Aditya K Sood, VP for Sikkerhedsingeniør og AI-strategi, Aryaka – Intervieuserie

Aditya K Sood (Ph.D) er VP for Sikkerhedsingeniør og AI-strategi hos Aryaka. Med mere end 16 års erfaring giver han strategisk ledelse i informations sikkerhed, der dækker produkter og infrastruktur. Dr. Sood er interesseret i kunstig intelligens (AI), cloud-sikkerhed, malware-automatisering og analyse, applikationssikkerhed og sikker software-design. Han har skrevet flere artikler til forskellige magasiner og tidsskrifter, herunder IEEE, Elsevier, Crosstalk, ISACA, Virus Bulletin og Usenix.

Aryaka tilbyder netværks- og sikkerheds løsninger, herunder Unified SASE som en tjeneste. Løsningen er designet til at kombinere ydeevne, fleksibilitet, sikkerhed og enkelhed. Aryaka understøtter kunder i forskellige faser af deres sikre netadgangsrejse, hvor de hjælper med at modernisere, optimere og transformere deres netværks- og sikkerheds miljøer.

Kan du fortælle os mere om din rejse i cybersikkerhed og AI og hvordan det har ført dig til din nuværende rolle hos Aryaka?

Min rejse inden for cybersikkerhed og AI begyndte med en fascination for teknologiens potentiale til at løse komplekse problemer. Tidligt i min karriere fokuserede jeg på cybersikkerhed, trussels-intelligence og sikkerheds-ingeniørarbejde, som gav mig en solid grund i forståelse af, hvordan systemer interagerer og hvor sårbarheder kan ligge. Denne eksponering førte naturligt til, at jeg dykkede dybere ind i cybersikkerhed, hvor jeg erkendte den kritiske vigtighed af at beskytte data og netværk i en stadig mere sammenknyttet verden. Da AI-teknologier opstod, så jeg deres enorme potentiale for at transformere cybersikkerheden – fra automatisering af trusselsdetektion til prædiktiv analyse.

At blive en del af Aryaka som VP for Sikkerhedsingeniør og AI-strategi var en perfekt match på grund af deres lederskab inden for Unified SASE som en tjeneste, cloud-først WAN-løsninger og innovationsfokus. Min rol giver mig mulighed for at kombinere min passion for cybersikkerhed og AI for at løse moderne udfordringer som sikker hybrid-arbejde, SD-WAN-optimering og realtids-trusselsstyring. Aryakas kombination af AI og cybersikkerhed giver organisationer mulighed for at holde sig foran trusler samtidig med, at de leverer exceptionel netværksydeevne, og jeg er begejstret for at være en del af denne mission.

Hvordan ser du AI forandre sigkerhedslandskabet i de næste få år?

 AI står på randen af at transformere sikkerhedslandskabet, hvilket vil aflaste os for byrden af rutineopgaver og give os mulighed for at fokusere på mere komplekse udfordringer. Dets evne til at analysere enorme datamængder i realtid giver sikkerhedssystemer mulighed for at identificere anomalier, mønstre og nye trusler med en hastighed, der overgår menneskelige evner. AI/ML-modeller udvikler sig kontinuerligt og forbedrer deres nøjagtighed i detektion og afværning af avancerede, vedvarende trusler (APTs) og zero-day-sårbarheder. Derudover er AI på vej til at revolutionere incidentrespons (IR) ved at automatisere gentagne og tidskritiske opgaver, såsom isolation af kompromitterede systemer eller blokering af skadelig aktivitet, hvilket reducerer respons tid og begrænser potentiel skade. Endelig vil AI hjælpe med at brokke sikkerhedsfællesskabskøen ved at automatisere rutineopgaver og forbedre menneskelig beslutningstagning, hvilket giver sikkerhedsteams mulighed for at fokusere på mere komplekse udfordringer.

