Mayank Kumar, Ιδρυτικός Μηχανικός AI στην DeepTempo – Σειρά Συνεντεύξεων

Mayank Kumar είναι ο Ιδρυτικός Μηχανικός AI στην DeepTempo, όπου ηγείται του σχεδιασμού και της ανάπτυξης του θεμελιώδους μοντέλου Log Language (LogLM) της εταιρείας. Με ισχυρό ακαδημαϊκό και ερευνητικό υπόβαθρο στις γενετικές και πολυμεσικές τεχνολογίες AI, φέρνει εξειδικευμένη εμπειρογνωσία στην κατασκευή μοντέλων που ενισχύουν την ανίχνευση και την ανταπόκριση απειλών σε περιβάλλοντα κυβερνοασφάλειας.

DeepTempo είναι μια εταιρεία κυβερνοασφάλειας που έχει χτιστεί γύρω από το LogLM, ένα μοντέλο AI που έχει εκπαιδευτεί σε μεγάλης κλίμακας δεδομένα ασφαλείας. Η πλατφόρμα excels στην ανίχνευση προηγμένων, μη προηγουμένως αναγνωρισμένων απειλών ενώ ελαχιστοποιεί τα ψευδώς θετικά αποτελέσματα. Σχεδιασμένη για άρτια ενσωμάτωση σε υπάρχοντα εργαλεία ασφαλείας, η DeepTempo υποστηρίζει αναπτύξεις σε datalakes, Kubernetes και Snowflake, επιτρέποντας ταχύτερη εγκληματολογική ανάλυση, μειωμένα κόστη κατάκτησης δεδομένων και αυτοματοποιημένη άμυνα για σύγχρονες επιχειρήσεις.

Τι σας οδήγησε να συνιδρύσετε την DeepTempo, και πώς συνεισέφερε το υπόβαθρο σας στην ακαδημαϊκή έρευνα και τις ανοιχτές πηγές AI στην κατεύθυνση της εταιρείας;

Εγώ μεγάλωσα σε μια στενή κοινότητα όπου οι σχέσεις χτίζονταν πρόσωπο με πρόσωπο, όχι μέσω οθονών. Ο πατέρας μου, δάσκαλος, με δίδαξε την_importance του να δίνουμε πίσω. Ενώ δεν ήμασταν πλούσιοι σε υλικούς όρους, ήμασταν πλούσιοι σε σύνδεση και σκοπό. Σε τέτοιο περιβάλλον, μαθαίνεις γρήγορα ότι η λύση προβλημάτων δεν είναι μόνο για ατομικό ταλέντο – είναι για συλλογική δύναμη. Αυτή η νοοτροπία έμεινε μαζί μου και τελικά οδήγησε το ενδιαφέρον μου για την κοινωνική επιχειρηματικότητα ενώ σπούδαζα μηχανική στο IIT Ropar.

Ο σταθμός ήρθε όταν ο πατέρας μου έπεσε θύμα μιας επίθεσης ransomware. Δεν ήταν μόνο ένα τεχνικό πρόβλημα, εισήγαγε φόβο, σύγχυση και ευάλωτητα στο σπίτι μας. Αυτή η εμπειρία άνοιξε τα μάτια μου στο πόσο εύθραυστο είναι ο ψηφιακός κόσμος, όχι μόνο για άτομα, αλλά και για οργανισμούς που βρίσκονται συνεχώς υπό απειλή. Περίπου εκείνη την εποχή, γνώρισα τον Evan, του οποίου η όραση για την κατασκευή συλλογικής άμυνας σε διαδικτυακή κλίμακα συνήθισε sâu μέσα μου. Αυτό το κοινό όραμα – και η ορμή μου να εφαρμόσω τεχνολογία για να υπηρετήσω τους ανθρώπους – είναι αυτό που με οδήγησε στην DeepTempo.

Στο Πανεπιστήμιο του Washington, η έρευνά μου εστιάστηκε σε δύο βασικές περιοχές: πολυμεσική αναπαράσταση και δεδομένα-κεντρική AI. Και οι δύο αποδείχθηκαν κρίσιμες καθώς χτίζαμε το κατακόρυφο θεμελιώδες μοντέλο μας, LogLM. Σε αντίθεση με τη φυσική γλώσσα, τα δεδομένα ασφαλείας είναι ακατάστατα, δομημένα και θραυσματικά. Η πρώτη μας πρόκληση ήταν να κατασκευάσουμε μια νέα “γλώσσα” για την ερμηνεία αυτών των δεδομένων, επιτρέποντας στο LogLM να μάθει σημαντικές αναπαραστάσεις από αυτές τις ακολουθίες. Έχουμε επίσης επενδύσει πολύ στην αξιολόγηση της απόδοσης, γιατί στην ασφάλεια, η ακρίβεια δεν είναι προαιρετική και οι ψευδαισθήσεις δεν είναι αποδεκτές.

