Alon Noy, administrerende direktør og medstifter af Astelia – interviewserie

Alon Noy, administrerende direktør og medstifter af Astelia, er en leder inden for cybersikkerhed med mere end 15 års erfaring inden for både offensiv og defensiv sikkerhed. Han gjorde tidligere tjeneste i Israels Unit 8200 og blev siden leder af Israels nationale red team for cybersikkerhed. Her omfattede hans arbejde stresstest af kritisk infrastruktur og samarbejde med sikkerhedsteams om at identificere og håndtere reelle angrebsveje. Noy har også ledet store forsknings- og udviklingsorganisationer, er uddannet fra Israels Talpiot-program og har en kandidatgrad i datalogi fra Tel Aviv University. Hans erfaring med at arbejde ud fra både angriberens og forsvarerens perspektiv var med til at forme Astelias tilgang, der fokuserer på at fastslå, hvilke sårbarheder der reelt kan nås og udnyttes i en organisations miljø.

Astelia er en cybersikkerhedsvirksomhed, hvor AI er en integreret del af løsningen, og som fokuserer på håndtering af eksponeringer og sårbarheder. Virksomheden er grundlagt af veteraner og tidligere ledere fra Israels nationale red team og bruger AI og netværksspecifik analyse til at afgøre, hvilke sårbarheder der udgør reelle angrebsveje, frem for primært at støtte sig til generiske alvorlighedsscorer. Platformen kortlægger en organisations miljø via skrivebeskyttede integrationer, analyserer kravene til at udnytte sårbarheder i forhold til netværkstopologien og hjælper sikkerhedsteams med at prioritere sårbarheder, der beviseligt kan nås, samtidig med at den identificerer mulige afhjælpende tiltag såsom programrettelser, konfigurationsændringer, segmentering eller kompenserende sikkerhedsforanstaltninger. Virksomhedens bredere mål er at hjælpe virksomheder med at reducere mængden af sårbarhedsalarmer, de skal undersøge, og fokusere ressourcerne på eksponeringer, som angribere realistisk set kan udnytte.

Før du grundlagde Astelia, tilbragte du mere end et årti inden for Israels nationale sikkerhed, blandt andet i Unit 8200 og som leder af Israels nationale red team for cybersikkerhed, hvor din opgave var at tænke og agere som en angriber. Hvad lærte de erfaringer dig om, hvordan avancerede angreb reelt udfolder sig, og hvilket hul i cybersikkerhedsmarkedet førte i sidste ende til, at du var med til at grundlægge Astelia?

I mere end et årti gik mit arbejde i al væsentlighed ud på at tænke som den, der forsøger at trænge ind, ikke som den, der prøver at holde vedkommende ude. Den tydeligste lære af den erfaring er, at avancerede angreb næsten aldrig skyldes ét stort, dramatisk hul i muren. De skyldes som regel to eller tre små ting, som ingen troede havde betydning hver for sig: en konto, der aldrig blev deaktiveret, en del af netværket, der skulle have været isoleret, men ikke var det, en tilladelse, der var mere vidtgående end nødvendigt, og så videre. Da jeg stod i spidsen for det nationale red team, brugte vi langt mere tid på at forstå, hvordan målets netværk faktisk fungerede, end på at udvikle selve udnyttelsen. Når man først kender angrebsvejene, er det næsten den nemme del at udnytte dem. Da jeg skiftede til den defensive side, begyndte jeg at lægge mærke til et mønster. Der var en lang liste over »kritiske« sårbarheder, men ingen reel måde at vide, hvilke af dem en angriber faktisk kunne nå. Det er det hul, Astelia blev skabt for at lukke: Vi tager rækkeviddeanalyse – den proces, angribere bruger til at finde vej ind – og bruger den til at hjælpe forsvarerne i stedet.

Astelia griber sårbarhedshåndtering anderledes an ved at kortlægge en organisations faktiske netværkstopologi og bruge agentisk AI til at afgøre, hvilke sårbarheder der reelt kan nås og udnyttes. Hvordan fungerer det i praksis, og hvorfor mener du, at traditionelle metoder til at score sårbarheder ofte fører forsvarerne til de forkerte prioriteter?

