Saryu Nayyar, CEO og grundlægger af Gurucul – Interview-serie

Saryu Nayyar er en internationalt anerkendt cybersecurity-ekspert, forfatter, taler og medlem af Forbes Technology Council. Hun har mere end 15 års erfaring i informationssikkerhed, identitet og adgangsadministration, IT-risiko og compliance samt sikkerhedsrisikostyring.

Hun blev kåret til EY Entrepreneurial Winning Women i 2017. Hun har haft ledelsesroller i sikkerhedsprodukter og -tjenester-strategi hos Oracle (ORCL ), Simeio, Sun Microsystems, Vaau (opkøbt af Sun) og Disney. Saryu har også tilbragt flere år i seniorteamet for teknologi-sikkerhed og -risikostyring hos Ernst & Young.

Gurucul er et cybersecurity-selskab, der specialiserer sig i adfærd-baseret sikkerhed og risikoanalyse. Dets platform udnytter maskinlæring, AI og big data til at opdage insider-trusler, konto-kompromittering og avancerede angreb på tværs af hybrid-miljøer. Gurucul er kendt for sin Unified Security and Risk Analytics Platform, der integrerer SIEM, UEBA (User and Entity Behavior Analytics), XDR og identitetsanalyse til at give real-time trussels-opdækning og -respons. Selskabet betjener virksomheder, regeringer og MSSPs med det formål at reducere falske positiver og accelerere trussels-afhjælpning gennem intelligent automatisering.

Hvad inspirerede dig til at starte Gurucul i 2010, og hvilket problem var du på vej til at løse i cybersecurity-landskabet?

Gurucul blev grundlagt for at hjælpe Security Operations og Insider Risk Management-hold med at få indsigt i de mest kritiske cybersikkerhedsrisici, der påvirker deres forretning. Siden 2010 har vi taget en adfærd-baseret og prædikativ analytics-tilgang, snarere end regel-baseret, hvilket har genereret over 4.000 maskinlæringsmodeller, der sætter bruger- og enheds-anomalier i kontekst på tværs af forskellige angrebs- og risikoscenarier. Vi har bygget videre på dette som vores grundlag, flyttet fra at hjælpe store Fortune 50-virksomheder med at løse Insider Risk-udfordringer til at hjælpe virksomheder med at få radikal indsigt i ALLE cybersikkerhedsrisici. Dette er løftet af vores unified og AI-drevne Data og Security Analytics-platform, REVEAL. Nu bygger vi videre på vores AI-mission med en vision om at levere en Self-Driving Security Analytics-platform, der bruger maskinlæring som grundlag, men også lagrer generativ og agentic AI-kapaciteter på tværs af hele trussels-livscyklussen. Målet er, at analytikere og ingeniører skal bruge mindre tid på kompleksitet og mere tid på meningsfuld arbejde. Tillad maskiner at forstærke definitionen af deres daglige aktiviteter.

Hvilke nøglelæssoner har du med fra dine erfaringer i ledelsesroller hos Oracle, Sun Microsystems og Ernst & Young ind i grundlæggelsen af Gurucul?

Min ledelseserfaring hos Oracle, Sun Microsystems og Ernst & Young har styrket min evne til at løse komplekse sikkerhedsudfordringer og har givet mig en forståelse for de udfordringer, som Fortune 100-Chefer og CISO’er står overfor. Samlet set har det givet mig en front-row-plads til de teknologiske og forretningsmæssige udfordringer, som de fleste sikkerhedsledere står overfor, og har inspireret mig til at bygge løsninger, der kan brokke disse huller.

Hvordan adskiller Guruculs REVEAL-platform sig fra traditionelle SIEM-løsninger?

Arve SIEM-løsninger afhænger af statiske, regel-baserede tilgange, der fører til overmål af falske positiver, øgede omkostninger og forsinket opdækning og respons. Vores REVEAL-platform er fuldt cloud-nativ og AI-drevet, der udnytter avanceret maskinlæring, adfærd-analyse og dynamisk risikovurdering til at opdage og reagere på trusler i realtid. I modsætning til traditionelle platforme tilpasser REVEAL sig kontinuerligt til udviklende trusler og integrerer på tværs af on-premises, cloud og hybrid-miljøer for omfattende sikkerhedsdækning. Anerkendt som den ‘mest visionære’ SIEM-løsning i Gartners Magic Quadrant i tre på hinanden følgende år, redefine REVEAL AI-drevne SIEM med ubestridt præcision, hastighed og synlighed. Desuden kæmper SIEM’er med et data-overload-problem. De er for dyre til at indtage alt, der er nødvendigt for fuld synlighed, og selv hvis de gør det, tilføjer det blot til det falske positive problem. Gurucul forstår dette problem, og det er derfor, vi har en naturlig og AI-drevet Data Pipeline Management-løsning, der filtrerer ikke-kritisk data til lav-kost-storage, hvilket sparer penge, mens vi stadig kan køre fødereret søgning på tværs af alle data. Analytics-systemer er en “skrald-ind, skrald-ud”-situation. Hvis dataene, der kommer ind, er opblæste, unødvendige eller ufuldstændige, så vil outputtet ikke være præcist, handlebart eller til sidst troværdigt.

