Pascal Geenens, VP Cyber Threat Intelligence, Radware – Interview-Serie

Pascal Geenens, VP Cyber Threat Intelligence, Radware, ist ein Cybersicherheitsforscher und Technologieführer mit mehr als zwei Jahrzehnten Erfahrung in den Bereichen Informationstechnologie, Netzwerksicherheit und Bedrohungsanalyse. Bei Radware hilft er bei der Leitung der Forschung und Thought Leadership des Unternehmens im Bereich der sich entwickelnden Cyber-Bedrohungslandschaft, mit besonderem Fokus auf verteilte Denial-of-Service-Angriffe, Internet-of-Things-Malware, automatisierte Bedrohungen und den zunehmenden Einsatz von künstlicher Intelligenz durch Angreifer und Verteidiger. Geenens entwickelt und unterhält IoT-Honeypots als Teil des Sicherheitsforschungsteams von Radware und hat umfangreiche Forschungen zu Bedrohungen wie BrickerBot und Hajime durchgeführt. Bevor er zu Radware kam, arbeitete er als Consulting-Engineer bei Juniper Networks , wo er große Cloud- und Kommunikationsdienstleister in Europa, dem Nahen Osten und Afrika über Software-Defined-Networking, Network-Functions-Virtualisierung und Data-Center-Automatisierungsstrategien beriet.

Radware ist ein börsennotiertes Cybersicherheits- und Anwendungs-Delivery-Unternehmen, das Unternehmen hilft, Netzwerke, Websites, Anwendungen und APIs in physischen, Cloud-, Hybrid- und softwaredefinierten Umgebungen zu schützen. Das Portfolio umfasst AI-gesteuerten Distributed-Denial-of-Service-Schutz, Web-Anwendung-Feuerwände, Bot-Management, API-Sicherheit, Anwendungs-Delivery-Controller und Managed-Emergency-Response-Dienste. Durch die Kombination von Verhaltensanalyse, Machine Learning, Cloud-Scale-Bedrohungsanalyse und automatischer Schadensbegrenzung ist die Technologie von Radware darauf ausgelegt, böswillige Aktivitäten in Echtzeit zu erkennen, während sie den Zugriff für legitime Benutzer aufrechterhält und die Verfügbarkeit und Leistung kritischer digitaler Dienste gewährleistet.

Sie haben fast drei Jahrzehnte in der Cybersicherheit verbracht, von IBM AIX-Kernel-Support und Infrastruktur-Engineering bis hin zur Entdeckung von Botnets wie BrickerBot, JenX und Demonbot, und jetzt leiten Sie die Bedrohungsanalyse bei Radware. Wenn Sie zurückblicken, welche sind die größten Veränderungen, die Sie bei der Innovation der Angreifer beobachtet haben, und wie hat die künstliche Intelligenz Ihre Erwartungen an die nächste Generation von Cyber-Bedrohungen verändert?

Die Bedrohungslandschaft hat sich grundlegend von einzelnen Hackern, die hochtechnische Enthusiasten waren, zu hochorganisierten, sophistizierten Unternehmern verändert. In der Vergangenheit war ein Hacker in der Regel durch die technische Herausforderung selbst motiviert. Heute hat die Kombination aus digitaler Beschleunigung und generativer künstlicher Intelligenz den gesamten Betrieb kommerzialisiert und eine mature Crime-as-a-Service-(CaaS)-Wirtschaft angetrieben. Böswillige Akteure haben im Wesentlichen das Corporate-Software-as-a-Service-(SaaS)-Modell nachgeahmt und verkaufen fortschrittliche Tools an jeden. Dies ermöglicht es völligen Anfängern, sophisticatede Angriffe im großen Maßstab zu starten. Wenn unser digitales Fußabdruck jedes Jahr expandiert, wächst die verfügbare Angriffsfläche und die Möglichkeiten für finanzielle Ausbeutung entsprechend.

Künstliche Intelligenz treibt das nächste Kapitel dieser Entwicklung auf zwei unterschiedliche Weise voran.

Erstens demokratisiert sie die Cybersicherheit. Sie gibt Amateur-Angreifern einen sofortigen Kapazitätsboost und hilft großen Syndikaten, ihre Operationen zu straffen, ihre Benutzeroberflächen zu polieren und ihre böswilligen Dienstleistungen viel effizienter zu vermarkten.