Vi kortlægger en organisations faktiske netværk – hvordan systemerne reelt er forbundet med hinanden, og hvor eksisterende netværkskontroller allerede står i vejen for en angriber – ved hjælp af skrivebeskyttede integrationer. Når vi har det overblik, gennemgår AI’en hver sårbarhed og fastslår, hvad der konkret skal til for at udnytte den, herunder den nødvendige adgang, vejen gennem netværket og de betingelser, der skal være opfyldt. Derefter sammenholder den alle disse forhold med den faktiske topologi og de eksisterende kontroller. Af alt det, en scanner markerer, viser typisk mindre end 1 % sig reelt at kunne nås. CVSS og EPSS støder begge på det samme grundlæggende problem: De scorer en sårbarhed, som om alle netværk var ens, som om systemet stod ubeskyttet på det åbne internet, eller som om tendenser for udnyttelse på tværs af hele branchen sagde noget om netop dit miljø. I de fleste miljøer holder ingen af antagelserne. En sårbarhed med kritisk alvorlighedsgrad, der ligger tre hop inde bag et segmenteret netværk, udgør ikke den samme risiko som en sårbarhed på en offentligt tilgængelig server, og en sårbarhed med en høj EPSS-score på tværs af branchen er måske slet ikke tilgængelig i dit netværk. Disse scorer er fastlagt på et bestemt tidspunkt og afspejler ikke dit netværk. Rækkevidden ændrer sig hele tiden, fordi netværkene og de kontroller, der beskytter dem, gør det samme.

Du har fremført, at meget af det, forsvarere bekymrer sig om, er uden betydning for, hvordan angribere faktisk arbejder. Hvad er det, sikkerhedsteams oftest misforstår om den måde, angribere identificerer svagheder og kæder dem sammen på, når man tager udgangspunkt i din erfaring med at gennemføre godkendte angreb mod miljøer med et meget højt sikkerhedsniveau?

Det er en almindelig antagelse, at angribere går efter det, der vurderes som mest alvorligt. I praksis gør vi det sjældent. Vi går efter det, der hurtigst bringer os tættere på målet, og det er ofte noget, scanneren har vurderet som middel eller lav risiko: et fildrev med forkerte tilladelser, legitimationsoplysninger, der er blevet liggende efter et projekt, som angiveligt blev lukket ned, eller et lille fodfæste, der først blev farligt, da det blev kombineret med noget andet, som ingen troede havde nogen forbindelse til det. Scannere vurderer resultater enkeltvis. Angreb fungerer ikke sådan; en angriber ser hele tiden på, hvordan ting hænger sammen. Noget, der isoleret set virker harmløst, kan være præcis det, en angriber skal bruge for at gå fra en konto med få rettigheder til fuld kontrol. De fleste forsvarere er stadig indrettet til at vurdere risiko ét fund ad gangen, og derfor overser de igen og igen de angrebsveje, der faktisk betyder noget.

AI reducerer markant den tid og ekspertise, der kræves for at omdanne nyafslørede sårbarheder til fungerende exploits. Hvordan ændrer det økonomien i cyberangreb, og hvilke typer angribere får mest ud af stadig mere avancerede AI-modeller?

Det dyreste ved at udvikle en exploit var tidligere den nødvendige ekspertise: at finde fejlen, regne ud præcis, hvordan den skulle udnyttes, og få det til at fungere pålideligt. Det, der ofte ville tage et hold eksperter flere måneder, kan nu klares på få timer af en almindelig angriber med adgang til de mest avancerede modeller. Det er en reel ændring af de økonomiske vilkår. Tidligere krævede det en betydelig investering at gøre en ny CVE anvendelig i angreb; nu kræver det næsten ingen, og tiden fra offentliggørelsen af en sårbarhed til en fungerende exploit er stadig kortere. De fleste processer for udrulning af sikkerhedsrettelser er aldrig blevet udformet til at følge med i det tempo. De angribere, der får mest ud af det, er ikke de mest avancerede statslige aktører, som allerede havde stærke offensive kapaciteter. Det er de mindre grupper og opportunistiske kriminelle, der aldrig selv har haft den slags ekspertise, og AI giver dem den i praksis.

