Carl Froggett, CIO von Deep Instinct – Interview-Serie

Carl Froggett ist der Chief Information Officer (CIO) von Deep Instinct, einem Unternehmen, das auf einer einfachen Prämisse gegründet wurde: dass Deep Learning, eine fortschrittliche Teilmenge von KI, auf die Cybersicherheit angewendet werden kann, um mehr Bedrohungen zu verhindern, schneller.

Herr Froggett hat eine bewährte Erfolgsbilanz im Aufbau von Teams, Systemarchitektur, groß angelegter Unternehmenssoftware-Implementierung sowie bei der Ausrichtung von Prozessen und Werkzeugen an die Geschäftsanforderungen. Froggett war zuvor Leiter der globalen Infrastruktur-Verteidigung, CISO Cyber-Sicherheitsdienste bei Citi.

Ihre Erfahrung liegt in der Finanzindustrie, können Sie uns Ihre Geschichte erzählen, wie Sie dann in die Cybersicherheit wechselten?

Ich begann in den späten 90er Jahren bei Citi mit der Arbeit in der Cybersicherheit, als ich von einer IT-Rolle wechselte. Ich übernahm schnell eine Führungsposition und wendete meine Erfahrung in der IT-Betriebsumgebung auf die sich entwickelnde und herausfordernde Welt der Cybersicherheit an. In der Cybersicherheit hatte ich die Gelegenheit, mich auf Innovation zu konzentrieren, während ich auch Technologie und Cybersicherheitslösungen für verschiedene Geschäftsanforderungen einsetzte und betrieb. Während meiner Zeit bei Citi umfassten meine Aufgaben Innovation, Engineering, Lieferung und Betrieb globaler Plattformen für Citis Geschäfte und Kunden weltweit.

Sie waren über 25 Jahre bei Citi und verbrachten viel Zeit damit, Teams zu leiten, die für Sicherheitsstrategien und Ingenieursaspekte verantwortlich waren. Was hat Sie dazu bewogen, zum Deep-Instinct-Start-up beizutreten?

Ich trat Deep Instinct bei, weil ich eine neue Herausforderung annehmen und meine Erfahrung auf eine andere Weise einsetzen wollte. Für 15+ Jahre war ich stark in Cyber-Start-ups und FinTech-Unternehmen engagiert, ich habe Teams zum Wachstum der Geschäfte mentoriert und einige Unternehmen bis zum Börsengang begleitet. Ich kannte Deep Instinct und sah, wie ihre einzigartige, disruptive Deep-Learning-Technologie (DL) Ergebnisse erzielte, die kein anderer Anbieter erreichen konnte. Ich wollte Teil von etwas sein, das eine neue Ära des Schutzes von Unternehmen vor den bösartigen Bedrohungen einleiten würde, mit denen wir jeden Tag konfrontiert werden.

Können Sie erläutern, warum die Anwendung von Deep Learning auf die Cybersicherheit so ein Game-Changer ist?

Als Deep Instinct ursprünglich gegründet wurde, setzte das Unternehmen sich das ambitionierte Ziel, die Cybersicherheitsbranche zu revolutionieren, indem es eine Präventions-Philosophie einführte, anstatt auf dem Rückfuß mit einem “Erkennen, Reagieren, Eindämmen”-Ansatz zu sein. Mit der zunehmenden Zahl von Cyberangriffen wie Ransomware, Zero-Day-Exploitations und anderen noch nie dagewesenen Bedrohungen funktioniert das traditionelle reaktive Sicherheitsmodell nicht. Jetzt, da wir weiterhin eine Zunahme von Bedrohungen in Bezug auf Volumen und Geschwindigkeit aufgrund von Generative KI sehen und Angreifer ihre Taktiken erneuern, innovieren und bestehende Kontrollen umgehen, benötigen Organisationen eine prädiktive, präventive Fähigkeit, um einen Schritt voraus zu sein.