Αλλά πέρα από την τεχνολογία, ο βορράς μας ήταν πάντα η συλλογική άμυνα. Αυτός είναι ο λόγος για τον οποίο η συνεργασία ανοιχτού κώδικα θα είναι απαραίτητη για να κάνουμε αυτή την αποστολή επιτυχημένη σε κλίμακα.

Η έννοια της “συλλογικής άμυνας” είναι κεντρική για την DeepTempo. Τι σημαίνει αυτό στην πράξη, και πώς διαφέρει από τις παραδοσιακές προσεγγίσεις για την κυβερνοασφάλεια;

Στην πράξη, η συλλογική άμυνα σημαίνει ότι όταν μια παρουσία του LogLM ενός πελάτη αναγνωρίζει μια νέα συμπεριφορά επίθεσης, π.χ. μια εκστρατεία C2 και εξαγωγή με συμπεριφορά beaconing που ακολουθείται από ανώμαλη εξαγωγή δεδομένων, αυτή η εικόνα μπορεί να αποσταλεί σε μια γενικευμένη συμπεριφορική υπογραφή και να μοιραστεί σε ολόκληρο το οικοσύστημα. Κρίσιμο, αυτό δεν περιλαμβάνει την αποστολή των ακατέργαστων αρχείων καταγραφής ή δεδομένων πελατών. Αντίθετα, αποσταλώνουμε υψηλής πιστότητας συμπεριφορικά πρότυπα και τα ενσωματώνουμε στα βάρη του μοντέλου μέσω τεχνικών ομοσπονδιακής μάθησης.

Αυτό είναι μια σαφής αντίθεση με τα παλιά συστήματα που βασίζονται είτε σε κανόνες που ταιριάζουν σε όλους είτε σε στατικές ροές πληροφοριών απειλών. Αυτά τα συστήματα δεν εξελίσσονται μέχρι να επηρεαστούν πολλαπλά θύματα. Με τη συλλογική άμυνα, το σύστημα ανίχνευσης εξελίσσεται με κάθε υψηλής ποιότητας σήμα, ακόμη και αν η απειλή είναι υπερ-ειδική σε ένα περιβάλλον. Αυτό μας επιτρέπει να πιάσουμε πολυμορφικές απειλές και ροές επιθέσεων που ενισχύονται από LLM πριν γίνουν ευρύτερα διαδεδομένες.

Ποια συγκεκριμένα κενά στην ασφάλεια των επιχειρήσεων προκάλεσαν την ανάπτυξη του LogLM, και πώς διαφέρει ουσιαστικά από παλαιότερα συστήματα ανίχνευσης;

Οι ομάδες ασφαλείας των επιχειρήσεων αντιμετωπίζουν τρία μεγάλα προβλήματα: υψηλά ποσοστά θορύβου προς σήμα, εύθραυστες ανιχνεύσεις που δεν μεταφέρονται μεταξύ περιβαλλόντων και αργή προσαρμογή σε αναδυόμενες απειλές. Το LogLM δημιουργήθηκε για να αντιμετωπίσει όλα αυτά.

Τα περισσότερα υπάρχοντα συστήματα βασίζονται σε κανόνες ή στενές προσεγγίσεις ML που απαιτούν εβδομάδες ή μήνες για να κατανοήσουν ένα νέο περιβάλλον. Αυτές οι προσεγγίσεις αποτυγχάνουν όταν οι επιτιθέμενοι αλλάζουν ελαφρώς τακτικές, όπως έχουμε δει με ομάδες όπως Scattered Spider ή Volt Typhoon. Το LogLM εκπαιδεύεται σε μεγάλους όγκους τηλεμετρίας ασφαλείας, αντιμετωπίζοντάς την ως一种 δομημένη γλώσσα. Αυτό του επιτρέπει να αναγνωρίζει σύνθετες ακολουθίες, όπως μια αύξηση στις αιτούνμενες εξοδούς DNS ακολουθούμενη από ασυνήθιστη δραστηριότητα Okta, όχι ως απομονωμένες ανωμαλίες αλλά ως μέρος μιας αφηγηματικής απειλής.