Det Hvide Hus’ GOLD EAGLE-initiativ bygger på et tættere samarbejde mellem myndigheder, teknologivirksomheder og operatører af kritisk infrastruktur, hvor avanceret AI bruges til hurtigere at identificere og afhjælpe sårbarheder. Set fra en angribers perspektiv, hvad gør denne model rigtigt, og hvor kan den stadig komme til kort?

GOLD EAGLE identificerer med rette, hvor meget tid der går tabt på dobbeltarbejde, når forskellige organisationer hver for sig scanner og prioriterer den samme offentliggjorte sårbarhed, før nogen rent faktisk handler. En centralisering af arbejdet og brug af AI til at fremskynde koordineringen mellem myndigheder og infrastrukturoperatører mindsker reelt den tid, en angriber har til rådighed, og set fra en angribers perspektiv er det den vigtigste del. I dette spil er hastighed alt. Jeg mener, at initiativet kommer til kort, fordi koordinering på tværs af branchen ikke fortæller den enkelte virksomhed, om en bestemt sårbarhed kan nås inde fra virksomhedens eget netværk. En organisation kan have adgang til et velprioriteret trusselsfeed og stadig være usikker på, om det er relevant for den. Det sidste trin, hvor oplysningerne sammenholdes med organisationens egen netværkstopologi, er fortsat den enkelte organisations ansvar.

Mere end 100 organisationer inden for teknologi, cybersikkerhed, finans og infrastruktur har advaret om, at der måske kun er et begrænset tidsvindue til at styrke forsvaret, før AI-understøttede angreb bliver langt mere udbredte. Deler du den følelse af, at det haster, og hvad bør organisationer realistisk set nå i dette »forsvarernes tidsvindue«?

Jeg deler følelsen af, at det haster, men jeg ville formulere begrundelsen lidt anderledes. AI-understøttede angreb er ikke en fremtidig bekymring; tiden fra offentliggørelsen af en sårbarhed til en fungerende exploit bliver allerede kortere, end de fleste organisationer kan nå at udrulle sikkerhedsrettelser. Det er ikke realistisk at forsøge at vinde kapløbet ved blot at udrulle rettelser hurtigere. Det realistiske er at bruge denne periode på at forstå sit eget miljø. Det betyder, at man skal kende den faktiske netværkstopologi og vide, hvilke sårbarheder der reelt kan nås, og fokusere indsatsen på den mindre gruppe i stedet for at sprede den over tusindvis af teoretiske fund. Det er også værd at bruge tiden på at udvikle flere muligheder for afhjælpning end blot sikkerhedsrettelser, for eksempel segmentering eller konfigurationsændringer, eftersom hurtigere udrulning af rettelser alene ikke kan holde trit med den AI-fremskyndede udvikling af exploits.

Kollektivt cyberforsvar afhænger i høj grad af, at organisationer deler oplysninger om sårbarheder og trusler. Hvad skal der ændres, teknisk eller kulturelt, for at myndigheder og private virksomheder kan dele nyttige oplysninger hurtigt nok til, at det gør en forskel, uden samtidig at skabe nye sikkerhedsrisici?

Den tekniske udfordring er den, der er lettest at løse. Det sværere problem er tillid. Ingen organisation ønsker at afsløre en svaghed i sit eget miljø og risikere, at den kan spores tilbage til organisationen, især hvis den senere dukker op i en rapport om et databrud. Det, der fungerer, er at dele oplysninger, som er nyttige uden at kunne identificere afsenderen: mønsteret for, hvordan noget kan udnyttes, snarere end en beskrivelse, der er så specifik, at den peger på én bestemt virksomhed. Det kræver bedre infrastruktur og maskinlæsbare trusselsdata, der deles via automatiserede kanaler i stedet for PDF-filer og mailinglister, men infrastrukturen har aldrig rigtig været forhindringen. Forhindringen er, at de fleste organisationer stadig opfatter deling som en juridisk risiko snarere end som noget, der beskytter dem. En neutral og betroet mellemmand er en del af det, GOLD EAGLE sigter mod at tilbyde, og det kan gøre meget for at ændre situationen.

Astelia lægger vægt på »nåbarhed« frem for blot alvorlighedsgraden eller det forhold, at der findes en kendt udnyttelsesmetode. Efterhånden som AI gør det hurtigere og potentielt mere almindeligt at udvikle exploits, bliver nåbarhed så et vigtigere mål for risiko, og hvordan bør CISO’er gentænke prioriteringen af sårbarheder ud fra dette begreb?