Kan du forklare, hvordan maskinlæring og adfærd-analyse bruges til at opdage trusler i realtid?

Vores platform udnytter over 4.000 maskinlæringsmodeller til kontinuerligt at analysere alle relevante datasæt og identificere anomalier og mistænkelige adfærd i realtid. I modsætning til arve sikkerhedssystemer, der afhænger af statiske regler, afslører REVEAL trusler, mens de opstår. Platformen udnytter også User and Entity Behavior Analytics (UEBA) til at etablere basliner for normal bruger- og enhedsadfærd, der kan identificere afvigelser, der kan indikere insider-trusler, kompromitterede konti eller ondsindet aktivitet. Denne adfærd kontekstualiseres yderligere af en big data-motor, der korrelerer, beriger og linker sikkerheds-, netværks-, IT-, IoT-, cloud-, identitets- og forretningsapplikationsdata samt interne og eksterne trussels-intelligence. Dette underretter en dynamisk risikovurderings-motor, der tildeler real-time risikovurderinger, der hjælper med at prioritere respons til kritiske trusler. Disse kapaciteter giver en omfattende, AI-drevet tilgang til real-time trussels-opdækning og respons, der adskiller REVEAL fra konventionelle sikkerhedsløsninger.

Hvordan hjælper Guruculs AI-drevne tilgang med at reducere falske positiver i forhold til konventionelle cybersecurity-systemer?

REVEAL-platformen reducerer falske positiver ved at udnytte AI-drevet kontekst-analyse, adfærd-insights og maskinlæring til at skelne mellem legitime brugeraktivitet og virkelige trusler. I modsætning til konventionelle løsninger forbedrer REVEAL sin opdækningskapacitet over tid, forbedrer nøjagtigheden og minimiserer støj. Dets UEBA-opdækker afvigelser fra baseline-aktivitet med høj nøjagtighed, hvilket giver sikkerhedshold mulighed for at fokusere på legitime sikkerhedsrisici snarere end at blive overvældet af falske alarmer. Mens maskinlæring er en grundlæggende aspekt, spiller generativ og agentic AI en betydelig rolle i yderligere at tilføje kontekst i naturligt sprog til at hjælpe analytikere med at forstå, hvad der sker omkring en alarm, og endda automatisere responsen til disse alarmer.

Hvad er rollen af adversarial AI i moderne cybersecurity-trusler, og hvordan bekæmper Gurucul disse udviklende risici?

Først og fremmest ser vi allerede, at adversarial AI anvendes på de laveste hængende frugter, det menneskelige vektor og identitets-baserede trusler. Dette er derfor, adfærd-baseret og identitets-analyse er kritisk vigtige for at kunne identificere usædvanlige adfærd, sætte dem i kontekst og forudsige ondsindet adfærd, før den spreder sig yderligere. Desuden er adversarial AI den sidste nagel i kisten for signatur-baserede detections-metoder. Modstandere bruger AI til at undgå disse TTP-definerede detections-regler, men igen kan de ikke undgå de adfærd-baserede detections på samme måde. SOC-hold er ikke ressourceret tilstrækkeligt til at fortsætte med at skrive regler for at holde trit med og vil kræve en moderne tilgang til trussels-opdækning, -undersøgelse og -respons. Adfærd og kontekst er de vigtigste ingredienser. Endelig afhænger platforme som REVEAL af en kontinuerlig feedback-løkke, og vi anvender konstant AI til at hjælpe os med at forfine vores detections-modeller, anbefale nye modeller og underrette ny trussels-intelligence, som vores hele økosystem af kunder kan drage fordel af.

Hvordan forbedrer Guruculs risiko-baserede vurderingssystem sikkerhedsholdenes evne til at prioritere trusler?