Σε αντίθεση με τα παλιά εργαλεία που παράγουν αποσυνδεδεμένα σήματα, το LogLM παράγει ερμηνεύσιμες, τακτικές ανιχνεύσεις. Και επειδή είναι χτισμένο από την αρχή, αντί να είναι αναδιαμορφωμένο ή προσαρμοσμένο, είναι σχεδιασμένο για ασφάλεια από την αρχή, επιτρέποντας γρήγορη προσαρμογή με μόνο λίγες ημέρες αχρησιμοποίητων αρχείων καταγραφής. Αυτό κάνει την ενσωμάτωση γρήγορη και την ανίχνευση πολύ πιο ανθεκτική.

Τι είναι οι σκιώδεις πράκτορες, και πώς αποτελούν κίνδυνο για τις οργανώσεις που λειτουργούν χωρίς κεντρική εποπτεία;

Οι σκιώδεις πράκτορες είναι αυτόνομες εργαλεία AI, συχνά χτισμένα πάνω σε LLM, που λειτουργούν μέσα σε μια επιχείρηση χωρίς ρητή εξουσιοδότηση ή ορατότητα από την ομάδα ασφαλείας. Ένα πρόσφατο παράδειγμα είναι το MITRE’s CVE‑2025‑32711 (“EchoLeak”), μια zero-click ευπάθεια στο Microsoft 365 Copilot που ενεργοποιείται απλώς ζητώντας του να συνοψίσει emails. Το σφάλμα επιτρέπει στους επιτιθέμενους να εξαγάγουν εσωτερικά δεδομένα μέσω του RAG контекст του πράκτορα, χωρίς καμία αλληλεπίδραση χρήστη. Ενώ αυτοί οι πράκτορες μπορούν να αυξήσουν την παραγωγικότητα, συχνά παρακάμπτουν την ανασκόπηση ασφαλείας και εκθέτουν ευαίσθητα δεδομένα σε ανεξέλεγκτες στρώσεις συλλογής.

Έχουμε δει περιπτώσεις όπου ένας σκιώδης πράκτορας που χτίστηκε με ένα δημόσιο LLM εκτέθηκε σε συστήματα αρχείων καταγραφής και άρχισε να διαρρέει στοιχεία στρωμάτων που περιείχαν κωδικούς πρόσβασης. Αυτοί οι πράκτορες τυπικά δεν ελέγχονται με έλεγχο DLP, δεν ακολουθούν πολιτικές πρόσβασης και δεν ελέγχονται. Χειρότερα, επειδή μπορούν να λάβουν αποφάσεις, όπως την προώθηση εξόδου σε εξωτερικά συστήματα, γίνονται επιφάνειες επίθεσης από μόνες τους. Σε контекστό εγχύματος προώθησης ή αλυσίδας αντιπαράθεσης, ένας seul πράκτορας μπορεί να εξαναγκαστεί να προκαλέσει κατωτέρω ενέργειες με πραγματική επίδραση.

Γιατί η έγχυση προώθησης και η χειραγώγηση του μοντέλου γίνονται σοβαρές απειλές, και γιατί δεν τις πιάνουν τα meisten τρέχοντα συστήματα;

Η έγχυση προώθησης είναι επικίνδυνη επειδή εκμεταλλεύεται την βασική λειτουργικότητα του μοντέλου: την ερμηνεία της φυσικής γλώσσας. Τα meisten συστήματα επιχειρήσεων αντιμετωπίζουν τις εξόδους του μοντέλου ως αξιόπιστες, αλλά αν το μοντέλο λαμβάνει κρυφές οδηγίες, ενσωματωμένες σε einen χρήστη σχόλιο, API κλήση ή ακόμη και ένα όνομα αρχείου, μπορεί να εξαπατηθεί και να εκτελέσει ανεπιθύμητες ενέργειες. Έχουμε δει αντιπάλους να χρησιμοποιούν αυτό για να τραβήξουν διαπιστευτήρια από ιστορίες chat, να μιμηθούν χρήστες ή να παρακάμψουν έλεγχο εισόδου.

Το βαθύτερο ζήτημα είναι ότι τα LLM είναι βελτιστοποιημένα για συνάφεια, όχι για ασφάλεια. Όπως εξερευνήσαμε στην πρόσφατη απάντησή μας στη μελέτη του Royal Society, τα μοντέλα τείνουν να προτιμούν τη ροή και τη γενικότητα έναντι της προσοχής και της ακρίβειας. Ακόμη και η προώθηση τους να “είναι πιο ακριβή” μπορεί να οδηγήσει σε πιο自信 αλλά ακόμη λανθασμένα, απαντήσεις. Και η αντιπαλική χειραγώγηση του μοντέλου είναι ένα μακροπρόθεσμο ζήτημα. Οι επιτιθέμενοι μπορούν να δηλητηριάσουν συνόλους δεδομένων ή να διαμορφώσουν εξόδους με τη επανάληψη δομημένων ερωτημάτων με το χρόνο, προωθώντας dần το μοντέλο σε ένα πιο επιθετικό συμπεριφορικό χώρο. Η ανίχνευση εδώ απαιτεί πλήρη αλυσίδα αρχείων καταγραφής, συνεχής αξιολόγηση και μοντελο-στρώμα sandbox, τεχνικές που τα meisten συστήματα επιχειρήσεων δεν έχουν ακόμη υιοθετήσει.

