Pascal Geenens, VP for Cyber Threat Intelligence, Radware – Intervieuserie

Pascal Geenens, VP for Cyber Threat Intelligence, Radware, er en cybersecurity-forsker og teknologileder med mere end to årtiers erfaring inden for informationsteknologi, netværkssikkerhed og trusselforsking. Hos Radware hjælper han med at lede virksomhedens forskning og tankeledelse på det udviklende cyber-trusselslandskab, med særlig fokus på distribuerede afvisningsangreb, Internet of Things-malware, automatiserede trusler og den øgede brug af kunstig intelligens både af angribere og forsvarere. Geenens udvikler og vedligeholder IoT-honeypots som en del af Radwares sikkerhedsforskningshold og har gennemført omfattende forskning i trusler som BrickerBot og Hajime. Før han kom til Radware, arbejdede han som konsulentingeniør hos Juniper Networks , hvor han rådgav større cloud- og kommunikationstjenesteudbydere i Europa, Mellemøsten og Afrika om software-defineret netværksstrategier, netværksfunktionsvirtualisering og datacenterautomatisering.

Radware er et børsnoteret cybersecurity- og applikationsleveringsselskab, der hjælper virksomheder med at beskytte netværk, websites, applikationer og API’er på tværs af fysiske, cloud-, hybrid- og software-definerede miljøer. Deres portefølje omfatter AI-drevet distribueret afvisningsbeskyttelse, webapplikationsbrandmure, botstyring, API-sikkerhed, applikationsleveringskontrollere og administrerede nødsvarstjenester. Ved at kombinere adfærdsanalyse, maskinelæring, cloud-skala trusselforsking og automatiseret afværge, er Radwares teknologi designet til at identificere ondsindet aktivitet i realtid, samtidig med at den opretholder adgang for legitime brugere og fastholder tilgængeligheden og ydeevnen af kritiske digitale tjenester.

De har brugt næsten tre årtier i cybersecurity, fra IBM AIX kernel-support og infrastrukturteknik til opdagelse af botnetter som BrickerBot, JenX og Demonbot, og nu leder af trusselforsking hos Radware. Hvad er de største ændringer, de har set i, hvordan angribere innovere, og hvordan har AI ændret deres forventninger til, hvad den næste generation af cybertrusler vil se ud?

Trusselslandskabet har gennemgået en fundamental ændring fra enlige hackere, der var højt tekniske entusiaster, til cyberkriminelle, der er højt organiserede, sofistikerede iværksættere. I fortiden var en hacker typisk motiveret af den tekniske udfordring i sig selv. I dag har kombinationen af digital acceleration og generativ AI kommercialiseret hele operationen, og fødet en moden Crime-as-a-Service (CaaS)-økonomi. Ondsindede aktører har essentieligt spejlet den korporative Software-as-a-Service (SaaS)-model, hvor de sælger avancerede værktøjer til alle. Dette giver komplette nybegyndere mulighed for at lancere sofistikerede angreb i stor skala. Da vores digitale fodaftryk udvides hvert år, vokser det tilgængelige angrebsoverflade og mulighederne for finansielle udnyttelser med det.

AI driver den næste kapitel i denne udvikling på to distinkte måder.

Først demokratiserer det cyberkriminalitet. Det giver amatørangribere en øjeblikkelig kapacitetsforøgelse, samtidig med at det hjælper store syndikater med at strømline deres operationer, polere deres brugergrænseflader og markedsføre deres ondsindede tjenester meget mere effektivt.

Anden, og mere kritisk, er opkomsten af agens-ai kombineret med de seneste frontiersmodeller, der automatiserer sårbarheds-livscyklussen. Vi bevæger os mod en operativ virkelighed, hvor maskiner kan autonomt scanne netværk, opdage sårbarheder og våbne udnyttelser næsten fuldstændigt på egen hånd, arbejder 24/7 og udfører handlinger i en størrelsesorden hurtigere end nogen menneskelig forsvarer.