Zweitens und wichtiger ist der Aufstieg der agentischen künstlichen Intelligenz in Kombination mit den neuesten Frontier-Modellen, der die Lebenszyklus-Verwundbarkeit automatisiert. Wir bewegen uns in Richtung einer operativen Realität, in der Maschinen autonom Netzwerke scannen, Verwundbarkeiten entdecken und Exploits fast vollständig selbstständig generieren können, 24 Stunden am Tag und 7 Tage die Woche, und Aktionen ausführen, die um Größenordnungen schneller sind als jeder menschliche Verteidiger.

Künstliche Intelligenz senkt den technischen Schwellenwert für Angreifer dramatisch. Welche offensiven künstlichen Intelligenz-Fähigkeiten bereiten Ihnen in den nächsten drei bis fünf Jahren die größten Sorgen, und welche erhalten Ihrer Meinung nach zu viel Aufmerksamkeit?

Der Bereich, der derzeit die engste Aufmerksamkeit erfordert, ist die AI-gestützte Verwundbarkeitsentdeckung und -ausbeutung. Im Moment, in dem ein Fehler offengelegt wird, beginnt ein Wettlauf. Angreifer nutzen künstliche Intelligenz, um den Fehler sofort zu analysieren, zu bestimmen, wo er anwendbar ist, und Exploit-Variationen zu generieren und zu testen. Dies komprimiert die Ausbeutungszeitlinie, die bereits zu schnell für die meisten Unternehmens-Patch-Management-Prozesse war.

Gleichzeitig sehen wir einen großen Wandel hin zu lokalen, kontinuierlichen künstlichen Intelligenz-Systemen. Insbesondere der Aufstieg von “lokalen Agenten mit einem Herzschlag”. Ein Beispiel ist OpenClaw und Microsofts (MSFT ) jüngste Ankündigung, OpenClaw in jeder Taskbar eines Mitarbeiters zu integrieren. Im Gegensatz zu herkömmlichen Cloud-basierten Assistenten laufen diese lokalen Agenten kontinuierlich im Hintergrund, direkt auf dem Gerät des Mitarbeiters. Sie operieren über kontinuierliche Schleifen und imitieren menschliches Verhalten, wie z. B. Tippen und Navigieren durch Browser-Automatisierung. Dies macht es für herkömmliche Endgeräte-Sicherheitssysteme praktisch unmöglich, zwischen dem Mitarbeiter und dem künstlichen Intelligenz-Agenten zu unterscheiden.

Die überbewertete Gefahr ist das Potenzial für vollständig autonome, Zero-Day-ausbeutende künstliche Intelligenz-Schwärme, die komplexe Unternehmen im großen Maßstab von Grund auf angreifen können. Das mag irgendwann eintreten, aber es ist nicht das heutige Problem. Heute ist das Problem menschliche Experten-Angreifer mit wesentlich verbesserten Werkzeugen und Automatisierung und einer zunehmenden Anzahl weniger erfahrener Angreifer, die mehr tun können, als sie es früher konnten.

Die Zeit zwischen der Offenlegung einer Verwundbarkeit und der aktiven Ausbeutung wird immer kürzer. Wie sehr hat künstliche Intelligenz diese Zeitlinie beschleunigt, und welche Änderungen sollten Unternehmens-Sicherheitsteams vornehmen, um voranzubleiben?

Es ist ein zweifacher Wettlauf: auf der einen Seite haben Sie den Wettlauf, um neue Verwundbarkeiten zu entdecken, zu beheben und offenzulegen, bevor die Bösen es tun, und auf der anderen Seite den Wettlauf, um anfällige Software-Deployments zu patchen, bevor die Bösen einen Exploit auslösen. Künstliche Intelligenz ist in beiden Rennen im Mittelpunkt.

Verteidiger müssen mit einer zunehmenden Anzahl von Verwundbarkeiten umgehen und haben immer weniger Zeit, um zu reagieren. Sobald eine Verwundbarkeit öffentlich ist, bewegen sich Angreifer schnell durch die Grundlagen. Was ist betroffen? Ist es von Internet aus erreichbar? Kann der Exploit reproduziert und an mehrere Umgebungen angepasst werden? Künstliche Intelligenz hilft bei all diesen Schritten, indem sie den Fehler zusammenfasst, Proof-of-Concept-Code überprüft, Vorschläge macht und das Scannen, Ausbeuten und Verarbeiten der Ergebnisse automatisiert.