Πώς η Tempo χρησιμοποιεί χαρτογραφήσεις MITRE ATT&CK για να παρέχει ενεργό νοημοσύνη αντί για απλά сырыя σήματα;

Η Tempo χαρτογραφεί τις ανιχνεύσεις της σε τακτικές και τεχνικές ATT&CK χρησιμοποιώντας και επιτηρητές ταξινόμησης και αλυσίδες συμπεριφοράς. Όταν το σύστημα βλέπει μια ακολουθία όπως μια υποψία εκτέλεση PowerShell, τροποποίηση του καταχωρητή και ασυνήθιστη εξοδική κυκλοφορία, δεν απλώς ειδοποιεί για κάθε βήμα, αλλά το etiquetάρει ως Εκτέλεση > Άμυνα > Εξαγωγή, αντιστοιχίζοντας γνωστές τακτικές ATT&CK IDs.

Αυτό επιτρέπει στους υπερασπιστές να κατανοήσουν αμέσως το αντικείμενο του αντιπάλου και πού βρίσκεται στην αλυσίδα δολοφονίας. Παρέχουμε επίσης εμπλουτισμένο περιεχόμενο: επηρεαζόμενα οντότητες, σχετικά αρχεία καταγραφής και βαθμοί εμπιστοσύνης. Αυτή η δομημένη προσέγγιση μειώνει το γνωστικό φορτίο για τους αναλυτές SOC και επιταχύνει τις ροές ανταπόκρισης, οι ομάδες γνωρίζουν τι τακτική χρησιμοποιήθηκε, τι οδήγησε σε αυτή και τι είναι το επόμενο πιθανό βήμα. Αυτό είναι ένα μεγάλο βήμα μπροστά από τα συστήματα κόπωσης σήματος που πυροβολούν σε κάθε ανωμαλία χωρίς αφηγηματικό контекστό.

Γιατί η DeepTempo λειτουργεί αντίστροφα του SIEM (Διαχείριση Πληροφοριών και Γεγονότων Ασφαλείας) και πώς αυτή η θέση ενισχύει την ανίχνευση απειλών και ροών για τις ομάδες ασφαλείας;

Τα SIEM tend να κανονικοποιούν και να φιλτράρουν αρχεία καταγραφής για να μειώσουν το κόστος κατάκτησης. Αλλά με αυτό, συχνά χάνουν πολύτιμο контекστό, όπως ακριβείς χρονικές στάμπες, σπασμοί καθυστέρησης ή εφήμερες συμπεριφορές συνεδρίας. Η DeepTempo λειτουργεί αντίστροφα, καταναλώνοντας сырыή τηλεμετρία πριν από αυτή τη μεταμόρφωση. Αυτό μας επιτρέπει να μοντελοποιήσουμε πλουσιότερες συμπεριφορικές ακολουθίες, όπως η επαναχρησιμοποίηση υπηρεσιακών token με μικρές διαφορές χρονισμού ή σπάνιες ακολουθίες κλήσεων API που δεν θα περάσουν ποτέ από τα όρια SIEM.

Η λειτουργία αντίστροφα σημαίνει επίσης ότι μπορούμε να μειώσουμε τον θόρυβο πριν φτάσει ποτέ στο SIEM. Αντί να προωθούμε petabytes αρχείων καταγραφής την ημέρα, περνάμε 50–100 υψηλής контекστοποίησης συμβάντα με πλήρη εμπλουτισμένο ATT&CK και βαθμολογία μοντέλου. Οι ομάδες dành λιγότερο χρόνο στην τριβή και περισσότερο χρόνο στην έρευνα απειλών που έχουν σημασία. Αυτό μειώνει επίσης το κόστος αποθήκευσης και υπολογισμού SIEM, το οποίο μπορεί να είναι σημαντικό σε μεγάλες περιβάλλεις.