AI sænker dramatisk den tekniske barriere for angribere. Hvilke offensive AI-kapaciteter bekymrer de mest over de næste tre til fem år, og hvilke er i øjeblikket under for stor opmærksomhed?

Området, der kræver den nærmeste opmærksomhed lige nu, er AI-assisteret sårbarhedsopdagelse og udnyttelse. Øjeblikket, en svaghed bliver offentliggjort, begynder en kapløb. Angribere udnytter AI til at instant analyserer svagheden, kortlægge, hvor den gælder, og generere og teste udnyttelsesvarianter. Dette komprimerer fuldstændigt udnyttelses-tidsrummet, der allerede var for kort for de fleste virksomheders patch-håndtering.

Samtidig ser vi en stor ændring mod lokale, kontinuerte AI-systemer. Specifikt opkomsten af “lokale agenter med et hjerteslag”. Et primært eksempel er OpenClaw og Microsofts (MSFT ) nylige annoncering, at de vil integrere OpenClaw i hver medarbejders taskbar. I modsætning til standard cloud-baserede assistenter kører disse lokale agenter konstant i baggrunden, direkte på en medarbejders maskine. De opererer via kontinuerte løkker og efterligner menneskelige handlinger, som f.eks. typografi og navigation gennem browserautomatisering. Dette gør det næsten umuligt for standard endpoint-sikkerhedssystemer at skelne mellem medarbejderen og AI-agenten.

Den overhypede risiko er potentialet for fuldstændigt autonome, zero-day-udnyttende AI-sværme, der kan spontant hakke komplekse virksomheder i stor skala fra scratch. Det kan dukke op senere, men det er ikke i dag. I dag er problemet menneskelige ekspertangribere med meget forbedrede værktøjer og automatisering og en øget mængde mindre erfarne angribere, der kan gøre mere, end de kunne før.

Vinduet mellem sårbarheds-offentliggørelse og aktiv udnyttelse fortsætter med at skrumpe. Hvordan meget har AI accelereret dette tidsrum, og hvilke ændringer bør virksomhedssikkerhedshold gøre for at holde trit?

Det er et dobbelt kapløb: på den ene side har man kapløbet om at opdage, fikse og offentliggøre nye sårbarheder, før de onde gutter gør. På den anden side er der kapløbet om at patche sårbar software-deployments, før de onde gutter slipper en udnyttelse løs. AI er front og center i begge kapløb.

Forsvarere må håndtere et stigende antal sårbarheder og har stadig mindre tid til at reagere. Når en sårbarhed er offentlig, flytter angribere hurtigt gennem grundlæggende trin. Hvad er berørt? Er det tilgængeligt fra internettet? Kan udnyttelsen reproduceres og tilpasses til at virke på tværs af flere miljøer? AI hjælper med hvert af disse trin, summerer svagheden, gennemgår proof-of-concept-kode, foreslår ændringer og automatiserer scanning, udnyttelse og behandling af resultaterne.

Patching kan ikke være det eneste ur, sikkerhedsholdene ser på. Det er nødvendigt, men det er ofte langsommere end angriberens tidsramme, især for produktionsklare, internet-orienterede applikationer og API’er. Holdene må vide, hvad der er eksponeret, hvad der er udnytteligt i praksis, og hvilke forretnings-service og ressourcer, der vil blive berørt, når de bliver ramt.

For at lukke dette kritiske eksponeringsvindue må forsvarere skifte fra en reaktiv, patch-først-tilgang til en automatiseret, beskytt-først-model ved at implementere miljø-specifikke realtidsforsvar. I stedet for at afhænge af generiske, én-størrelse-til-alle-signaturer eller tvinge driftshold til at skynde usikrede software-opdateringer ind i produktion, bør organisationer begynde at afhænge af kontinuerlig, automatiseret opdagelse af API-endpoints og online-applikationsforretningslogik samt en automatiseret software-regnskab (SBOM), kombineret med trusselforsking om de seneste sårbarheder og trusler for at dynamisk generere tilpassede virtuelle patches. Disse kontekst-tilpassede beskyttelser udruller på tværs af web-applikationer og API-endpoints og blokerer udnyttelsesforsøg på runtime-laget, før de kan nå sårbar applikationslogik. Dette type automatiseret indgriben giver sikkerhedsholdene en remedieringsvindue, der tillader dem at grundigt teste og sikkert udrulle software-opdateringer på en håndterbar tidsramme uden at udsætte forretningsaktiviteten for umiddelbar risiko eller downtime.

