Craig Riddell, Global Field CISO hos Wallarm – Interviewserie

Craig Riddell, Global Field CISO hos Wallarm, er en erfaren cybersecurity-ekspert, der fokuserer på at hjælpe virksomheder med at håndtere de voksende risici, der er forbundet med API’er og AI-drevne systemer. I sin nuværende rol arbejder han tæt sammen med CISO’er, CIO’er og tekniske ledere for at oversætte virkelige angrebsmønstre og misbrugs-scenarier til handlebare sikkerhedsstrategier med en stærk vægt på observabilitet – forståelse af, hvordan API’er og AI-systemer opfører sig i produktionen på tværs af brugere, applikationer og integrationer. Hans karriere omfatter ledelsesroller inden for identitet og adgangsadministration, zero-trust-arkitektur og virksomhedssikkerhed i organisationer som Netwrix, Kron og HP, hvor han har gennemført store skalaforandringer af IAM-transformationer og moderniseret sikkerhedsrammer. Riddells ekspertise er centreret omkring nye trusler som business-logik-angreb, API-misbrug, AI-system-drift og svindel, med en konstant fokus på at lukke gapet mellem højt niveau sikkerhedsstrategi og operationel gennemførelse.

Wallarm er et cybersecurity-selskab, der specialiserer sig i beskyttelse af API’er, applikationer og AI-drevne systemer i moderne cloud-miljøer. Deres platform tilbyder kontinuerlig opdagelse, test og realtidsbeskyttelse mod trusler som API-misbrug, business-logik-angreb og automatiserede udnyttelser, samtidig med at den tilbyder dyb indsigt i, hvordan systemer opfører sig på tværs af komplekse infrastrukturer. Designet til multi-cloud og cloud-native-arkitekturer integrerer Wallarm i eksisterende DevOps- og sikkerhedsarbejdsgange, hvilket ermöglicer organisationer at opdage og blokere angreb, mens de sker, i stedet for efterfølgende. Ved at kombinere API-inventar, AI-drevet trussel-opdagelse og automatiseret respons-kapacitet adresserer platformen en voksende realitet, hvor API’er og AI-systemer er blevet det primære angrebs-overflade for moderne digitale virksomheder.

Du startede din karriere med at arbejde direkte med systemer og infrastruktur og er herefter gået over i ledelsesroller, der fokuserer på identitet, adgang, API og AI-sikkerhed. Hvad var de vigtigste skift i denne rejse, der fik dig til at konkludere, at den virkelige risiko er flyttet væk fra periferien og ind i API’er og maskin-drevne systemer?

Tidligt i min karriere var fokus på at beskytte kanten. Firewalls, segmentering, hårdning af infrastruktur. Denne model fungerede, da systemerne var mere statiske, og tillidsgrænserne var lettere at definere.

Hvad ændrede sig, var, hvordan applikationer blev bygget, og hvordan systemer interagerede. API’er blev det forbinderende væv for alt, og AI accelererede dette yderligere. Nu tager systemer beslutninger, kalder andre systemer og udfører handlinger i en skala og hastighed, der ikke involverer mennesker i løkken.

På det tidspunkt bliver periferien mindre relevant. Den virkelige risiko flytter sig til, hvor beslutninger tages, og handlinger udføres, inde i API’er og maskin-drevne arbejdsgange.

Hvis du ikke har indsigt og kontrol der, så stoler du på adfærd, du ikke fuldt ud kan se. Det er, hvor forretnings-risiko viser sig, fra finansielle eksponeringer til uventede resultater og operationelle forstyrrelser.

Du har beskrevet den cyber-håndtryk som brudt, henvisende til, hvordan systemer etablerer tillid og udveksler handlinger på tværs af komplekse kæder af API’er og automatiserede processer. Hvad ser denne sammenbrud ud i en virkelig verden-virksomhed i dag?

I de fleste miljøer tillader systemer hinanden baseret på identitet og godkendelse. En token er gyldig, en anmodning er velformuleret, og interaktionen er tilladt.

Problemet er, at dette antager, at gyldig betyder sikkert. Det er ikke længere sandt.

Vi godkender identitet, men vi validerer ikke hensigt. Vi verificerer adgang, men ikke adfærd på tværs af kæden.

En service kan være autoriseret til at kalde en anden service, der udløser downstream-handlinger på tværs af flere API’er. Hver trin ser legitime ud i isolation, men på tværs af den fulde kæde begynder du at se uventet adfærd eller misbrug af logik.

I AI-drevne miljøer er dette forstærket. Agenter kan kæde handlinger og udføre arbejdsgange uden menneskelig gennemgang.

Håndtrykket sker stadig, men ingen spørger, om adfærden giver mening i kontekst. Tillid etableres, men ikke kontinuerligt valideret.

Hvorfor falder AI- og API-risiko så ofte mellem organisatoriske grænser i stedet for at være klart ejet?

Fordi systemerne ikke er i harmoni med, hvordan organisationer er struktureret.

DevOps ejer leveringen. Sikkerhed ejer politik. Forretningshold ejer resultaterne. Datahold ejer modellerne. Hver gruppe ejer en del, men ingen ejer systemet, som det opfører sig i produktionen.

API’er udfører forretningslogik på tværs af systemer. AI introducerer ikke-deterministisk beslutningstagning oven på det. Sammen skærer de på tværs af hver grænse.

De er bygget af ét hold, sikret af et andet, og forbrugt af et tredje, med inkonsistent overvågning på tværs af alle.

Gapene, som dette skaber, er ikke fejl af hold. De er fejl af den operative model til at reflektere, hvordan moderne systemer faktisk fungerer.