Das Patchen kann nicht mehr die einzige Uhr sein, auf die Sicherheitsteams achten. Es ist notwendig, aber es ist in der Regel langsamer als die Zeitlinie des Angreifers, insbesondere für produktionsreife, internetfähige Anwendungen und APIs. Teams müssen wissen, was exponiert ist, was in der Praxis ausbeutbar ist und welche Geschäftsdienste und Ressourcen betroffen sein werden, wenn sie angegriffen werden.

Um dieses kritische Expositionsfenster zu schließen, müssen Verteidiger von einem reaktiven, patch-erst-Mindset zu einem automatisierten, schütz-erst-Modell wechseln, indem sie umgebungspezifische Echtzeit-Verteidigungen implementieren. Anstatt auf generische, einheitsbreite Signaturen oder die Zwang, Betriebs-Teams unvalidierte Software-Updates in die Produktion zu übernehmen, sollten Organisationen beginnen, auf die kontinuierliche, automatisierte Entdeckung von API-Endpunkten und Online-Anwendungs-Geschäftslogik sowie eine automatisierte Software-Bill-of-Materials (SBOM) in Kombination mit Bedrohungsanalysen zu den neuesten Verwundbarkeiten und Bedrohungen zu setzen, um dynamisch angepasste virtuelle Patches zu generieren. Die Bereitstellung dieser kontextbezogenen Schutzmaßnahmen über Web-Anwendungen und API-Endpunkte blockiert Ausbeutungsversuche auf der Laufzeit-Ebene, bevor sie anfällige Anwendungslogik erreichen können. Diese Art der automatisierten Abfangung gibt Sicherheitsteams ein Zeitfenster für die Wiederherstellung, das es ihnen ermöglicht, Software-Updates gründlich zu testen und sicher in die Produktion zu übernehmen, ohne das Unternehmen einem unmittelbaren Risiko oder Ausfall auszusetzen.

Unternehmen setzen AI-gesteuerte Anwendungen und AI-Agents ein, die stark auf APIs angewiesen sind. Unterschätzen Unternehmen die Sicherheitsrisiken, die dies mit sich bringt, und welche sind die größten Fehler, die Sie derzeit sehen?

Ja, viele Unternehmen unterschätzen die Risiken, weil sie AI-Agents noch immer als Anwendungen betrachten, die gesichert werden müssen, und AI-Sicherheit als Datenschutzproblem und nicht als operatives Risiko. Das Problem, das wir derzeit am meisten sehen, ist ein grundlegendes Missverständnis der Agenten-Agentur. Um einen lokalen AI-Agenten wirklich effektiv zu machen und einem Mitarbeiter Zeit zu sparen, muss der Benutzer alle seine Zugriffsberechtigungen an den Agenten weitergeben. Dies bedeutet, dass der Agent effektiv die Identität und den vertrauenswürdigen Zugriff des Mitarbeiters auf Unternehmensanwendungen, Browser-Sitzungen und lokale Dateien erbt. Selbst wenn ein Unternehmen aktiv AI-Connector-Überwachung und -Begrenzung betreibt, können diese lokalen Agenten mit Systemen interagieren, indem sie menschliches Verhalten imitieren, wie z. B. Klicken und Tippen durch Browser-Automatisierung. Dies macht es für Unternehmens-Sicherheitssysteme praktisch unmöglich, zwischen dem echten Mitarbeiter und dem automatisierten Agenten zu unterscheiden.

Diese Vertrauensdelegation wird hochgradig gefährlich, weil LLMs grundlegend Informationen und Anweisungen nicht unterscheiden. Wenn einem Agenten umfassender Systemzugriff gewährt wird, um seine Arbeit zu erledigen, kann er durch indirekte Prompt-Injektion-Angriffe manipuliert werden. Ein Angreifer kann einfach schädliche Anweisungen in eine E-Mail, ein PDF oder eine Webseite einfügen, die der Agent zum Lesen programmiert ist. Das Modell verarbeitet die nicht vertrauenswürdigen Daten als Befehl, komplett unbemerkt vom Benutzer. Plötzlich kann ein einfaches Werkzeug, das zum Zusammenfassen von Dokumenten gedacht war, autonom sensibles Informationen exportieren, Unternehmensdaten ändern oder schädliche Pakete installieren, und all dies unter dem Deckmantel der legitimen Benutzerberechtigungen.