Imidlertid udnytter modstandere hurtigt de samme evner, der gør AI til et kraftfuldt forsvarsværktøj. Cyberkriminelle bruger AI til at udvikle mere avancerede trusler, såsom deepfake-phishing-angreb, adaptiv social engineering og AI-drevet malware. Denne trend vil føre til en “AI-våbenkapløb”, hvor organisationer må kontinuerligt innovere for at holde trit med disse udviklende trusler.

Hvad er de vigtigste netværksudfordringer, som virksomheder står over for, når de implementerer AI-applikationer, og hvorfor tror du, disse problemer bliver mere kritiske?

Da virksomheder går ind i AI-applikationer, står de over for akutte netværksudfordringer. De krævende AI-arbejdslaster, der indebærer overførsel og behandling af enorme datamængder i realtid, især for behandling og læring, skaber en umiddelbar behov for høj båndbredde og ultra-lav latency. For eksempel afhænger realtids AI-applikationer som autonome systemer eller prædiktiv analyse af øjeblikkelig dataprocessing, hvor selv den mindste forsinkelse kan forstyrre resultaterne. Disse krav overstiger ofte kapaciteten af traditionelle netværksinfrastrukturer, hvilket fører til hyppige ydeevnebottleneck.

Skalbarhed er en kritisk udfordring i AI-implementationer. AI-arbejdslasters dynamiske og uforudsigelige natur kræver netværk, der kan tilpasse sig hurtigt til ændrede ressourcekrav. Virksomheder, der implementerer AI på tværs af hybrid- eller multi-cloud-miljøer, står over for tilføjet kompleksitet, da data og arbejdslaster er fordelt på forskellige lokaliteter. Behovet for ubrudt dataoverførsel og skalering på tværs af disse miljøer er tydeligt, men kompleksiteten ved at opnå dette uden avancerede netværksløsninger er lige så tydelig. Pålidelighed er også afgørende – AI-systemer understøtter ofte mission-kritiske opgaver, og selv mindre downtime eller data-tab kan føre til betydelige forstyrrelser eller fejl i AI-udgangene.

Sikkerhed og dataintegritet komplicerer yderligere AI-implementationer. AI-modeller afhænger af enorme mængder følsomme data til træning og inferens, hvilket gør sikker dataoverførsel og beskyttelse mod brud eller manipulation til en top-prioritet. Denne udfordring er særligt akut i brancher med strenge krav til overholdelse, såsom sundheds- og finanssektoren, hvor organisationer skal opfylde regulatoriske krav sammen med ydeevnebehov.

Da virksomheder i stigende grad adopterer AI, bliver disse netværksudfordringer mere kritiske, hvilket understreger behovet for avancerede, AI-klare netværksløsninger, der tilbyder høj båndbredde, lav latency, skalbarhed og robust sikkerhed.

Hvordan løser Aryakas platform de øgede båndbredde- og ydeevnekrav til AI-arbejdslaster, især i forvaltning af den belastning, der skyldes dataforsendelse og behovet for hurtig beslutningstagning?

Aryakas platform er unikt udviklet til at løse de øgede båndbredde- og ydeevnekrav til AI-arbejdslaster. Bevægelsen af store datamængder mellem fordelt lokalitet, såsom edge-enheder, datacentre og cloud-miljøer, belaster ofte traditionelle netværk betydeligt. Aryakas løsning giver lettelse ved dynamisk at dirigere trafik over de mest effektive og tilgængelige ruter, udnyttende multiple forbindelsesmuligheder til at optimere båndbredde og reducere latency.

En af de væsentlige fordele ved Aryakas løsning er dens evne til at prioritere kritisk AI-relateret trafik via applikations-orienteret routing. Ved at identificere og prioritere latency-følsomme arbejdslaster, såsom realtidsdataanalyse eller maskinlæringsmodel-inferens, sikrer Aryaka, at AI-applikationer modtager de nødvendige netværksressourcer til hurtig beslutningstagning. Derudover understøtter Aryakas løsning dynamisk båndbredde-allokering, hvilket giver virksomheder mulighed for at skala ressourcer op eller ned baseret på AI-arbejdslastkrav, forhindrer bottleneck og sikrer konstant ydeevne, selv under toppen af brug.