Virksomheder deployer hurtigt AI-drevne applikationer og AI-agenter, der afhænger kraftigt af API’er. Underestimerer virksomheder sikkerhedsrisiciene, og hvilke fejl ser de mest i øjeblikket?

Ja, mange virksomheder underestimerer stadig risiciene, fordi de stadig behandler AI-agenter som applikationer, der skal sikres, og AI-sikkerhed som et dataprivacy-problem snarere end en operativ trussel. Problemet, vi ser mest lige nu, er en grundlæggende misforståelse af agent-agency. For at en lokal AI-agent kan være fuldt ud effektiv og spare en medarbejder tid, må brugeren videregive alle sine adgangsrettigheder til den. Dette betyder, at agenten effektivt arver medarbejdernes identitet og tillidsfulde adgang til virksomhedens applikationer, browser-sessioner og lokale filer. Selv hvis en virksomhed aktivt overvåger og begrænser AI-agent-tilslutninger, kan disse lokale agenter interagere med systemer ved at efterligne menneskelige handlinger, som f.eks. klik og typografi gennem browserautomatisering. Virksomhedens sikkerhedssystemer bliver fuldstændigt ude af stand til at skelne mellem den virkelige medarbejder og den automatiserede agent.

Dette tillidsdelegering bliver ekstremt farligt på grund af, hvordan LLM’er grundlæggende behandler information: AI-modellerne kan ikke skelne mellem data og instruktioner. Når en agent får bred systemadgang til at udføre sit arbejde, bliver det utroligt let for en trusselsaktør at manipulere den gennem indirekte prompt-injektionsangreb. En angriber kan blot placere ondsindede instruktioner inde i en e-mail, en PDF eller en webside, som agenten er sat til at læse. Modellen behandler den upålidelige data som en kommando, fuldstændigt uden for brugerens bevidsthed. Pludselig kan et simpelt værktøj, der skal sammenfatte dokumenter, blive manipuleret til at eksportere følsomme oplysninger, ændre virksomhedsdata eller installere ondsindet software, alt imens det gemmer sig bag en legitims brugers legitimationsoplysninger.

Efter at have brugt år på at forskere i IoT-malware og botnetter, hvordan ser de AI-transformationen af den næste generation af botnetter? Kan vi til sidst se autonome botnetter, der kan tilpasse deres taktik uden direkte menneskelig indgriben?

Botnet-herders har aldrig siddet stille. Operatører roterer payloads, implementerer nye sårbarheder, scanner kontinuerligt forældede enheder og skifter deres kommandoinfrastructure, når forsvarere holder trit. AI-agenter kan seriøst accelerere disse cykler, enten det er sårbarheds-triage, udnyttelses-generering eller infrastruktur-styring.

Autonome botnetter er ikke fiktion. Brickerbot var en af de første autonome botter. Den ville sidde stille og vente på, at Mirai-inficerede IoT-enheder skulle forsøge at kompromittere dens værtsmaskine, og derefter ville den genangribe den skyldige enhed ved at udnytte enheds-fingerprints og vælge de mest passende sårbarheder for at få en fodfæste på enheden. Til sidst ødelagde Brickerbot den inficerede enhed. Botten fungerede som et regelbaseret eksperthjul, lignende tidlige AI-systemer. En anden relevant botnet, der gjorde indtryk på sikkerhedssamfundet for mere end et årti siden, var Hajime. Det var en af de første peer-to-peer-botnetter. Ved at udnytte Torrents distribuerede hash-tabeller kunne Hajime kontrolleres og opdateres decentralt, uden at kræve en central kommando- og kontrolinfrastruktur, og derfor næsten umulig at tage ned.