Nachdem Sie jahrelang IoT-Malware und Botnets erforscht haben, wie sehen Sie die AI-Transformation der nächsten Generation von Botnets? Könnten wir schließlich autonome Botnets sehen, die ihre Taktiken ohne direkte menschliche Intervention anpassen können?

Botnet-Betreiber haben sich nie ruhig verhalten. Betreiber rotieren Payloads, implementieren neue Verwundbarkeiten, scannen kontinuierlich nach veralteten Geräten und ändern ihre Befehls- und Kontroll-Infrastruktur, wenn Verteidiger aufholen. Künstliche Intelligenz kann diese Zyklen erheblich beschleunigen, sei es bei der Verwundbarkeits-Triage, der Exploit-Generierung oder der Infrastruktur-Verwaltung.

Autonome Botnets sind keine Fiktion. BrickerBot war eines der ersten autonomen Bots. Es würde stillschweigend warten, bis Mirai-infizierte IoT-Geräte versuchten, das Gerät des Opfers zu kompromittieren, und würde dann konterangreifen, indem es die angreifende Vorrichtung mit Hilfe von Geräte-Fingerprinting und Auswahl der geeignetsten Verwundbarkeiten zum Erhalt eines Fußabdrucks auf dem Gerät angriff. Letztendlich zerstörte BrickerBot das infizierte Gerät. Der Bot handelte als regelbasierter Expertensystem, ähnlich wie frühe künstliche Intelligenz-Systeme. Ein weiterer relevanter Botnet, der vor über einem Jahrzehnt Eindruck auf die Sicherheitsgemeinschaft machte, war Hajime. Es war eines der ersten Peer-to-Peer-Botnets. Durch die Nutzung von Torrents verteilten Hash-Tabellen konnte Hajime dezentral gesteuert und aktualisiert werden, ohne eine zentrale Befehls- und Kontroll-Infrastruktur zu benötigen, und war daher nahezu unmöglich zu stoppen.

Es gibt mehrere Diskussionen in der Sicherheitsgemeinschaft über das Potenzial für ein Agentic-Botnet, das auf lokalen künstlichen Intelligenz-Frameworks wie OpenClaw basiert. Diese sind nicht die traditionellen codebasierten Malware-Botnets, sondern Botnets, die vollständig durch Kontext-Manipulation gesteuert werden. Wenn lokale Agenten externe Daten verarbeiten, müssen Angreifer nicht mehr nach herkömmlichen Software-Exploits suchen, um diese Maschinen zu übernehmen; sie müssen nur die zugrunde liegende LLM täuschen. Indem sie dies tun, erhalten Angreifer Zugriff auf leistungsstarke Terminal-Ausführung, Browser-Automatisierung und möglicherweise eine Reihe anderer “Fähigkeiten”.

Die Gemeinschaft diskutiert insbesondere einige Schlüsselelemente, die ein weit verbreitetes “OpenClaw-Botnet” möglich machen:

• Da OpenClaw kontinuierlich externe Daten (wie GitHub-Probleme, eingehende Slack/Telegram-Nachrichten oder Zusammenfassungen von Webseiten) verarbeitet, können Angreifer schädliche Anweisungen in öffentlich zugänglichen Daten einfügen. Wenn ein Benutzers lokaler Agent diese Daten verarbeitet, kann die injizierte Prompt den Systemanweisungen überlagern und den Agenten anweisen, eine Verbindung zu einem von einem Angreifer kontrollierten Befehls- und Kontroll-Server (C2) herzustellen.
• Sicherheitsforscher haben festgestellt, dass OpenClaw-Agents die Fähigkeit haben, Peer-to-Peer- oder Agent-to-Agent-Verschlüsselungs-Kommunikationskanäle (wie community-erstellte Fähigkeiten wie ClaudeConnect) zu nutzen. Cyberkriminelle erkennen, dass sie diese Kommunikationskanäle ausnutzen können, um von ihnen übernommene Agenten dazu zu bringen, stumm miteinander zu kommunizieren, und dabei herkömmliche Netzwerk-Feuerwände und Endgeräte-Überwachung vollständig zu umgehen.
• Sicherheits-Scans haben gezeigt, dass Zehntausende von naiven Benutzern OpenClaw-Instanzen auf Cloud-Servern starten und versehentlich die HTTP-Verwaltungs-Schnittstellen direkt dem Internet aussetzen. Diese riesige Menge an exponierten, hochprivilegierten Umgebungen bietet Angreifern eine massive, vorherige Fußabdruck-Fläche, auf die sie abzielen können.
• Da OpenClaw stark auf “Fähigkeiten” angewiesen ist, die aus öffentlichen Repositories wie ClawHub heruntergeladen werden, laden Angreifer scheinbar harmlose Fähigkeiten (wie “Was würde Elon tun”) hoch, die versteckte Anweisungen enthalten. Sobald die Fähigkeit installiert ist, wird der Agent stillschweigend angewiesen, Hintergrund-Shell-Befehle auszuführen oder Schadsoftware zu installieren, und rekrutiert so den Host-Computer in ein Botnet, ohne dass der Benutzer jemals eine verdächtige Datei-Warnung sieht.