Desuden giver Aryakas platform proaktiv overvågning og analytics-kapaciteter, der giver synlighed i netværksydeevne og AI-arbejdslastadfærd. Denne proaktive tilgang giver virksomheder mulighed for at identificere og løse ydeevneproblemer, før de påvirker drift af AI-systemer, og sikrer ubrudt drift. Kombineret med avancerede sikkerhedsfunktioner som CASB, SWG, FWaaS, end-to-end-kryptering, ZTNA og andre, beskytter Aryakas platform integriteten af AI-data.

Hvordan introducerer AI-adoption nye sårbarheder eller angrebsflader inden for virksomhedens netværk?

AI-adoption introducerer nye sårbarheder og angrebsflader inden for virksomhedens netværk på grund af de unikke måder, AI-systemer opererer og interagerer med data på. En væsentlig risiko kommer fra de enorme mængder følsomme data, som AI-systemer kræver til træning og inferens. Hvis disse data bliver aflyttet, manipuleret eller stjålet under overførsel eller lagring, kan det føre til brud, model-korruption eller overholdelseskrænkelser. Derudover er AI-algoritmer sårbare over for modstanderangreb, hvor maliciøse aktører introducerer omhyggeligt designede input (f.eks. ændrede billeder eller data) til at forføre AI-systemer til at træffe forkerte beslutninger. Disse angreb kan kompromittere kritiske applikationer som svindel-detection eller autonome systemer, hvilket kan føre til alvorlige operationelle eller omdømmesskader. AI-adoption introducerer også risici relateret til automatisering og beslutningstagning. Maliciøse aktører kan udnytte automatiserede beslutningssystemer ved at føde dem falske data, hvilket kan føre til uventede resultater eller operationelle forstyrrelser.

En anden udfordring opstår fra kompleksiteten og den fordelt natur af AI-arbejdslaster. AI-systemer indebærer ofte interne komponenter på tværs af edge-enheder, cloud-platforme og infrastruktur. Dette komplekse netværk af interne forbindelser udvider angrebsfladen betydeligt, da hvert element og kommunikationsforbindelse repræsenterer en potentiel indgangspunkt for angribere. At kompromittere en edge-enhed, for eksempel, kunne give mulighed for lateral bevægelse på tværs af netværket eller give en vej til at manipulere data, der behandles eller overføres til centraliserede AI-systemer. Derudover kan usikrede API’er, ofte brugt til integration af AI-applikationer, eksponere sårbarheder, hvis de ikke beskyttes tilstrækkeligt.

Da virksomheder i stigende grad afhænger af AI til mission-kritiske funktioner, bliver konsekvenserne af disse sårbarheder mere alvorlige, hvilket understreger behovet for robuste sikkerhedsforanstaltninger. Organisationer må handle hurtigt for at løse disse udfordringer, såsom adversarial træning af AI-modeller, sikring af data-pipelines og adoption af zero-trust-arkitekturer til at beskytte AI-drevne miljøer.

Hvilke strategier eller teknologier implementerer du på Aryaka for at løse disse AI-specifikke sikkerhedsrisici?

Aryakas platform bruger end-to-end-kryptering til data under overførsel og i hvile til at sikre de enorme mængder følsomme data, som AI-systemer afhænger af. Disse foranstaltninger beskytter AI-data-pipelines, forhindrer aflytning eller manipulation under overførsel mellem edge-enheder, datacentre og cloud-tjenester. Dynamisk trafik-routing forbedrer yderligere sikkerhed og ydeevne ved at dirigere AI-relateret trafik over sikre og effektive ruter, samtidig med at kritiske arbejdslaster prioriteres for at minimere latency og sikre pålidelig beslutningstagning.