I din erfaring, hvilke hold antager typisk, at de ejer AI-risiko, og hvor findes de største blinde pletter mellem sikkerhed, DevOps og forretningsenheder?

Sikkerhedshold tenderer til at eje AI-risiko fra et governance- og compliance-perspektiv. DevOps ejer deployment og pålidelighed. Forretningsenheder fokuserer på resultater.

De blinde pletter viser sig mellem disse områder.

Sikkerhed definerer, hvad der skal ske. DevOps sikrer, at systemet kører. Forretningsenheder fokuserer på resultater. Men meget få hold kigger konstant på, hvad systemet faktisk gør i realtid.

Det gap er, hvor risiko bor, især når adfærd er teknisk gyldig, men kontekstuelt forkert.

Mange moderne angreb viser sig som gyldig og godkendt adfærd i stedet for åbenlyse intrussioner. Hvordan bør organisationer omdefinere opdagelse i denne nye virkelighed?

Vi skal flytte os beyond ved at identificere “dårlige” anmodninger.

I mange tilfælde er anmodningen gyldig. Legitimationsoplysningerne er legitime. API-opkaldet er forventet. Det, der ikke er forventet, er sekvensen af handlinger, mængden eller resultatet.

Opdagelse skal blive adfærds- og kontekst-baseret. Det handler mindre om at blokere en enkelt anmodning og mere om at forstå, hvordan systemer interagerer over tid.

Tilgangene, der faktisk holder i længden, flytter sig beyond mønster-matching. De dekomponerer anmodninger strukturelt, hvor hver interaktion behandles som en sæt af adfærds-token i stedet for at prøve at matche mod kendte dårlige mønstre.

Dette tillader os at forstå, hvordan adfærd udvikler sig og hvor den afviger, selv når alt ser gyldigt ud på overfladen.

Hvis du afhænger af statiske regler eller signaturer, vil du gå glip af det meste af, hvad der betyder noget.

Du har understreget vigtigheden af indsigt i virkelige verden-adfærd. Hvad ser meningsfuld indsigt ud for API’er og AI-systemer i produktion?

Meningsfuld indsigt er ikke kun logs og målinger. Det handler om at forstå adfærd i kontekst.

For API’er betyder det fuld anmodning- og respons-indsigt, hvordan endepunkter bruges, og hvordan interaktioner udvikler sig over tid.

For AI-systemer betyder det at forstå input, beslutninger og resulterende handlinger.

Vigtigst er det at forbinde disse på tværs af systemer i fulde arbejdsgange, ikke isolerede begivenheder.

Uden det opererer du på antagelser om systemadfærd i stedet for virkelighed.

Hvorfor bliver traditionel menneskelig gennemgang og godkendelse mindre effektive i maskin-drevne miljøer?

Fordi hastigheden og skalaen er ændret.

Systemer tager millioner af opkald per minut, og angreb eller uventet adfærd kan udvikle sig på minutter eller sekunder. Du kan ikke realistisk sætte en menneskelig i løkken for hver beslutning uden at bryde ydeevnen.

AI-systemer er heller ikke altid deterministiske, hvilket gør forudgodkendelsesmodeller mindre effektive.

Menneskelig oversigt er stadig vigtig, men den skal flyttes fra at godkende enkelt handlinger til at definere guardrails og overvåge resultater.

Hvad er de mest almindelige operationelle huller, du ser, når virksomheder prøver at sikre AI-systemer ved hjælp af arvede sikkerhedsrammer?

Det største hul er over-afhængighed af design-tid-kontroller.

Virksomheder fokuserer på at sikre modeller, gennemgå kode og definere politikker før deployment. Det er vigtigt, men det antager, at systemer vil opføre sig, som forventet, når de er live.

I virkeligheden udvikler systemer sig. API’er ændrer sig. AI-modeller interagerer med nye data og arbejdsgange. Adfærd skifter over tid.

Uden kontinuerlig validering af adfærd i produktion er virksomheder effektivt blinde efter deployment.

Hvad ser en praktisk operativ model ud, når flere interessenter deler ansvar for AI- og API-risiko?

Det starter med at anerkende, at ingen enkelt hold kan eje dette fra ende til anden.

En praktisk model definerer delt ansvar, forankret om en fælles sandhedskilde: runtime-adfærd.

Sikkerhed definerer risiko og politik. Ingeniører bygger og opererer systemer. Forretningsenheder definerer acceptabelt resultat.

Holdene, der kommer i front, opererer i en lukket cirkel. Kontinuerlig opdagelse, gennemførelse og forbedring drevet af, hvad systemer faktisk gør i produktion, ikke hvad der antages på design-tid.

Alle interessenter har brug for indsigt i, hvordan systemer opererer i produktion. Derfra kan holdene justere, hvad “godt” ser ud, opdage afvigelser og reagere.

Skiftet er fra silo-ejet til koordineret ansvar, grundlagt i runtime-indsigt.

Settende fremad, forventer du, at sikkerhedsansvaret bliver mere centraliseret igen, eller vil det fortsætte med at fragmentere, mens systemer bliver mere autonome?

Ansvaret vil forblive fordelt, fordi det reflekterer, hvordan systemer er bygget.

Hvad der vil ændre sig, er, hvordan dette ansvar koordineres.

Vi vil se mere samlet styre-modeller, hvor hold ejer deres domæner, men opererer med fælles indsigt og kontekst.

De organisationer, der lykkes, vil ikke være dem, der prøver at centralisere alt. De vil være dem, der justerer interessenter omkring, hvordan systemer faktisk opfører sig i den virkelige verden.

Fordi hvis ingen forstår runtime-adfærd, så ejer ingen virkelig risikoen.

Tak for det store interview, læsere, der ønsker at lære mere, skal besøge Wallarm.