Adversarial AI ist im Aufstieg, mit bösartigen Akteuren, die WormGPT, FraudGPT, mutierendes Malware und mehr nutzen. Wir haben eine entscheidende Zeit erreicht, in der es erforderlich ist, dass Organisationen KI mit KI bekämpfen. Aber nicht alle KI ist gleich. Die Verteidigung gegen adversarial AI erfordert Lösungen, die von einer fortgeschritteneren Form von KI angetrieben werden, nämlich Deep Learning (DL). Die meisten Cybersicherheits-Tools nutzen Machine-Learning-Modelle (ML), die mehrere Nachteile für Sicherheitsteams bei der Verhinderung von Bedrohungen aufweisen. Zum Beispiel werden diese Angebote auf begrenzten Teilmengen der verfügbaren Daten (in der Regel 2-5%) trainiert, bieten nur 50-70% Genauigkeit bei unbekannten Bedrohungen und führen zu vielen falschen Positiven. ML-Lösungen erfordern auch eine starke menschliche Intervention und werden auf kleinen Datensätzen trainiert, was sie anfällig für menschliche Vorurteile und Fehler macht. Sie sind langsam und unresponsiv, selbst auf dem Endgerät, und lassen Bedrohungen bis zur Ausführung liegen, anstatt sie im Ruhezustand zu bekämpfen. Was DL effektiv macht, ist seine Fähigkeit, selbst zu lernen, während es Daten verarbeitet und autonom arbeitet, um komplexe Bedrohungen zu identifizieren, zu erkennen und zu verhindern.

DL ermöglicht es Führungskräften, von einer traditionellen “Annahme der Verletzung” zu einer prädiktiven Präventionsstrategie zur Bekämpfung von KI-generiertem Malware überzugehen. Dieser Ansatz hilft dabei, Bedrohungen zu identifizieren und zu mildern, bevor sie auftreten. Er liefert eine extrem hohe Wirksamkeitsrate gegen bekannte und unbekannte Malware und extrem niedrige Falsch-Positiv-Raten im Vergleich zu ML-basierten Lösungen. Der DL-Kern erfordert nur einmal oder zweimal im Jahr ein Update, um diese Wirksamkeit aufrechtzuerhalten, und arbeitet unabhängig, ohne dass ständige Cloud-Abfragen oder Intel-Freigaben erforderlich sind. Dies macht es extrem schnell und datenschutzfreundlich.

Wie kann Deep Learning unbekanntes Malware vorhersagend verhindern, das noch nie zuvor aufgetreten ist?

Unbekanntes Malware wird auf verschiedene Weise erstellt. Eine gängige Methode besteht darin, den Hash in der Datei zu ändern, was so einfach sein kann wie das Anhängen eines Bytes. Endpoint-Sicherheitslösungen, die auf Hash-Blacklisting basieren, sind anfällig für solche “Mutationen”, da ihre bestehenden Hash-Signaturen nicht mit den neuen Mutationen übereinstimmen. Ein weiteres Verfahren ist das Packen, bei dem Binärdateien mit einem Packer versehen werden, der eine generische Schicht auf die ursprüngliche Datei aufbringt – denken Sie daran, als ob es sich um eine Maske handelt. Neue Varianten werden auch durch Änderung der ursprünglichen Malware-Binärdatei selbst erstellt. Dies geschieht auf den Merkmalen, die Sicherheitsanbieter möglicherweise signieren, beginnend mit hartcodierten Zeichenfolgen, IP-/Domain-Namen von C&C-Servern, Registrierungsschlüsseln, Dateipfaden, Metadaten oder sogar Mutexen, Zertifikaten, Offsets sowie Dateierweiterungen, die mit den verschlüsselten Dateien von Ransomware korreliert sind. Der Code oder Teile des Codes können auch geändert oder hinzugefügt werden, was traditionelle Erkennungstechniken umgeht.