Der er flere diskussioner i sikkerhedssamfundet om potentialet for en Agens-botnet bygget på lokale AI-agent-rammer som OpenClaw. Disse er ikke de traditionelle kode-baserede malware-botnetter, men botnetter drevet fuldstændigt af kontekst-manipulation. Når lokale agenter behandler eksterne data, behøver angribere ikke at finde en traditionel software-udnyttelse for at kapre disse maskiner; de behøver bare at narre den underliggende LLM. Ved at gøre det får angribere adgang til kraftfuld terminal-eksekvering, browser-automatisering og muligvis en række andre “færdigheder”.

Samfundet taler specifikt om nogle nøgleelementer, der gør en omfattende “OpenClaw-botnet” mulig:

• Siden OpenClaw kontinuerligt indtager eksterne data (som f.eks. overvågning af GitHub-problemer, læsning af indgående Slack/Telegram-besked eller sammenfatning af websider), kan angribere indlejre ondsindede instruktioner i offentligt tilgængelige data. Hvis en brugers lokal agent behandler disse data, kan den indsprøjtede prompt overtage system-instruktionerne og kommandere agenten til at tilslutte sig en angriber-kontrolleret kommando- og kontrol-server.
• Sikkerhedsforskere har noteret, at OpenClaw-agenter har evnen til at udnytte peer-to-peer eller agent-til-agent-krypterede kommunikationskanaler (som f.eks. community-byggede færdigheder som ClaudeConnect). Cyberkriminelle forstår, at de kan udnytte disse kommunikationskanaler til at tillade kaprede agenter at koordinere med hinanden stille, fuldstændigt uden om traditionelle netværksbrandmure og endpoint-overvågning.
• Sikkerhedsskanninger har afsløret, at titusinder af naive brugere starter OpenClaw-forekomster på cloud-servere og utilsigtet eksponerer de HTTP-styringsgrænseflader direkte til internettet. Denne massive pulje af eksponerede, høj-privilegerede miljøer giver trusselsaktører en enorm, eksisterende fodfæste at målrette.
• Fordi OpenClaw afhænger kraftigt af “færdigheder” hentet fra offentlige repositorier som ClawHub, uploader angribere åbenlyst uskadelige færdigheder (som f.eks. “Hvad ville Elon gøre”), der indeholder skjulte instruktioner. Når agenten er installeret, bliver den stillede til at udføre baggrunds-shell-kommandoer eller droppe malware, effektivt rekrutterer værtsmaskinen til en botnet uden, at brugeren nogensinde ser en mistænkelig fil-advarsel.

Til sidst er konsensus i samfundet, at OpenClaw er et primært mål for verdens første rigtige Agens-botnet. I stedet for en botnet bestående af kompromitterede routere eller IoT-enheder, der kører DDoS-scripts, ville en OpenClaw-botnet bestå af højtydende, fuldt autentificerede maskiner, som trusselsaktører kan kommandere til at stjæle legitimationsoplysninger, ændre data eller orkestrere massive forsyningskæde-angreb i maskinehastighed.

Angående automatiserede botter, der kan ændre og tilpasse deres taktik uden direkte menneskelig indgriben, og som udnytter en central LLM som deres hjernes, er det bestemt ikke fiktion, men det er heller ikke noget, erfarne bot-herders ville foretrække. Botnetter er aktiver. Automation, der opfører sig dårligt, kan eksponere infrastruktur, tiltrække opmærksomhed for tidligt, eksponere operatøren eller brænde tokens for meget. Angribere vil bruge automation, hvor det hjælper dem med at flytte hurtigere, men de er ikke sandsynligt at give afkald på kontrol over beslutninger, der kunne brænde adgang, eksponere infrastruktur eller skade profit.