Vores platforms dynamiske risikovurderingssystem tildeler real-time risikovurderinger til brugere, enheder og handlinger baseret på observeret adfærd og kontekst-insights. Dette giver sikkerhedshold mulighed for at prioritere kritiske trusler, reducere respons-tider og optimere ressourcer. Ved at kvantificere risiko på en 0-100-skala sikrer REVEAL, at organisationer fokuserer på de mest kritiske incidenter snarere end at blive overvældet af lav-prioritets-alarmer. Med en samlet risikovurdering, der spænder på tværs af alle virksomhedsdatasæt, får sikkerhedshold større synlighed og kontrol, hvilket fører til hurtigere, mere informerede beslutninger.

I en tid med øgende datalæk, hvordan kan AI-drevne sikkerhedsløsninger hjælpe organisationer med at forebygge insider-trusler?

Insider-trusler er en særligt udfordrende sikkerhedsrisiko på grund af deres subtile natur og den adgang, som medarbejdere har. REVEALs UEBA-opdækker afvigelser fra etablerede adfærd-baserede basliner, der kan identificere risikofyldt adfærd såsom ikke-autorisations-adgang, usædvanlige login-tider og misbrug af privilegier. Dynamisk risikovurdering vurderer også kontinuerligt adfærd i realtid, hvilket tildeler risikoniveauer til at prioritere de mest kritiske insider-risici. Disse AI-drevne kapaciteter giver sikkerhedshold mulighed for at proaktivt opdage og afhjælpe insider-trusler, før de udvikler sig til datalæk. Givet den prædiktive natur af adfærd-analyse er Insider Risk Management en kapløb mod uret. Insider Risk Management-hold skal være i stand til at reagere og samarbejde hurtigt, med fokus på privatlivets beskyttelse. Kontekst er igen kritisk her, og ved at tilføje adfærd-afvigelser med kontekst fra identitetssystemer, HR-applikationer og alle andre relevante datasæt giver disse hold mulighed for hurtigt at bygge og forsvare en sag af beviser, så virksomheden kan reagere og afhjælpe, før data-ekstraktion sker.

Hvordan forbedrer Guruculs identitets-analyse-løsning sikkerheden i forhold til traditionelle IAM-værktøjer?

Traditionelle IAM-løsninger fokuserer på adgangskontrol og autentificering, men mangler intelligensen og synligheden til at opdage kompromitterede konti eller privilegie-misbrug i realtid. REVEAL går ud over disse begrænsninger ved at udnytte AI-drevne adfærd-analyse til kontinuerligt at vurderer bruger-risiko, dynamisk tilpasse risikovurderinger og gennemtvinge adaptive adgangs-berettigelse, hvilket minimiserer misbrug og illegitime privilegier. Ved at integrere med eksisterende IAM-rammer og gennemtvinge least-privilege-adgang forbedrer vores løsning identitetssikkerheden og reducerer angrebs-overfladen. Problemet med IAM-governance er identitetssystem-sprawl og manglen på sammenhæng mellem forskellige identitetssystemer. Gurucul giver hold en 360°-vy over deres identitets-risici på tværs af alle identitets-infrastrukturer. Nu kan de stoppe med at stæmple adgang, men i stedet tage en risiko-orienteret tilgang til adgangspolitikker. Desuden kan de accelerere den compliance-aspekt af IAM og demonstrere en kontinuerlig overvågning og en fuldstændig holistisk tilgang til adgangskontrol på tværs af organisationen.

Hvad er de nøgle-cybersecurity-trusler, du forudser i de næste fem år, og hvordan kan AI hjælpe med at afhjælpe disse udviklende risici?

Identitets-baserede trusler vil fortsætte med at sprede sig, fordi de har virket. Modstandere vil doble deres indsats for at opnå adgang ved at logge ind enten gennem at kompromittere insiders eller angribe identitets-infrastruktur. Naturligvis vil insider-trusler fortsætte med at være en nøgle-risiko-vektor for mange virksomheder, især da skygge-IT fortsætter. Uanset om det er ondsindet eller uagtsomt, vil virksomhederne stadig mere behøve indsigt i insider-risici. Desuden vil AI accelerere variationer af konventionelle TTP’er, fordi modstandere ved, at det er sådan, de kan undgå detections. Det vil være lavt omkostningskrævende for dem at skabe adaptive taktikker, teknikker og protokoller. Derfor er det igen vigtigt at fokusere på adfærd i kontekst og have detections-systemer, der kan tilpasse sig lige så hurtigt, vil være afgørende for den nærmeste fremtid.

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