DL basiert auf einem neuronalen Netzwerk und nutzt sein “Gehirn”, um sich kontinuierlich auf Rohdaten zu trainieren. Ein wichtiger Punkt hierbei ist, dass DL-Training alle verfügbaren Daten verbraucht, ohne menschliche Intervention im Training – ein wichtiger Grund, warum es so genau ist. Dies führt zu einer sehr hohen Wirksamkeitsrate und einer sehr niedrigen Falsch-Positiv-Rate, was es hyper-resilient gegen unbekannte Bedrohungen macht. Mit unserem DL-Framework stützen wir uns nicht auf Signaturen oder Muster, sodass unsere Plattform immun gegen Hash-Modifikationen ist. Wir klassifizieren auch erfolgreich gepackte Dateien – sowohl einfache und bekannte als auch FUDs.

Während der Trainingsphase fügen wir “Rauschen” hinzu, das die Rohdaten aus den Dateien, die wir unserem Algorithmus einfügen, ändert, um automatisch leichte “Mutationen” zu erzeugen, die in jedem Trainingszyklus während unserer Trainingsphase eingegeben werden. Dieser Ansatz macht unsere Plattform resistent gegen Modifikationen, die auf die verschiedenen unbekannten Malware-Varianten angewendet werden, wie z. B. Zeichenfolgen oder sogar Polymorphismus.

Ein Präventions-First-Mindset ist oft der Schlüssel zur Cybersicherheit, wie konzentriert sich Deep Instinct auf die Verhinderung von Cyberangriffen?

Daten sind das Lebensblut jeder Organisation und ihr Schutz sollte von höchster Priorität sein. Es reicht aus, wenn eine einzige bösartige Datei in die Hände von Angreifern fällt. Seit Jahren ist “Annahme der Verletzung” die de facto-Sicherheitsmentalität, die davon ausgeht, dass Daten unweigerlich von Bedrohungsakteuren abgerufen werden. Diese Mentalität und die darauf basierenden Werkzeuge haben jedoch versagt, einen angemessenen Datenschutz zu bieten, und Angreifer nutzen diese passive Herangehensweise voll aus. Unsere jüngsten Forschungsergebnisse haben gezeigt, dass es im ersten Halbjahr 2023 mehr Ransomware-Vorfälle gab als im gesamten Jahr 2022. Um diese sich verändernde Bedrohungslandschaft effektiv anzugehen, müssen Unternehmen nicht nur von einer “Annahme der Verletzung”-Mentalität wegkommen, sondern auch einen ganz neuen Ansatz und eine neue Arsenal von präventiven Maßnahmen benötigen. Die Bedrohung ist neu und unbekannt und sie ist schnell, was der Grund dafür ist, dass wir diese Ergebnisse bei Ransomware-Vorfällen sehen. Genau wie Signaturen nicht mit der sich verändernden Bedrohungslandschaft Schritt halten konnten, können auch keine bestehenden Lösungen, die auf ML basieren.

Bei Deep Instinct nutzen wir die Kraft von DL, um einen Präventions-First-Ansatz für den Datenschutz zu bieten. Die Deep Instinct Predictive Prevention Platform ist die erste und einzige Lösung, die auf unserem einzigartigen DL-Framework basiert, das speziell für die Cybersicherheit entwickelt wurde. Es ist die effizienteste, effektivste und vertrauenswürdigste Cybersicherheitslösung auf dem Markt, die mehr als 99% der Zero-Day-, Ransomware- und anderen unbekannten Bedrohungen in weniger als 20 Millisekunden mit der niedrigsten Falsch-Positiv-Rate der Branche (<0,1%) verhindert. Wir haben unser einzigartiges DL-Framework bereits auf die Sicherung von Anwendungen und Endgeräten angewendet und haben unsere Fähigkeiten kürzlich mit dem Start von Deep Instinct Prevention for Storage auf den Schutz von Speichererweiterungen erweitert.

