Ramutė Varnelytė, CEO von IPXO – Interview-Serie

Ramutė Varnelytė, CEO von IPXO, bringt über 15 Jahre kommerzielle Führungserfahrung mit und wurde Anfang 2025 zur Leitung des Unternehmens ernannt. In ihrer Rolle treibt sie strategisches Wachstum, operative Exzellenz und Marktpositionierung voran, um sicherzustellen, dass IPXO an der Spitze der Innovation im Bereich IP-Adressen-Leasing und -Management bleibt.

IPXO, kurz für Internet Protocol Exchange Organization, wurde 2021 gegründet, um den globalen Mangel an IPv4-Adressen durch die Schaffung einer dynamischen Leasing- und Monetarisierungsplattform zu bekämpfen. Es ist zu dem weltweit größten vollautomatischen Marktplatz für IP-Adressen-Leasing gewachsen. Die Plattform unterstützt Millionen von IP-Adressen weltweit, gestützt auf starke Beziehungen zu Regional Internet Registries und einer Mission, ein einheitliches, effizientes IP-Ökosystem aufzubauen.

Wir werden darüber sprechen, wie IPXO behavioralbasiertes Risikoprofilierung und Machine Learning verwendet, um zwischen harmloser AI-Automatisierung und bösartiger Bot-Aktivität zu unterscheiden. Das Gespräch wird den Aufstieg von AI-Agents im Internet-Verkehr, ISP-Cyber-Sicherheits-Herausforderungen und Strategien zum Ausgleich zwischen Sicherheit und operativer Effizienz erforschen.

Welche Trends haben Sie dazu geführt, zu dem Schluss zu kommen, dass AI-Agents – und nicht nur Scraping-Bots – nun den Verkehrsmuster in vielen Organisationen dominieren?

Bots sind überall, und sie übersteigen den menschlichen Verkehr bei weitem. Mehr als ein Drittel des Bot-Verkehrs besteht aus dem sogenannten “schlechten Bot”-Anteil, der zu vielen bösartigen Aktivitäten beiträgt. Der Trend ist in verschiedenen Incident-Berichten klar erkennbar: Wenn Unternehmen ungewöhnlichen oder schädlichen Verkehr, seltsame Spitzen im API-Verbrauch oder andere Unregelmäßigkeiten untersuchen, zeigt die Beweislage, dass viele dieser automatisierten Systeme sich wie AI-Agents verhalten, da sie sich als verschiedene Browser oder Geräte (User-Agent-Spoofing) ausgeben, schnell ihre IPs wechseln (schnelle IP-Rotation), inkonsistent sind, wenn sie mit typischen Scraping-Bot-Aktivitäten verglichen werden, und ähnlich. Im Grunde zeigt das reine Verkehrsvolumen sowie die erhöhte Komplexität ihrer Aktionen auf AI-Agents und nicht nur einfache Bots hin.

Welche Verhaltenssignale werden verwendet, um IP-Risikoprofile zu erstellen – wie z.B. Anfragehäufigkeit, Header oder geografische Muster?

Es ist möglich, eine IP-Adresse nach ihrem “Ruf” zu bewerten, ohne den tatsächlichen Inhalt der Anfragen zu betrachten, sondern nur, indem man ihr Verhalten im Netzwerk beobachtet. Diese unregelmäßigen Muster sind “inhaltsagnostisch”, was bedeutet, dass man keine tatsächlichen Daten benötigt. Metadaten und bestimmtes Verhalten sind ausreichend, um die Risikoprofile von IPs zu bewerten. Dies funktioniert auch im großen Maßstab, da verdächtiges Verhalten nicht durch moderne Verschlüsselung wie TLS 1.3 oder ECH versteckt wird. Es gibt immer noch eine Menge beobachtbarer Daten, die einfach nicht verschlüsselt werden.

Wie unterscheidet Ihr System zwischen harmloser AI-Automatisierung und bösartiger Aktivität wie Scraping, Botnets oder Credential-Stuffing – insbesondere ohne den Inhalt der Nutzlast zu untersuchen?
Es ist wichtig, zu berücksichtigen, wie die Automatisierung über einen bestimmten Zeitraum hinweg verhält, und nicht nur, was sie anfordert. Die “guten” Bots sind normalerweise sehr vorhersehbar, haben eine bestimmte Struktur und folgen bestimmten Schritten. Bösartige Bots hingegen springen oft unvorhersehbar umher, verwenden Wegwerf-Identifikatoren, halten einen starren “maschinellen” Rhythmus ein und verteilen Anfragen auf viele Server, um Entdeckung zu vermeiden. Es kommt auf erweitertes Verhaltensmodellierung an, um zu bewerten, wie es sich über die Zeit auf der Website bewegt.