Letztendlich ist die Meinung in der Gemeinschaft, dass OpenClaw ein primäres Ziel für das weltweit erste echte Agentic-Botnet ist. Anstatt eines Botnets, das aus kompromittierten Routern oder IoT-Geräten mit DDoS-Skripten besteht, würde ein OpenClaw-Botnet aus hochleistungsfähigen, vollständig authentifizierten Maschinen bestehen, die Angreifer dazu bringen können, Anmeldeinformationen zu stehlen, Daten zu ändern oder massive Lieferketten-Angriffe im Maschinenmaßstab zu orchestrieren.

Was automatisierte Bots betrifft, die sich autonom anpassen und ohne direkte menschliche Intervention agieren, ist das nicht Fiktion, aber es ist auch nicht etwas, was erfahrene Bot-Betreiber bevorzugen würden. Botnets sind Vermögenswerte. Automatisierung, die falsch läuft, kann Infrastruktur exponieren, zu viel Aufmerksamkeit erregen, den Betreiber exponieren oder übermäßig Token verbrennen. Angreifer werden Automatisierung dort einsetzen, wo sie ihnen hilft, schneller zu handeln, aber sie werden nicht die Kontrolle über Entscheidungen abgeben, die ihre Zugriffe exponieren, ihre Infrastruktur gefährden oder ihre Gewinne schädigen könnten.

Ich würde das Risiko jedoch nicht vollständig ignorieren oder ausschließen. Wenn wir in die Edge-AI und neue intelligente Geräte eintauchen, die häufiger mit lokalen Small Language Models (SLMs) ausgestattet sind, kann ich mir vorstellen, dass opportunistische Angreifer die niedrighängenden Früchte angreifen und prompt-assistierte Bot-Funktionalität in ihre Botnets einbauen. Zumindest müssen sie dann nicht mehr für den übermäßigen Token-Verbrauch zahlen, wenn ein lokales SLM auf einem zu komplexen Prompt oder einem Kontext, der zu groß geworden ist, in einer Schleife landet.

Hacktivist-Kampagnen und groß angelegte DDoS-Angriffe sind immer häufiger geworden. Werden diese Gruppen komplexer, oder machen AI und leicht verfügbare Angriffstools fortgeschrittene Angriffe einer viel breiteren Zielgruppe zugänglich?

Beides. Einige Hacktivist-Gruppen haben sich wirklich besser organisiert. Einige Gruppen, wie die ikonische NoName057(16), haben seit Februar 2022 täglich DDoS-Angriffe durchgeführt. Sie hatten Zeit, ihre Tooling zu verbessern, eine treue Anhängerschaft aufzubauen und zu lernen, wie man Ziele auswählt, die Aufmerksamkeit erregen, Angriffe um politische Ereignisse herum timen und öffentliche Ansprüche nutzen, um Druck aufzubauen. Für Hacktivist-Gruppen ist die Botschaft wichtiger als die Störung selbst.

Gleichzeitig sind Tools einfacher zugänglich geworden als früher. DDoS-for-Hire-Dienste, Botnets, Proxy-Netzwerke, geleakte Skripte und Tutorials ermöglichen es jedem mit begrenzten Fähigkeiten, einer Kampagne beizutreten und sich Teil von etwas Größerem zu fühlen. Künstliche Intelligenz fügt Kodierungs-Assistenz, Ziel-Forschung, Übersetzung, Kampagnen-Nachrichten und grundlegende Automatisierung hinzu.