Ein Wechsel zu einer prädiktiven Prävention für den Datensicherheit ist erforderlich, um vor Anfälligkeiten zu bleiben, falsche Positivergebnisse zu begrenzen und den Stress der Sicherheitsteams zu lindern. Wir sind an der Spitze dieser Mission und es beginnt, an Fahrt zu gewinnen, da immer mehr etablierte Anbieter nun Präventions-First-Fähigkeiten anbieten.

Können Sie erläutern, welche Art von Trainingsdaten zum Trainieren Ihrer Modelle verwendet wird?

Wie andere KI- und ML-Modelle trainiert unser Modell auf Daten. Was unser Modell einzigartig macht, ist, dass es keine Daten oder Dateien von Kunden benötigt, um zu lernen und zu wachsen. Diese einzigartige Datenschutz-Aspekt gibt unseren Kunden ein zusätzliches Gefühl der Sicherheit, wenn sie unsere Lösungen einsetzen. Wir abonnieren mehr als 50 Feeds, die wir herunterladen, um unser Modell zu trainieren. Von dort aus validieren und klassifizieren wir die Daten selbst mit Algorithmen, die wir intern entwickelt haben.

Da unser Trainingsmodell so konzipiert ist, müssen wir nur alle 2-3 Jahre ein neues “Gehirn” erstellen. Diese neuen Gehirne werden unabhängig bereitgestellt, was den Betriebseffekt auf unsere Kunden erheblich reduziert. Es erfordert auch keine ständigen Updates, um mit der sich verändernden Bedrohungslandschaft Schritt zu halten. Dies ist der Vorteil der Plattform, die von DL angetrieben wird, und ermöglicht es uns, einen proaktiven, präventiven Ansatz zu bieten, während andere Lösungen, die KI und ML nutzen, reaktive Fähigkeiten bieten.

Wenn das Repository bereit ist, erstellen wir Datensätze mit allen Dateitypen und malignen sowie benignen Klassifizierungen sowie anderen Metadaten. Von dort aus trainieren wir ein Gehirn auf allen verfügbaren Daten – wir verwerfen keine Daten während des Trainingsprozesses, was zu einer niedrigen Falsch-Positiv-Rate und einer hohen Wirksamkeitsrate beiträgt. Diese Daten lernen kontinuierlich ohne unsere Eingabe. Wir justieren die Ergebnisse, um das Gehirn zu unterrichten, und dann lernt es weiter. Es ist sehr ähnlich wie ein menschliches Gehirn und wie wir lernen – je mehr wir unterrichtet werden, desto genauer und intelligenter werden wir. Wir sind jedoch sehr vorsichtig, um Überanpassung zu vermeiden, um unser DL-Gehirn davon abzuhalten, die Daten zu memorieren, anstatt sie zu lernen und zu verstehen.

Wenn wir eine extrem hohe Wirksamkeitsrate erreicht haben, erstellen wir ein Inferenzmodell, das bei den Kunden bereitgestellt wird. Wenn das Modell in diesem Stadium bereitgestellt wird, kann es nichts Neues lernen. Es hat jedoch die Fähigkeit, mit neuen Daten und unbekannten Bedrohungen zu interagieren und zu bestimmen, ob sie bösartiger Natur sind. Im Wesentlichen trifft es eine “Zero-Day”-Entscheidung über alles, was es sieht.

Deep Instinct läuft in einer Container-Umgebung des Kunden, warum ist das wichtig?

