezpečnostními produkty.

MCP propojuje agenty a automatizaci oběma směry

MCP poskytuje společné rozhraní, které aplikacím AI umožňuje používat nástroje. Říjnové vydání Swimlane podporuje obě strany tohoto propojení.

V roli hostitele MCP umožňuje Turbine systému Hero AI připojovat se k serverům MCP třetích stran a používat jejich nástroje při vyšetřování a v automatizačních scénářích, přičemž autentizace a řízení přístupu jsou spravovány centrálně. Bezpečnostní pracovní postup tak může vedle stávajících integrací přes API využívat i externí funkce kompatibilní s MCP.

V roli serveru MCP zpřístupňuje Turbine externím klientům AI automatizaci podléhající řízení přístupu. Oznámení uvádí jako příklady klientů, které mohou v rámci stávajícího řízení přístupu založeného na rolích spouštět komponenty Turbine včetně vícekrokových scénářů automatizace, produkty Claude, ChatGPT, Cursor, Gemini CLI a Microsoft Copilot.

Toto rozlišení má zásadní význam. V prvním případě agent Swimlane kontaktuje jiný systém. Ve druhém může externí asistent spustit schválený pracovní postup v Turbine. Propojení asistenta se zavedeným scénářem umožňuje podniku znovu využít stávající automatizaci a oprávnění, místo aby provozní proces vytvářel znovu v každém klientovi AI.

Swimlane uvádí, že Turbine dokáže kombinovat nástroje MCP s běžnými rozhraními API. Díky tomu je toto vydání relevantní pro prostředí, kde MCP podporují pouze některé systémy: týmy mohou tento protokol začlenit do širšího pracovního postupu, aniž by musely najednou měnit všechny stávající integrace.

Tvorba bezpečnostních aplikací s kontrolou člověkem

Agent Hero AI Application Builder řeší další zdroj práce: konfiguraci struktur záznamů, rozvržení a pracovních postupů, které vyžaduje nový bezpečnostní případ použití. Uživatelé přirozeným jazykem popíší, co potřebují, a agent vytvoří nebo upraví odpovídající aplikaci.

Podle oznámení zůstávají vygenerované změny neuložené, dokud je člověk nezkontroluje. Změny jsou zvýrazněné a uživatelé je mohou před uložením přijmout nebo odmítnout. Tento krok schválení je důležitý, protože struktura aplikace může ovlivnit, jak analytici zaznamenávají důkazy, přesouvají případy mezi jednotlivými fázemi a provádějí reakci.

Nový agent rozšiřuje širší portfolio Hero AI. Produktové materiály Swimlane popisují stávající agenty pro příjem dat, generování scénářů, vizualizace a vyšetřování, stejně jako možnost vybírat modely pro jednotlivé agenty. Tvorba aplikací rozšiřuje tuto podporu na provozní pracovní prostředí, v němž se tyto úkoly provádějí.

Spojení uvažování AI s předvídatelnou automatizací

Tyto novinky se začleňují do směrovacího modelu Swimlane AI SOC, který podle potřebné úrovně uvažování směruje práci mezi deterministickou automatizaci, vyšetřování s podporou AI a vyšetřování plně řízené agenty. Zavedené scénáře mohou zpracovávat známé kroky, zatímco složitější případy mohou využít vyšetřování řízené agenty a kontrolu člověkem.

To je důležitá součást návrhu produktu: pracovní postup nemusí posílat každý úkol přes model. Známá posloupnost reakcí může zůstat běžnou automatizací, zatímco agent pomůže interpretovat neznámé důkazy nebo sestavit plán vyšetřování.

Detekce definovaná zákazníkem přidává do tohoto provozního modelu ještě jedno dřívější rozhodnutí: co má celý proces vůbec spustit? Bezpečnostním týmům, které zavádějí AI napříč svou organizací, nabízí říjnové vydání způsob, jak propojit vlastní znalost přijatelného chování s nástroji, které vyšetřují a reagují, když se aktivita od tohoto chování odchýlí.