Jeg ville ikke fuldstændigt ignorere eller eliminere risikoen dog. Da vi bevæger os ind i edge-AI og nye smarte enheder oftere udstyres med lokale Small Language Models (SLMs), kan jeg se, at opportunistiske trusselsaktører går efter de lave hængende frugter og indlejrer prompt-assisteret bot-funktionalitet i deres botnetter. I det mindste behøver de ikke betale for den ekstreme token-brug, når en lokal SLM begynder at løbe på en for sofistikeret prompt eller en kontekst, der er vokset for stor.

Hacktivist-kampagner og store DDoS-angreb er blevet mere og mere almindelige. Bliver disse grupper mere sofistikerede, eller gør AI og lettilgængelige angrebsværktøjer blot avancerede angreb tilgængelige for en langt bredere publikum?

Begge dele. Nogle hacktivist-grupper er blevet ægte mere organiserede. Nogle grupper, som f.eks. den ikoniske NoName057(16), har aktivt udført DDoS-angreb på daglig basis siden februar 2022. De havde tid til at forbedre deres værktøjer, bygge en loyal følgeskare og lære, hvordan man vælger mål, der tiltrækker opmærksomhed, og hvordan man timer angrebene omkring politiske begivenheder og bruger offentlige krav til at bygge pres. For hacktivister betyder budskabet mere end selv forstyrrelsen.

Samtidig er værktøjerne blevet lettere at få fat i, end de var før. DDoS-til-leje-tjenester, botnetter, proxy-netværk, lækkede scripts og tutorials har tilladt enhver med begrænset færdighed at deltage i en kampagne og føle sig som en del af noget større. AI tilføjer kodningsassistance, mål-forskning, oversættelse, kampagne-meddelelse og grundlæggende automation oven i det.

Målene føler virkningen på begge måder, enten angrebet kommer fra en erfaren gruppe drevet af ideologi eller en enkelt ulv lejet af en konkurrent, der lejer DDoS-angrebs-infrastruktur. En nedlagt website påvirker kunder. En utilgængelig offentlig service bliver bemærket af borgere. Tilstrækkelig støj, og chefer og kommunikationsteams må reagere uanset, hvem der er bag tastaturet.

Da virksomheder løber for at integrere generativ AI i deres operationer, hvilke nye angrebsflader dukker op, som sikkerhedsledere måske endnu ikke fuldt ud forstår?

Svaret defineres af, hvad AI-agenten kan nå. Når den har adgang til interne dokumenter, kode, CI/CD-pipelines, API-nøgler eller DevOps-værktøjer, udvides angrebsfladen hurtigt. For at være nyttig må en agent have agency; ellers er det ikke mere end en glorificeret chatbot. Spørgsmålet bliver så, hvad agenten er tilladt at gøre. Hvad fortrolig information kan den læse? Kan den ændre en billet eller en banks konto i CRM? Kan den køre kode? Kan den ringe til en ekstern service? Kan den eksponere data gennem værktøjskald?

Indirekte prompt-injektion bliver mere alvorlig i sådant et miljø. Hvis en agent behandler upålidelig indhold og derefter handler, kan prompten blive en vej ind i workflowet. Det er anderledes end en chatbot, der besvarer et spørgsmål.

AI bliver nu brugt af både angribere og forsvarere. Tror de, at defensiv AI til sidst vil holde trit med offensiv AI, eller vil organisationer stå over for en stadig mere asymmetrisk kamp over de kommende år?

AI skaber en ubalance, der favoriserer angriberen. Dette skyldes ikke, at defensiv AI-modeller er underlegne. I virkeligheden er brugen af AI i forsvar meget effektiv til at filtrere ud daglige støj og accelerere reaktion på incidenter. Problemet er dog en strukturel åbning i operationel hastighed og begrænsninger.