Die Ziele spüren die Auswirkungen auf jeden Fall, egal ob der Angriff von einer erfahrenen Gruppe mit ideologischer Motivation oder einem einsamen Wolf kommt, der DDoS-Angriffs-Infrastruktur von einem Konkurrenten mietet. Eine heruntergefallene Website betrifft Kunden. Ein nicht verfügbarer öffentlicher Dienst wird von Bürgern bemerkt. Genug Lärm, und Führungskräfte und Kommunikationsteams müssen reagieren, unabhängig davon, wer hinter der Tastatur sitzt.

Da Unternehmen generative künstliche Intelligenz in ihre Betriebe integrieren, welche neuen Angriffsflächen entstehen, die Sicherheitsführungskräfte möglicherweise noch nicht vollständig zu schätzen wissen?

Die Antwort wird durch das bestimmt, was der AI-Agent erreichen kann. Sobald er Zugriff auf interne Dokumente, Code, CI/CD-Pipelines, API-Schlüssel oder DevOps-Tools hat, expandiert die Angriffsfläche schnell. Um nützlich zu sein, benötigt ein Agent Agentur, andernfalls ist er nicht mehr als ein glorifizierter Chatbot. Die Frage wird dann, was der Agent tun darf. Welche vertraulichen Informationen kann er lesen? Kann er ein Ticket oder das Bankkonto eines Kunden im CRM ändern? Kann er Code ausführen? Kann er einen externen Dienst aufrufen? Kann er Daten durch Tool-Aufrufe exponieren?

Indirekte Prompt-Injektion wird in solchen Umgebungen ernster. Wenn ein Agent nicht vertrauenswürdige Inhalte verarbeitet und dann handelt, kann die Prompt zu einem Pfad in den Workflow werden. Das ist anders als ein Chatbot, der eine Frage beantwortet.

Künstliche Intelligenz wird jetzt von Angreifern und Verteidigern eingesetzt. Glauben Sie, dass defensive künstliche Intelligenz letztendlich mit offensiver künstlicher Intelligenz Schritt halten kann, oder werden Organisationen in den kommenden Jahren einem immer asymmetrischeren Kampf gegenüberstehen?

Künstliche Intelligenz schafft eine Ungleichheit, die den Angreifer begünstigt. Dies liegt nicht daran, dass defensive künstliche Intelligenz-Modelle unterlegen sind. Tatsächlich ist der Einsatz von künstlicher Intelligenz in der Verteidigung sehr effektiv darin, täglichen Lärm zu filtern und die Reaktionszeit auf Vorfälle zu beschleunigen. Das Problem ist jedoch eine strukturelle Lücke in der operativen Geschwindigkeit und den Einschränkungen.

Historisch gesehen hatten Sicherheitsteams, wenn eine Verwundbarkeit entdeckt wurde, ein kleines Zeitfenster, um ein Patch bereitzustellen, bevor Angreifer es ausnutzten. Heute hat die agentische künstliche Intelligenz dieses Zeitfenster auf fast Null komprimiert. Automatisierte Tools können einen Fehler finden und sofort einen gezielten Exploit generieren. Ein traditioneller, von Menschen geführter Patch-Management-Prozess kann einfach nicht mit einer automatisierten Pipeline mithalten, die kontinuierliche Angriffsschleifen ausführt.

Darüber hinaus operieren die beiden Seiten unter vollständig unterschiedlichen Regeln. Angreifer stehen unter keinen Einschränkungen in Bezug auf Compliance, Ethik oder Betriebsunterbrechung. Sie können maßgeschneiderte künstliche Intelligenz-Agents bereitstellen, um unbeschränkte, groß angelegte Kampagnen zu starten. Verteidiger hingegen müssen deterministisch handeln. Ein defensiver künstlicher Intelligenz-Agent kann nicht einfach eine Kern-Produktionsdatenbank isolieren oder die Anmeldeinformationen eines leitenden Angestellten aufheben, basierend auf einer hohen Wahrscheinlichkeit einer Anomalie. Verteidiger benötigen eine Verifizierung, um die Geschäftskontinuität zu schützen, und die Latenz, die durch diese notwendigen Schutzmaßnahmen eingeführt wird, ist genau das, was automatisierte Angriffe ausnutzen.