Nåbarhed er ikke blot ved at blive vigtigere; den er ved at blive det mål, der faktisk afgør risikoen. Alvorlighedsgraden har altid været et skøn over, hvor stor skade noget kunne forvolde; nåbarhed viser, om det kan udnyttes i jeres miljø lige nu. Forsvarere plejede at regne med, at de fleste fund med lav alvorlighedsgrad kunne stå urettede i månedsvis, fordi ingen realistisk set ville gøre dem til våben. Den antagelse holder ikke længere, når det er hurtigt og billigt at udvikle exploits. Prioriteringen skal gå fra en efterslæbsliste sorteret efter alvorlighedsgrad til at fjerne eksponeringer, der faktisk kan nås. Det, der adskiller det lille antal sårbarheder, der betyder noget, fra alle de andre, er, om en angriber kan nå dem via jeres faktiske netværk. CISO’er bør bede om dokumentation for nåbarhed, ikke endnu en score oven i CVSS.

Astelia anvender også AI-agenter i dele af sårbarhedens livscyklus, fra identifikation af nye eksponeringer til koordinering af afhjælpning. Hvor selvstændige bør cybersikkerhedsagenter i sidste ende være, når de er i stand til at foretage ændringer i produktionsmiljøer, og hvor bør mennesker fortsat være fast inde over?

Agenter bør have reel selvstændighed i analysearbejdet: kortlægge netværket, afdække kravene for at udnytte sårbarheder, sammenholde nye offentliggørelser og finde frem til, hvad der kan nås. Det er her, hastigheden betyder mest, og en fejl fører blot til en dårlig anbefaling, som et menneske kan fange. Jeg trækker en klar grænse ved ændringer i produktion uden menneskelig overvågning. Uden data om, hvad der kan nås via netværket, gætter en agent, når den iværksætter en rettelse, og en dårlig firewallregel eller segmenteringsændring kan gøre mere skade end den sårbarhed, den skulle lukke. Det er også derfor, at det meste af det, der i dag markedsføres som »autonom afhjælpning«, i virkeligheden blot er automatisk oprettelse af sager. Virksomheder vil have et menneske til at godkende den slags ændringer, især fordi der ikke altid findes en rettelse fra starten. Den rigtige model er agenter, der foreslår dokumenterede rettelser, som et menneske godkender, før noget ændres i produktionen. Det råderum vil blive større, efterhånden som data om nåbarhed modnes, og tilliden til mere afgrænsede, velafprøvede ændringskategorier vokser, men handling uden menneskelig overvågning i produktionen er ikke dér, jeg ville begynde.

Når vi ser fremad, og både angribere og forsvarere får adgang til stadig mere avancerede autonome AI-systemer, hvordan forventer du så, at balancen mellem offensiv og defensiv cybersikkerhed vil ændre sig, og hvad vil kendetegne de organisationer, der er rustet til den næste fase, i modsætning til dem, der ikke er?

Angribere har stadig et forspring med AI, fordi de kun behøver én fungerende vej ind, og AI egner sig godt til hurtigt at finde den: Rekognoscering går hurtigere, udvikling af exploits går hurtigere, og phishingindhold bliver mere overbevisende. Forsvarere indhenter ikke det forspring ved at bruge AI til at gøre de samme ting hurtigere. De indhenter det ved at bruge AI til at finde og fjerne de sårbarheder, der faktisk kan nås i deres eget netværk, ud fra deres egen kontekst, i stedet for at styre risikoen efter generiske trusselsdata for hele branchen. Det, der kendetegner organisationer, som er forberedte, er, om de foretog dette skift, før de blev tvunget til det, og om de med dokumentation kan sige, hvilke af deres sårbarheder der faktisk kan udnyttes i deres miljø, i stedet for at håbe, at deres tidsplan for programrettelser kan følge med. Organisationer, der stadig styrer risikoen ud fra en generisk kontekst, vil fortsat blive overrasket af noget, deres egen scanner vurderede som lavprioriteret et år tidligere.

Tak for et godt interview. Læsere, der gerne vil vide mere, kan besøge Astelia.