Historisk set havde sikkerhedsholdene en lille åbning, når en sårbarhed blev opdaget, til at udrulle en patch, før trusselsaktører våbnede den. I dag har agens-ai komprimeret denne åbning til næsten nul. Automatiserede værktøjer kan finde en svaghed og instant generere en målrettet udnyttelse. En traditionel, menneskeledet patch-håndtering kan simpelthen ikke konkurrere med en automatiseret pipeline, der kører kontinuerlige angrebsløkker.

Derudover opererer de to sider under fuldstændigt forskellige regler. Angribere står over for ingen begrænsninger med hensyn til overholdelse, etik eller operationel downtime. De kan udrulle brugerdefinerede AI-agenter til at lancere urestrukturerede, storstilede kampagner. Forsvarere må operere deterministisk. En defensiv AI kan ikke blindt isolere en kerneproduktionsdatabase eller ophæve en direktørs legitimationsoplysninger alene på grund af en høj-sandsynligheds-anomalie. Forsvarere kræver verificering for at beskytte forretningskontinuitet, og den latency, der introduceres af disse nødvendige sikkerhedsforanstaltninger, er præcis det, som automatiserede angreb udnytter.

Til sidst vil sikkerhedsledelse ikke blive defineret af, hvem der besidder den “klogere” AI, men af, hvem løser denne arkitektoniske hastighedsåbning. Virksomheder, der behandler AI som bare endnu et standard-sikkerheds-værktøj, vil blive overvældet af hastigheden af moderne trusler. Succes kræver en redesign af infrastrukturen for at tillade defensiv AI at isolere og indeholde trusler autonomt.

Mange sikkerhedshold fortsætter med at afhænge af traditionelle sikkerheds-målinger og opdage-metoder. Da angreb bliver hurtigere og mere automatiserede, hvilke indikatorer eller adfærd bør organisationer prioritere i stedet?

De fleste sikkerheds-målinger fokuserer stadig kraftigt på aktivitet: alarmer udløst, angreb blokeret eller sårbarheder fundet. Selv om disse tal er nyttige til at måle reaktion på incidenter, giver de ikke indsigt i virksomhedens faktiske eksponering. De fortæller forsvarerne, hvad de fangede, men de viser ikke de blinde pletter, der er åbne, indtil en angriber udnytter dem.

I en æra med automatiserede trusler er afhængighed af reaktive målinger ikke længere holdbar. Når en virksomhed er mål, kræver angrebs-hastigheden proaktivt management. Realtids-angrebsflade-håndtering er nu afgørende. Forsvarere må have kontinuerlig indsigt i specifikke operationelle risici: hvilke kritiske applikationer og API’er er eksponeret på internettet? Hvad sårbarheder findes der inden for dem?

Sand sandhed kommer fra at kombinere denne angrebsflade-kontekst med adfærds-detection og trusselforsking. Ved at forstå præcis, hvad der er eksponeret, og hvordan det opfører sig, kan forsvarere forudse og blokere tidligere ukendte angreb.

Til sidst er operationel hastighed stadig en kritisk indikator for succes, men forsvarere må måle det rigtige tidsvindue: hvor hurtigt kan vi identificere, at en ny sårbarhed berører et eksponeret system, og hvor hurtigt kan vi sætte en kompenserende kontrol i place for at beskytte det? Denne specifikke hastighed er den sandeste måling for, om et sikkerhedsprogram kan modstå hastige angreb i stor skala.

Med et fem-års perspektiv, hvad tror de vil være den definerende cybersecurity-udfordring i AI-æraen, og hvad bør CISO’er og sikkerhedshold begynde at gøre i dag for at forberede sig?

Med et fem-års perspektiv vil den definerende cybersecurity-udfordring i AI-æraen være at styre og sikre autonome, ikke-menneskelige relationer. Da virksomheder flytter sig væk fra enkeltstående chatbots mod sammenhængende, multi-agentsystemer, der besidder agenti til at udføre finansielle transaktioner, ændre kildekode og ændre cloud-infrastruktur, vil traditionelle sikkerhedsgrænser bryde sammen. Om fem år vil en virksomhed ikke blot styre menneskelige medarbejdere og statisk software; den vil overvåge tusinder af autonome AI-agenter, der interagerer med hinanden, virksomhedsdata og eksterne tredjeparts-systemer.