Aryakas AI Observe-løsning overvåger netværkstrafik ved at analysere logs for mistænkelig aktivitet. Centraliseret synlighed og analytics, som Aryaka giver, giver organisationer mulighed for at overvåge sikkerheden og ydeevnen af AI-arbejdslaster, proaktivt identificerer potentielle maliciøse handlinger og risikofyldt adfærd forbundet med slutbrugere, herunder kritiske servere og værter. AI Observe bruger AI/ML-algoritmer til at udløse sikkerheds-incident-notifikationer baseret på alvoren, beregnet ved hjælp af forskellige parametre og variable til beslutningstagning.

Aryakas AI>Secure inline-netværksløsning, der kommer i anden halvdel af 2025, giver organisationer mulighed for at dissekere trafikken mellem slutbrugere og AI-tjeneste-endpoints (ChatGPT, Gemini, copilot osv.) for at afsløre angreb som prompt-injektioner, informationslækage og abuse-guardrails. Derudover kan strikte politikker gennemføres for at begrænse kommunikation med ikke-godkendte og sanktionerede GenAI-tjenester/applikationer. Desuden løser Aryaka AI-specifikke sikkerhedsrisici ved at implementere avancerede strategier, der kombinerer netværk og robuste sikkerhedsforanstaltninger. En kritisk tilgang er adoptionen af Zero Trust Network Access (ZTNA), der gennemfører streng verificering for hver bruger, enhed og applikation, der forsøger at interagere med AI-arbejdslaster. Det er afgørende i distribuerede AI-miljøer, hvor arbejdslaster spænder over edge-enheder, cloud-platforme og on-premises-infrastruktur, hvilket gør dem sårbare over for uautoriseret adgang og lateral bevægelse af angribere.

Ved at anvende disse omfattende foranstaltninger hjælper Aryaka virksomheder med at sikre deres AI-miljøer mod udviklende risici, samtidig med at de giver mulighed for skalerbar og effektiv AI-implementation.

Kan du dele eksempler på, hvordan AI både kan forbedre sikkerhed og fungere som et værktøj for potentielle netværks-kompromitteringer?

AI spiller en afgørende rolle i cybersikkerhed. Det er et kraftfuldt værktøj til at forbedre netværkssikkerhed og en ressource, som angribere kan udnytte til mere avancerede angreb. At erkende disse anvendelser understreger AI’s transformative potentiale i cybersikkerhedslandskabet og giver os mulighed for at navigere i de risici, det introducerer.

AI revolutionerer netværkssikkerhed gennem avanceret trusselsdetektion og -forebyggelse. AI-modeller analyserer enorme mængder netværkstrafik i realtid, identificerer anomalier, mistænkelig adfærd eller indikatorer for kompromittering (IOCs), som måske ikke ville være blevet opdaget ved traditionelle metoder. For eksempel kan AI-drevne systemer detektere og afværge Distributed Denial of Service (DDoS)-angreb ved at analysere netværksprotokollermønstre og automatisk isolere skadelige kilder. Derudover har AI’s potentiale i adfærdsanalyse betydning, da det skaber profiler af normalt brugeradfærd for at detektere insider-trusler eller konto-kompromittering. Men dens mest potente anvendelse er i prædiktiv analyse, hvor AI-systemer forudser potentielle sårbarheder eller angrebsvektorer, hvilket giver mulighed for proaktive forsvar, før trusler materialiserer sig.

Om vendt udtrykker cyberkriminelle AI til at udvikle mere avancerede angreb. AI-drevet skadelig kode kan tilpasse sig for at undgå traditionel detektion ved at ændre sine karakteristika dynamisk. Angribere bruger også AI/ML til at forbedre phishing-kampagner, hvor de skaber overbevisende falske e-mails eller beskeder tilpasset til enkeltstående mål ved hjælp af data-skrapning og -analyse. En alarmerende trend er deepfakes i social engineering. AI-genereret audio eller video kan overbevisende efterligne ledere eller pålidelige personer for at manipulere medarbejdere til at afsløre følsomme oplysninger eller autorisere ulovlige transaktioner. Endelig kan modstander-AI-angreb rette sig direkte mod andre AI-systemer, hvor de introducerer manipulerede data for at forårsage forkerte forudsigelser eller beslutninger, der kan forstyrre kritiske operationer, der afhænger af AI-drevet automatisering.