Eine unserer Plattformlösungen, Deep Instinct Prevention for Applications (DPA), bietet die Möglichkeit, unsere DL-Fähigkeiten über eine API/iCAP-Schnittstelle zu nutzen. Diese Flexibilität ermöglicht es Organisationen, unsere revolutionären Fähigkeiten in Anwendungen und Infrastruktur einzubetten, was bedeutet, dass wir unsere Reichweite erweitern können, um Bedrohungen mithilfe einer Verteidigungsstrategie in der Tiefe zu verhindern. Dies ist ein einzigartiger Unterschied. DPA läuft in einem Container (den wir bereitstellen), und stimmt mit den modernen Digitalisierungsstrategien unserer Kunden überein, die sie für ihre Anwendungen und Dienste umsetzen, wie z. B. die Migration zu On-Premises- oder Cloud-Container-Umgebungen. Im Allgemeinen adoptieren diese Kunden auch eine “Shift-Left”-Strategie mit DevOps. Unser API-orientiertes Dienstmodell ergänzt dies, indem es die agile Entwicklung und Dienste ermöglicht, um Bedrohungen zu verhindern.

Deep Instinct integriert sich mit diesem Ansatz nahtlos in die Technologie-Strategie einer Organisation ein, indem es bestehende Dienste nutzt, ohne neue Hardware oder logistische Bedenken und ohne neue betriebliche Overhead, was zu einem sehr niedrigen TCO führt. Wir nutzen alle Vorteile, die Container bieten, einschließlich massiver Auto-Skalierung auf Abruf, Resilienz, geringer Latenz und einfacher Upgrades. Dies ermöglicht eine präventive Cybersicherheitsstrategie, die Bedrohungsverhinderung in Anwendungen und Infrastruktur auf massive Weise einbettet, mit Effizienzen, die herkömmliche Lösungen nicht erreichen können. Aufgrund der DL-Eigenschaften haben wir den Vorteil einer geringen Latenz, hoher Wirksamkeit / niedriger Falsch-Positiv-Rate, kombiniert mit Datenschutz – keine Datei oder Daten verlassen jemals den Container, der immer unter der Kontrolle des Kunden steht. Unser Produkt benötigt keine Cloud-Freigabe, keine Analyse oder keine Datei-/Daten-Freigabe, was es einzigartig im Vergleich zu jedem bestehenden Produkt macht.

Generative KI bietet das Potenzial, Cyberangriffe zu skalieren, wie hält Deep Instinct das erforderliche Tempo, um diese Angriffe abzuwehren?

Unser DL-Framework basiert auf neuronalen Netzen, sodass sein “Gehirn” kontinuierlich auf Rohdaten trainiert wird. Die Geschwindigkeit und Genauigkeit, mit der unser Framework arbeitet, sind das Ergebnis der Tatsache, dass das Gehirn auf Hunderten von Millionen von Samples trainiert wurde. Wenn diese Trainingsdatensätze wachsen, wird das neuronale Netz kontinuierlich intelligenter, sodass es viel detaillierter versteht, was ein bösartige Datei ausmacht. Da es die Bausteine von bösartigen Dateien auf einem detaillierteren Level als jede andere Lösung erkennen kann, stoppt DL bekannte, unbekannte und Zero-Day-Bedrohungen mit besserer Genauigkeit und Geschwindigkeit als andere etablierte Cybersicherheitsprodukte. Dies, kombiniert mit der Tatsache, dass unser “Gehirn” keine Cloud-Analyse oder -Abfragen benötigt, macht es einzigartig. ML allein war nie ausreichend, was der Grund dafür ist, dass wir Cloud-Analyse haben, um ML zu untermauern – aber das macht es langsam und reaktiv. DL hat einfach keine dieser Einschränkungen.

Was sind einige der größten Bedrohungen, die durch Generative KI verstärkt werden, auf die Unternehmen achten sollten?

Phishing-E-Mails sind aufgrund der Entwicklung von KI viel sophistizierter geworden. Früher waren Phishing-E-Mails in der Regel leicht zu erkennen, da sie normalerweise mit grammatischen Fehlern gespickt waren. Aber jetzt nutzen Angreifer Tools wie ChatGPT, um tiefere, grammatisch korrekte E-Mails in verschiedenen Sprachen zu erstellen, die für Spam-Filter und Leser schwieriger zu erkennen sind.