Letztendlich wird die Sicherheitsführung nicht durch den Besitz des “schlauereren” künstlichen Intelligenz-Modells definiert, sondern durch die Lösung dieser architektonischen Geschwindigkeitslücke. Organisationen, die künstliche Intelligenz als nur ein weiteres Standard-Sicherheits-Tool betrachten, werden von der Geschwindigkeit moderner Bedrohungen überwältigt. Erfolg erfordert das Umgestalten der Infrastruktur, um es defensiver künstlicher Intelligenz zu ermöglichen, Bedrohungen autonom zu isolieren und zu enthalten.

Viele Sicherheitsteams verlassen sich immer noch auf traditionelle Sicherheitsmetriken und Erkennungsmethoden. Da Angriffe schneller und automatisierter werden, welche Indikatoren oder Verhaltensweisen sollten Organisationen stattdessen priorisieren?

Die meisten Sicherheitsmetriken konzentrieren sich immer noch stark auf Aktivitäten: ausgelöste Warnungen, abgewehrte Angriffe oder entdeckte Verwundbarkeiten. Während diese Zahlen nützlich für die Messung der Reaktion auf Vorfälle sind, bieten sie keinen Einblick in die tatsächliche Exposition des Unternehmens. Sie sagen den Verteidigern, was sie abgefangen haben, aber sie zeigen ihnen nicht die blinden Flecken, die noch offen bleiben, bis ein Angreifer sie ausnutzt.

In einer Ära automatisierter Bedrohungen ist die Verwendung reaktiver Metriken nicht mehr tragbar. Sobald ein Unternehmen ins Visier genommen wird, erfordert die Geschwindigkeit des Angriffs proaktives Management. Echtzeit-Angriffsflächen-Management ist jetzt unerlässlich. Verteidiger benötigen kontinuierliche Sichtbarkeit in spezifische operative Risiken: Welche kritischen Anwendungen und APIs sind dem Internet ausgesetzt? Welche Verwundbarkeiten bestehen innerhalb davon?

Wahre Widerstandsfähigkeit kommt aus der Verbindung dieser Angriffsflächen-Kontexte mit Verhaltens-Erkennung und Bedrohungsanalyse. Durch das Verständnis dessen, was exponiert ist und wie es sich verhält, können Sicherheitsteams unbekannte Angriffe vorhersehen und blockieren.

Letztendlich bleibt die operative Geschwindigkeit ein entscheidender Indikator für Erfolg, aber Verteidiger müssen das richtige Zeitfenster messen: Wie schnell können wir erkennen, dass eine neue Verwundbarkeit ein exponiertes System betrifft, und wie schnell können wir eine Kompensationskontrolle bereitstellen, um es zu schützen? Diese spezifische Geschwindigkeit ist das wahre Maß dafür, ob ein Sicherheitsprogramm in der Lage ist, hochgeschwindigkeits-Angriffe im großen Maßstab zu überstehen.

Blicken Sie fünf Jahre voraus, welche Herausforderung im Bereich der Cybersicherheit in der Ära der künstlichen Intelligenz am bestimmendsten sein wird, und was sollten CISOs und Sicherheitsteams heute tun, um sich darauf vorzubereiten?

Blicken Sie fünf Jahre voraus, so wird die bestimmende Herausforderung im Bereich der Cybersicherheit in der Ära der künstlichen Intelligenz die Regulierung und Sicherung autonomer nicht-menschlicher Beziehungen sein. Wenn Organisationen von einzelnen Chatbots zu vernetzten, mehragentigen Systemen übergehen, die die Agentur haben, finanzielle Transaktionen durchzuführen, Quellcode zu ändern und Cloud-Infrastruktur zu ändern, werden traditionelle Sicherheitsgrenzen zusammenbrechen. In fünf Jahren wird ein Unternehmen nicht nur menschliche Mitarbeiter und statische Software verwalten, sondern Tausende autonome künstliche Intelligenz-Agents, die miteinander, Unternehmensdaten und externen Drittanbieter-Systemen interagieren.