De dobbelte anvendelser af AI i cybersikkerhed understreger vigtigheden af en proaktiv, lagdelt sikkerhedsstrategi. Mens organisationer må udnytte AI’s potentiale til at forbedre deres forsvar, er det lige så vigtigt at forblive vagtsomme over for mulig misbrug.

Hvordan adskiller Aryakas Unified SASE som en tjeneste sig fra traditionelle netværks- og sikkerheds løsninger?

Aryakas Unified SASE som en tjeneste er designet til at skala med din virksomhed. I modsætning til legacy-systemer, der afhænger af separate værktøjer til netværk (såsom MPLS) og sikkerhed (såsom firewalls og VPN’er), integrerer Unified SASE disse funktioner, tilbydende en samlet og skalerbar løsning. Denne konvergens simplificerer administration og giver konsekvent sikkerhedspolitik og ydeevne for brugere, uanset lokalitet. Ved at udnytte en cloud-naturlig arkitektur eliminerer Unified SASE behovet for kompleks on-premises-hardware, reducerer omkostninger og giver virksomheder mulighed for at tilpasse sig hurtigt til moderne hybrid-arbejdsmiljøer.

En nøgleforskellighed for Aryaka er deres evne til at understøtte Zero Trust (ZT)-principper i stor skala. Det gennemfører identitetsbaseret adgangskontrol, der kontinuerligt verificerer bruger- og enheds-tillid før adgang til ressourcer gives. Kombineret med funktioner som Secure Web Gateways (SWG), Cloud Access Security Broker (CASB), Intrusion Detection and Prevention Systems (IDPS), Next-Gen Firewalls (NGFW) og netværksfunktioner giver Aryaka robust beskyttelse mod trusler, samtidig med at det beskytter følsomme data på tværs af distribuerede miljøer. Dets evne til at integrere AI forbedrer yderligere trusselsdetektion og -respons, hvilket sikrer hurtigere og mere effektiv afværning af sikkerhedsincidenser.

Aryaka forbedrer brugeroplevelsen og ydeevnen. Unified SASE udnytter Software-Defined Wide Area Networking (SD-WAN) til at optimere trafik-routing, hvilket sikrer lav latency og højhastighedsforbindelser. Dette er særligt kritisk for virksomheder, der adopterer cloud-applikationer og fjernarbejde. Ved at levere sikkerhed og ydeevne fra en samlet platform minimiserer Unified SASE kompleksitet, forbedrer skalerbarhed og sikrer, at virksomheder kan møde kravene i moderne, dynamiske IT-landskaber.

Kan du forklare, hvordan Aryakas OnePASS™-arkitektur understøtter AI-arbejdslaster, samtidig med at den sikrer sikker og effektiv dataoverførsel?

Aryakas OnePASS™-arkitektur understøtter AI-arbejdslaster ved at integrere sikker, højydeevne-netværksforbindelse med robuste sikkerheds- og data-optimeringsfunktioner. AI-arbejdslaster overfører ofte store datamængder mellem distribuerede miljøer, såsom edge-enheder, datacentre og cloud-baserede AI-platforme. OnePASS™ sikrer, at disse datastrømme er effektive og sikre ved at udnytte Aryakas globale private backbone og Secure Access Service Edge (SASE)-kapaciteter.