Können Sie erklären, wie bestehende ISPs Schwierigkeiten haben, wachsenden Proxy-Verkehr zu bewältigen, während sie starke Verteidigungen gegen Cyberangriffe aufrechterhalten?

Moderner Protokolle verstecken mehr Verbindungsdetails für erhöhte Privatsphäre, sodass es für ISPs immer schwieriger und teurer wird, den Verkehrstyp sowie die Klassifizierung richtig zu bewerten. Da es schwieriger ist, zu sehen, was drin ist, verlassen sich ISPs mehr auf das Verhalten des Verkehrs und nicht auf den Inhalt. Der Kampf liegt im erzwungenen Wechsel ihrer Methoden von der Abhängigkeit von Verkehrsinspektion, was die Betriebskosten erhöht hat, und der Integration neuer Bedrohungs-Intelligence-Tools, um dem neuen Ansatz gerecht zu werden.

Welche Sicherheitskompromisse müssen ISPs hinnehmen, wenn sie die Einschränkungen lockern, um AI-Agenten-Verkehr zu ermöglichen?

Das Lockern von Filtern kann die Anzahl der Falschpositiven und Reibungen verringern, um die Agents reibungslos laufen zu lassen. Aber dies könnte auch potenziell die Anzahl der Bedrohungen und Angriffe erhöhen, da der “schlechte Bot”-Anteil bereits einen erheblichen Anteil des Verkehrs ausmacht. Lockere Filter bedeuten höhere Risiken. Ein Weg, zwischen den beiden zu vermitteln, wäre der risikogewichtete Zugangsansatz. Zum Beispiel, wenn es verdächtigen Verkehr gibt, könnte der erste Schritt darin bestehen, ihn zu verlangsamen, anstatt ihn vollständig zu blockieren. Feinere Kontrollen müssen eingerichtet werden.

Welche Kern-Technologien treiben Ihre Echtzeit-Risikobewertung an – verwenden Sie Machine Learning, Bedrohungs-Intelligence-Feeds oder Verhaltens-Anomalie-Erkennung?

Wir verwenden eine gesunde Mischung aus Live-Daten-Überwachung und -Bewertung, Machine Learning und verschiedenen Bedrohungs-Intelligence-Tools. Das Ziel ist es, schnell Unregelmäßigkeiten im Verhalten zu erkennen, die Absicht des Verkehrs zu verstehen und ob es Gründe gibt, anzunehmen, dass er schädlich ist; wenn ja, dann hohe Risikofälle zu markieren und entsprechend zu handeln.

Wie integriert Ihr System sich in bestehende ISP- oder Unternehmens-SOC-Workflows – kann es Warnungen oder Abwehrmaßnahmen automatisch auslösen?

Ja, unser System sendet Warnungen an bestehende Workflows und blockiert bestimmte Bedrohungen auf Netzwerkebene. Es kann in verschiedenen Modi laufen, je nach Risikotoleranz.

Hat dieses Profiling-System während der frühen Tests oder Bereitstellungen überraschende Angriffsmuster oder Missbrauchsfälle aufgedeckt?

Ja, es gab einige. Ein Beispiel aus der Branche könnte “Halluzinations-Crawls” sein, wenn LLMs nicht existierende URLs erfinden und dann versuchen, sie abzurufen. Oder plötzliche Anstiege von Anfragen, die genau im gleichen Zeitintervall wiederholt werden, wie z.B. alle 15 Minuten oder eine Stunde. All diese Muster sind für uns nützlich, um das Verhaltens-Tracking weiter zu verfeinern und Falschpositiven zu reduzieren.

Welche Auswirkungen auf die Privatsphäre und Sicherheit hat das Erstellen von Verhaltens-basierten Profilen ohne die Inspektion von verschlüsseltem Inhalt – insbesondere unter globalen Datenschutzgesetzen?

Verhaltens-Metadaten können als personenbezogene Daten angesehen werden, aber es gibt Ausnahmen, zum Beispiel, wenn das Interesse berechtigt, gerechtfertigt und für Sicherheitsüberwachung notwendig ist. Das Interesse an der Zugänglichkeit und die Menge der gespeicherten Daten müssen jedoch im Verhältnis zu den bewerteten Risiken stehen.

Wie verhindern Sie Falschpositiven, die harmlose Automatisierung wie Forschungs-Crawler oder whitelisted AI-Agents als Cyber-Bedrohungen markieren?

Wir testen neue Schutzmaßnahmen und Regeln, bevor wir sie bereitstellen, bewerten mehrere Signale, bevor wir handeln, und verwenden zunächst weiche Herausforderungen, um die Legitimität des Verkehrs zu testen, anstatt ihn sofort zu blockieren. Es handelt sich um eine mehrschichtige Checkliste, die ständig fein abgestimmt wird.

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