Ein weiteres Beispiel sind Deep Fakes, die aufgrund der Sophistikation von KI viel realistischer und glaubwürdiger geworden sind. Audio-KI-Tools werden auch verwendet, um die Stimmen von Führungskräften innerhalb eines Unternehmens zu simulieren, um gefälschte Voicemails für Mitarbeiter zu hinterlassen.

Wie oben erwähnt, nutzen Angreifer KI, um unbekanntes Malware zu erstellen, das sein Verhalten ändern kann, um Sicherheitslösungen zu umgehen, Erkennung zu vermeiden und sich effektiver zu verbreiten. Angreifer werden KI nicht nur nutzen, um neue, sophistizierte, einzigartige und bisher unbekannte Malware zu erstellen, die bestehende Lösungen umgeht, sondern auch, um die “End-to-End”-Angriffskette zu automatisieren. Dies wird ihre Kosten erheblich reduzieren, ihre Skalierbarkeit erhöhen und gleichzeitig zu Angriffen mit komplexeren und erfolgreichen Kampagnen führen. Die Cybersicherheitsbranche muss ihre bestehenden Lösungen, Trainings- und Bewusstseinsprogramme, auf die wir in den letzten 15 Jahren gesetzt haben, neu überdenken. Wie wir in den Verletzungen in diesem Jahr allein sehen, versagen sie bereits und es wird schlimmer.

Können Sie kurz zusammenfassen, welche Arten von Lösungen Deep Instinct in Bezug auf Anwendungs-, Endgerät- und Speicherlösungen anbietet?

Die Deep Instinct Predictive Prevention Platform ist die erste und einzige Lösung, die auf einem einzigartigen DL-Framework basiert, das speziell zur Lösung der heutigen Cybersicherheits-Herausforderungen entwickelt wurde – nämlich, Bedrohungen zu verhindern, bevor sie ausführen und in der Umgebung landen können. Die Plattform hat drei Säulen:

1. Agentlos, in einer containerisierten Umgebung, verbunden über API oder ICAP: Deep Instinct Prevention for Applications ist eine agentlose Lösung, die Ransomware, Zero-Day-Bedrohungen und andere unbekannte Malware verhindert, bevor sie Ihre Anwendungen erreichen, ohne die Benutzererfahrung zu beeinträchtigen.
2. Agent-basiert auf dem Endgerät: Deep Instinct Prevention for Endpoints ist eine eigenständige Präventions-Plattform, die vor der Ausführung und nicht wie die meisten Lösungen heute nach der Ausführung arbeitet. Oder es kann eine tatsächliche Bedrohungs-Präventions-Schicht bereitstellen, um bestehende EDR-Lösungen zu ergänzen. Es verhindert bekannte und unbekannte, Zero-Day- und Ransomware-Bedrohungen vor der Ausführung, bevor irgendwelche bösartigen Aktivitäten stattfinden, was den Umfang von Warnungen und Falsch-Positiven erheblich reduziert, sodass SOC-Teams sich ausschließlich auf hochwertige, legitime Bedrohungen konzentrieren können.
3. Ein präventiver Ansatz zum Schutz von Speicher: Deep Instinct Prevention for Storage bietet einen prädiktiven Präventionsansatz, um Ransomware, Zero-Day-Bedrohungen und andere unbekannte Malware daran zu hindern, Speicherumgebungen zu infiltrieren – egal, ob die Daten auf dem lokalen Rechner oder in der Cloud gespeichert sind. Es bietet eine schnelle, extrem wirksame Lösung auf der zentralisierten Speicherung für die Kunden, um die Speicherung vor der Verbreitung und Verteilung von Bedrohungen zu schützen.

Vielen Dank für die großartige Bewertung. Leser, die mehr erfahren möchten, sollten Deep Instinct besuchen.