Indsigt i agens-systemer på tværs af organisationen vil være afgørende. Før agenter udvikles, bør CISO’er etablere en central registreringsdatabase, der definerer klart ejerskab for hver udrullet agent, data-modellerne og repository’erne, som agenten er autoriseret til at læse, og værktøjerne, API’erne og system-kommandoerne, den er tilladt at kalde. CISO’er bør også pålægge, at enhver udrulning af agens-teknologi udnytter standardiserede, verificerbare tilslutningsprotokoller for at sikre, at alle værktøjs-integrationer er strengt logget.

Om fem år vil forsvar af API’er og online-applikationer ikke længere være om at styre konfigurationer, blokere kendte signaturer og patche sårbarheder; det vil være en automatiseret krig af logik mod logik. Da trusselsaktører udruller fuldstændigt automatiserede, kontekst-tilpassede agens-pipelines, der kan reverse-engineere en applikations forretningslogik inden for sekunder efter opdagelse, vil traditionelle web-applikations-brandmure (WAF’er) blive forældede. Forsvar af dette landskab kræver en skift til autonome, kontekst-drevne arkitekturer.

Angribere vil bruge frontiers-modeller til at fuldstændigt automatisere opdagelses- og udnyttelses-cyklen af API-logik-fejl (som f.eks. Broken Object Level Authorization, eller BOLA). I stedet for at søge efter kendte software-bugs vil automatiserede angrebs-botter kortlægge en hel applikations API-skema, forstå, hvordan data flyder, og dynamisk generere præcise, højtilpassede payload-sekvenser til at manipulere forretningslogik. Fordi disse angreb bruger gyldig syntaks og legitime API-kald vil standard-tærskel-baseret rate-begrænsning og signatur-detektion være fuldstændigt blinde for dem.

For at modstå automatiseret opdagelse må forsvarere opnå realtids, kontinuerlig indsigt i deres egen eksponerede arkitektur. Sikkerhedshold kan ikke afhænge af statisk dokumentation eller forældede API-kataloget. Defensiv AI må kontinuerligt scanne og kortlægge hver enkelt aktiv API-endpoint, mikrotjeneste-forhold og online-applikations-workflow på tværs af hybrid cloud-miljøer. Denne automatiserede indsigt må kombineres med en dynamisk Software Bill of Materials (SBOM) for at umiddelbart tilslutte en ny global sårbarheds-offentliggørelse til de specifikke interne kode-linjer, der er eksponeret på internettet.

Fordi automatiserede angreb vil blande sig med legitime brugertrafik, må forsvar skifte fuldstændigt til kontekstuel adfærds-analyse. Defensiv AI vil profilere standard-adfærden for hver enkelt API-klient, token og brugeridentitet. Den vil overvåge intentionen og sekvensen af API-kald snarere end blot input. Hvis en angribers automatiseret script begynder at sy sammen legitime API-kald i en anomali-sekvens for at skrabe data eller teste en logik-fejl, må systemet genkende den strukturelle afvigelse i intention og gribe ind øjeblikkeligt.

Den sandeste måling for holdbarhed vil være, hvor hurtigt en organisation kan komprimere vinduet mellem en sårbarheds eksponering og dens remediering. At vente på, at dev-hold skriver, tester og udruller kode-opdateringer til produktion, vil være en fatal strategi. Sand beskyttelse vil afhænge af automatiseret, kontekst-tilpasset virtuel patching på runtime-laget. Ved at føde realtids-trusselforsking og API-opdagelsesdata direkte ind i defensiv AI-motorer på kanten vil infrastrukturen automatisk generere og udrulle tilpassede virtuelle patches for at interceptere og blokere udnyttelsesforsøg, før de nogensinde når sårbar applikationslogik.

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