Swimlane føjer brugerdefinerede detektioner af AI-trusler og tovejsunderstøttelse af MCP til Turbine

En AI-sikkerhedsanalytiker kan hurtigt undersøge en alarm, men kan ikke undersøge en alarm, der aldrig blev oprettet. Swimlane vil lukke dette hul med nye kundedefinerede detektionsfunktioner i sin Turbine-platform. De gør det muligt for sikkerhedsteams at anvende deres egen logik på driftsdata og sende de alarmer, der opstår, direkte til Swimlane AI SOC.

Udgivelsen den 28. oktober introducerer også tovejsunderstøttelse af Model Context Protocol (MCP) og en Hero AI Application Builder Agent. Tilsammen udvider tilføjelserne virksomhedens automatiseringsplatform til tre sammenhængende opgaver: at afgøre, hvilke aktiviteter der bør undersøges, at forbinde agenter med værktøjer og at bygge de applikationer, der understøtter et sikkerhedsarbejdsforløb.

Swimlane oplyser, at funktionerne er generelt tilgængelige. Meddelelsen præsenterer dem som tilføjelser til eksisterende sikkerhedsinfrastruktur, herunder sikkerhedsinformation og hændelseshåndtering (SIEM), detektion og reaktion på slutpunkter (EDR) samt værktøjer til cloud-sikkerhed.

Sikkerhedsteams får kontrol over, hvad der udløser en alarm

Mange AI SOC-produkter fokuserer på triagering, undersøgelse og reaktion, efter at et detektionssystem har identificeret mistænkelig adfærd. Denne arbejdsdeling bliver vanskeligere, når organisationer tager nye agenter, copiloter, lokale modeller og MCP-servere i brug hurtigere, end etablerede detektionsprodukter kan følge med.

En virksomhed kan have behov for at undersøge, om følsomme oplysninger er blevet sendt til en uautoriseret AI-tjeneste, om en lokal model bruges uventet, om en sikkerhedsforanstaltning er blevet deaktiveret, eller om en agent bruger langt flere ressourcer end tilsigtet i budgettet. Nogle af disse forhold afhænger af organisationens egne politikker og miljø frem for af et universelt mønster, som en leverandør kan fastlægge på forhånd.

De nye funktioner i Turbine gør det muligt for teams at afvikle deres egen detektionslogik på data, som platformen har adgang til. Swimlane oplyser, at en enkelt stor datahandling kan evaluere titusindvis af dataposter på tværs af parallelle beregningsnoder og derefter sende en alarm til AI SOC med henblik på undersøgelse og kontrolleret reaktion.

Denne arkitektur bringer detektionslogikken tættere på den automatisering, der handler på baggrund af resultaterne. I stedet for først at identificere et forhold og derefter manuelt sammensætte de næste trin kan et team knytte sin organisationsspecifikke regel til et eksisterende undersøgelsesforløb. Hvor nyttig en detektion er, afhænger stadig af, om de relevante aktiviteter fremgår af de data, Turbine har adgang til.

»Sikkerhedsbranchen har brugt de seneste to år på at diskutere, hvor selvstændigt AI kan håndtere en alarm, men det springer et mere grundlæggende spørgsmål over: Hvor kom alarmen fra?« sagde Cody Cornell, Swimlanes medstifter og administrerende direktør.

Udgivelsen beskriver også AI-assisteret oprettelse af detektioner. Teams kan forklare, hvilken detektion de ønsker, og bruge Turbines funktioner til generering af playbooks som hjælp til at opbygge den. At generere logikken og at fastslå, at den pålideligt identificerer den tilsigtede adfærd, er fortsat to separate opgaver: Organisationsspecifikke regler skal afspejle dataene, tilladelserne og forholdene i det miljø, hvor de køres.

Undersøgelse af AI-systemer som mulige kilder til hændelser

Swimlane beskriver disse scenarier som AI-detektion og -reaktion, forkortet AIDR: Selve AI-systemet bliver genstand for hændelsen. Det adskiller sig fra blot at bruge en AI-model til at opsummere en traditionel phishing- eller slutpunktsalarm.

Prompt-injektion illustrerer forskellen. En agent kan støde på instruktioner, der er indlejret i indhold, den behandler, hvilket skaber en risiko for, at eksternt materiale påvirker dens adfærd. En nyttig undersøgelse kan kræve, at man undersøger agentens input, værktøjsaktivitet og efterfølgende handlinger i stedet for kun at lede efter en velkendt indikator på malware.