Den globale private backbone giver lav-latency, høj-båndbredde-forbindelse, der er kritisk for AI-arbejdslaster, der kræver realtids dataprocessing og beslutningstagning. Dette optimerede netværk sikrer hurtig og pålidelig dataoverførsel, undgår bottleneck, der ofte er forbundet med offentlige internetforbindelser. Arkitekturen anvender også avancerede WAN-optimeringsteknikker, såsom data-deduplikation og kompression, for yderligere at forbedre effektivitet og reducere belastningen på netværksressourcer. Det er ideelt for store datamængder og hyppige modelopdateringer forbundet med AI-operationer, hvilket giver tillid til systemets ydeevne.

Set fra et sikkerhedsperspektiv gennemfører Aryakas OnePASS™-arkitektur en Zero Trust-ramme, der sikrer, at alle datastrømme er autentificerede, krypterede og kontinuerligt overvågede. Integrerede sikkerhedsfunktioner som Secure Web Gateway (SWG), Cloud Access Security Broker (CASB) og intrusion prevention systems (IPS) beskytter følsomme AI-arbejdslaster mod cyber-trusler. Derudover giver edge-baseret politik-gennemføring OnePASS™ mulighed for at minimere latency, samtidig med at det sikrer, at sikkerheds kontroller anvendes konsekvent på tværs af distribuerede miljøer, hvilket giver en fornemmelse af sikkerhed i systemets vagtsomhed.

Aryakas single-pass-arkitektur integrerer alle essentielle sikkerhedsfunktioner i en samlet platform. Denne integration giver mulighed for realtids netværkstrafik-inspektion og -behandling uden behov for multiple sikkerhedsenheder. Denne kombination af sikker, lav-latency-forbindelse og robust trusselsbeskyttelse gør Aryakas OnePASS™-arkitektur unikt egnet til moderne AI-arbejdslaster.

Hvad er de trends, du forudser i AI og netværkssikkerhed, når vi går ind i 2025 og derefter?

Da vi ser frem mod 2025 og derefter, vil AI spille en afgørende rolle i netværkssikkerhed. AI-drevne trusselsdetektionssystemer vil fortsætte med at avancere, udnyttende AI/ML til at identificere mønstre af maliciøs aktivitet med uhørt hastighed og nøjagtighed. Disse systemer vil udmærke sig i detektion af zero-day-sårbarheder og avancerede angreb, såsom advanced persistent threats (APTs). AI vil også drive automatisering i incidentrespons, en udvikling, der burde berolige publikum om effektiviteten af fremtidige sikkerhedssystemer. Denne automatisering vil give mulighed for Security Orchestration, Automation, and Response (SOAR)-systemer til at neutralisere trusler autonomt, minimere respons tid og reducere byrden på menneskelige analytikere. Derudover, da kvante-computering udvikler sig, kan det underminere eksisterende krypteringsstandarder i netværkssikkerhed, hvilket vil drive industrien mod kvante-sikre kryptering.

Imidlertid medfører den øgede integration af AI i netværkssikkerhed også udfordringer. Cyberkriminelle udnytter AI-teknologier til at udvikle mere avancerede angreb, herunder phishing-scheme og undgåelses-malware. På grund af risikoen for forudindtaget eller forkert trænet modeller, vil AI-model-sårbarheder, der refererer til fejl i design eller implementering af AI-systemer, sandsynligvis øge. Dette vil føre til udnyttelse af AI-modeller gennem nyopdagede data-forgiftning og modstander-input-manipulationsteknikker. Derudover vil adoption af AI forbedre opdækning af sikkerheds-sårbarheder i tredjeparts-biblioteker og pakker, der bruges i software-forsyningskæder.

Vi forudser også, at AI-drevne værktøjer vil give mulighed for bedre samarbejde mellem sikkerhedsværktøjer, -teams og -organisationer. AI-centrerede løsninger vil skabe personlige sikkerhedsmodeller, hvilket giver publikum en fornemmelse af, at deres sikkerhedsbehov bliver mødt. Disse modeller vil skabe individualiserede sikkerheds-politikker baseret på bruger-roller og adfærd. Nationer vil samarbejde om at opbygge en global cybersikkerheds-ramme for AI-teknologier.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge Aryaka.