Sichtbarkeit in agentischen Systemen über das gesamte Unternehmen hinweg wird unerlässlich sein. Bevor Agenten verbreitet werden, sollten CISOs ein zentrales Register etablieren, das eine klare Eigentümerschaft für jeden bereitgestellten Agenten definiert, die Datenmodelle und -Repositorys, auf die der Agent zum Lesen autorisiert ist, und die Tools, APIs und Systembefehle, die er aufrufen darf. CISOs sollten auch vorschreiben, dass jede Bereitstellung agentischer Technologie standardisierte, verifizierbare Konnektivitätsprotokolle verwendet, um sicherzustellen, dass alle Tool-Integrationen streng protokolliert werden.

In fünf Jahren wird die Verteidigung von APIs und Online-Anwendungen nicht mehr darin bestehen, Konfigurationen zu verwalten, bekannte Signaturen zu blockieren und Verwundbarkeiten zu patchen; es wird ein automatisierter Logik-Krieg gegen Logik sein. Wenn Angreifer vollständig automatisierte, kontextbezogene agentische Pipelines bereitstellen, die innerhalb von Sekunden nach der Entdeckung eine Anwendungs-Geschäftslogik rückwärts konstruieren können, werden herkömmliche Web-Anwendungs-Feuerwände (WAFs) veraltet. Die Verteidigung dieses Landschafts erfordert einen Wechsel zu autonomen, kontextgetriebenen Architekturen.

Angreifer werden Frontier-Modelle nutzen, um den Entdeckungs- und Ausbeutungszyklus von API-Logik-Fehlern (wie Broken Object Level Authorization oder BOLA) vollständig zu automatisieren. Anstatt nach bekannten Software-Fehlern zu suchen, werden automatisierte Angriffs-Bots die gesamte API-Schema einer Anwendung kartieren, den Datenfluss verstehen und dynamisch maßgeschneiderte Payload-Sequenzen generieren, um die Geschäftslogik zu manipulieren. Da diese Angriffe gültige Syntax und legitime API-Aufrufe verwenden, werden herkömmliche Schwellenwert-basierte Rate-Begrenzung und Signatur-Erkennung vollständig blind gegenüber ihnen sein.

Um automatisierte Entdeckung zu kontern, müssen Verteidiger Echtzeit-Sichtbarkeit in ihre eigene exponierte Architektur erlangen. Sicherheitsteams können nicht auf statische Dokumentation oder veraltete API-Kataloge vertrauen. Defensiver künstlicher Intelligenz muss jeden aktiven API-Endpunkt, Microservice-Beziehung und Online-Anwendungs-Workflow kontinuierlich scannen und kartieren, über hybride Cloud-Umgebungen hinweg. Diese automatisierte Sichtbarkeit muss mit einer dynamischen Software-Bill-of-Materials (SBOM) kombiniert werden, um eine neue globale Verwundbarkeits-Offenlegung sofort mit den spezifischen internen Codezeilen zu verbinden, die dem Internet ausgesetzt sind.

Da automatisierte Angriffe mit legitimen Benutzer-Verkehr verschmelzen, muss die Verteidigung vollständig auf kontextbezogene Verhaltensanalyse umstellen. Defensiver künstlicher Intelligenz muss das Standardverhalten jedes einzelnen API-Clients, Tokens und Benutzer-Identitäten profilieren. Es muss die Absicht und die Sequenz der API-Aufrufe überwachen, anstatt nur die Eingaben. Wenn ein Angreifers automatisiertes Skript beginnt, legitime API-Aufrufe in einer anomalen Sequenz zu kombinieren, um Daten abzuschöpfen oder eine Logik-Verwundbarkeit zu testen, muss das System die strukturelle Abweichung in der Absicht erkennen und sofort eingreifen.

Das wahre Maß für Widerstandsfähigkeit wird darin bestehen, wie schnell ein Unternehmen das Zeitfenster zwischen der Exposition einer Verwundbarkeit und ihrer Behebung komprimieren kann. Auf die Entwicklung, das Testen und die Bereitstellung von Code-Updates durch Entwicklerteams zu warten, wird eine tödliche Strategie sein. Wahrer Schutz wird auf automatisierte, kontextbezogene virtuelle Patching auf der Laufzeit-Ebene basieren. Durch die direkte Einspeisung von Echtzeit-Bedrohungsanalysen und API-Entdeckungs-Daten in defensiver künstlicher Intelligenz an der Edge, generiert die Infrastruktur automatisch maßgeschneiderte virtuelle Patches, um Ausbeutungsversuche abzufangen und zu blockieren, bevor sie jemals anfällige Anwendungslogik erreichen können.

Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, sollten Radware besuchen.