En uventet stigning i forbruget kan ligeledes være tegn på en fejlbehæftet eller forkert dirigeret agent uden at ligne et traditionelt indbrud. Kundedefineret logik giver teams mulighed for at beskrive, hvad der er unormalt i deres egen implementering, forudsat at de nødvendige signaler om forbrug og drift er tilgængelige.

Den oplyste behandlingskapacitet er en specifikation fra virksomheden, ikke et offentliggjort benchmark for detektion af enhver form for prompt-injektion eller uautoriseret AI-brug. Den praktiske ændring er, at teams får endnu en måde at omsætte deres egne observationer til sager, der kan handles på, sideløbende med alarmer fra etablerede sikkerhedsprodukter.

MCP forbinder agenter og automatisering i begge retninger

MCP leverer en fælles grænseflade, som AI-applikationer kan bruge til at anvende værktøjer. Swimlanes oktoberudgivelse understøtter begge sider af denne forbindelse.

Som MCP-vært gør Turbine det muligt for Hero AI at oprette forbindelse til tredjeparts-MCP-servere og bruge deres værktøjer under undersøgelser og i playbooks, med centraliseret godkendelse og adgangskontrol. Et sikkerhedsarbejdsforløb kan dermed benytte en ekstern MCP-kompatibel funktion sammen med de API-integrationer, det allerede bruger.

Som MCP-server stiller Turbine kontrolleret automatisering til rådighed for eksterne AI-klienter. I meddelelsen nævnes Claude, ChatGPT, Cursor, Gemini CLI og Microsoft Copilot som eksempler på klienter, der kan aktivere komponenter i Turbine, herunder playbooks med flere trin, inden for de eksisterende rollebaserede adgangskontroller.

Skellet har væsentlig betydning. I den første retning tager Swimlanes agent kontakt til et andet system. I den anden kan en ekstern assistent igangsætte en godkendt Turbine-arbejdsgang. Ved at forbinde en assistent med en etableret handlingsplan kan en virksomhed genbruge sin eksisterende automatisering og sine tilladelser i stedet for at genskabe den operationelle proces i hver enkelt AI-klient.

Swimlane oplyser, at Turbine kan kombinere MCP-værktøjer med traditionelle API’er. Det gør udgivelsen relevant for miljøer, hvor kun nogle systemer understøtter MCP: Teams kan indarbejde protokollen i en bredere arbejdsgang uden at skulle ændre alle eksisterende integrationer på én gang.

Udvikling af sikkerhedsapplikationer med menneskelig gennemgang

Hero AI-agenten til opbygning af applikationer tager fat på en anden kilde til arbejde: konfiguration af de datastrukturer, layouts og arbejdsgange, som et nyt sikkerhedsanvendelsesområde kræver. Brugerne beskriver deres behov i naturligt sprog, hvorefter agenten opretter eller ændrer den tilsvarende applikation.

Ifølge meddelelsen forbliver genererede ændringer ikke-gemte, indtil en person har gennemgået dem. Ændringerne fremhæves, og brugerne kan acceptere eller afvise dem, før de gemmes. Dette godkendelsestrin er vigtigt, fordi en applikations struktur kan påvirke, hvordan analytikere indsamler dokumentation, flytter sager mellem faser og gennemfører en indsats.

Den nye agent bygger videre på den bredere Hero AI-portefølje. Swimlanes produktmateriale beskriver eksisterende agenter til dataindlæsning, generering af handlingsplaner, visualiseringer og undersøgelser samt muligheden for at vælge modeller til individuelle agenter. Applikationsopbygning udvider denne hjælp til det operationelle arbejdsområde omkring disse opgaver.

Kombination af AI-ræsonnering med forudsigelig automatisering

Tilføjelserne indgår i routingmodellen for Swimlane AI SOC, som fordeler arbejdet mellem deterministisk automatisering, AI-understøttet undersøgelse og fuldt agentbaseret undersøgelse alt efter, hvilken ræsonnering der er behov for. Eksisterende handlingsplaner kan håndtere velkendte trin, mens mere komplekse sager kan trække på agentbaseret undersøgelse og menneskelig gennemgang.

Dette er en vigtig del af produktets udformning: En arbejdsgang behøver ikke at sende alle opgaver gennem en model. En velkendt indsatssekvens kan fortsat være konventionel automatisering, mens en agent hjælper med at fortolke ukendt dokumentation eller udarbejde en undersøgelsesplan.

Kundedefineret detektion tilføjer et tidligere beslutningstrin i denne driftsmodel: Hvad skal overhovedet udløse processen? For sikkerhedsteams, der indfører AI i hele organisationen, giver oktoberudgivelsen mulighed for at forbinde deres egen viden om acceptabel adfærd med de værktøjer, der undersøger og reagerer, når aktiviteten afviger fra den.