Τι επιτρέπει στην Tempo να εξειδικεύσει τα μοντέλα σε νέες περιβάλλεις τόσο γρήγορα, και πώς αυτό συγκρίνεται με τις παραδοσιακές ροές ML;

Τα παραδοσιακά συστήματα ML συχνά απαιτούν εβδομάδες ετικετών δεδομένων και επαναεκπαίδευσης για να προσαρμοστούν σε ένα νέο περιβάλλον. Η Tempo ακολουθεί μια θεμελιωδώς διαφορετική προσέγγιση. Αντί να αρχίσει από την αρχή, αξιοποιεί ένα προ-εκπαιδευμένο μοντέλο που έχει χτιστεί σε μεγάλης κλίμακας, πραγματικά δεδομένα δικτύου, όπως NetFlow και VPC flow δεδομένα. Αυτό δίνει μια ισχυρή κατανόηση του πώς κυκλοφορούν τα δεδομένα και οι συμπεριφορές σε διαφορετικά περιβάλλοντα.

Όταν η Tempo αναπτύσσεται σε ένα νέο περιβάλλον, δεν χρειάζεται ετικετών δεδομένων ή μακρές κύκλους μάθησης. Χρησιμοποιεί μόνο λίγες ημέρες τοπικής δραστηριότητας δικτύου για να καθορίσει μια βάση και να εξειδικεύσει τον εαυτό της για να ανιχνεύσει μοτίβα που είναι ειδικά για αυτό το περιβάλλον, όπως ασυνήθιστη πρόσβαση εκτός ωραρίου, ανωμαλίες επικοινωνίας υπηρεσίας-προς-υπηρεσία ή απρόσμενη κίνηση δεδομένων. Αυτό συμβαίνει σε ώρες, όχι εβδομάδες.

Επειδή η διαδικασία είναι αυτο-επιτηρημένη, δεν υπάρχει ανάγκη για τις ομάδες ασφαλείας να σημειώσουν ή να ετικετέψουν γεγονότα με το χέρι. Και για να παραμείνει επίκαιρη καθώς τα περιβάλλοντα εξελίσσονται, έχουμε χτίσει μηχανισμούς σναπσότ που επιτρέπουν στο μοντέλο να “ξεχάσει” παλαιές συμπεριφορές όταν η υποδομή ή οι πολιτικές αλλάζουν. Η λειτουργία στο επίπεδο δικτύου μας επιτρέπει να ανιχνεύουμε απειλές νωρίτερα και πιο ευρύτερα, κάτι που διακρίνει την Tempo από τα παραδοσιακά εργαλεία ασφαλείας που επικεντρώνονται σε τελικούς πόρους ή αρχεία καταγραφής.

Πώς η DeepTempo διατηρεί υψηλή ακρίβεια ενώ ελαχιστοποιεί τα ψευδώς θετικά, ιδιαίτερα σε δυναμικά cloud περιβάλλοντα;

Συνδυάζουμε χρονολογική μοντελοποίηση με контекστο-ευαίσθητη ανάλυση συμπεριφοράς δικτύου, χτισμένη απευθείας σε NetFlow και VPC flow αρχεία καταγραφής. Η προσέγγισή μας για την παραγωγή ευγενών ακολουθιών σε συνδυασμό με την εκτεταμένη προ-εκπαίδευση των αλγορίθμων βαθιάς μάθησης βασισμένων σε μετασχηματιστές, βοηθά στην κατανόηση του πώς τα γεγονότα δικτύου εξελίσσονται με το χρόνο. Δεν σημαδεύουμε μια seule αποτυχημένη σύνδεση, αλλά σημαδεύουμε μια αποτυχημένη σύνδεση που ακολουθείται από μια επιτυχημένη σύνδεση από μια νέα συσκευή, κίνηση laterally και ασυνήθιστη πρόσβαση δεδομένων. Αυτή η στρωματοποιημένη χρονολογική контекστό φιλτράρει τον θόρυβο και υπογραμμίζει πραγματικές και νέες απειλές.

Δεύτερον, προφίλουμε συμπεριφορές χρηστών και υπηρεσιών στο контекστό. Ένας κόμβος Kubernetes που επανεκκινείται 12 φορές είναι φυσιολογικός κατά τη διάρκεια ενημερώσεων, αλλά υποψία στο 2 π.μ. αν ακολουθείται από μια νέα ανάπτυξη container από一个 άγνωστο registry. Η Tempo αναγνωρίζει αυτό επειδή κοιτάζει την ακολουθία, το χρονισμό και το контекστό ταυτόχρονα. Επίσης, η ενεργός μας διαδικασία μάθησης παρακολουθεί και συλλέγει πληροφορίες για συγκεκριμένα στυλ ανίχνευσης. Αν η διαδικασία ανιχνεύσει μετατόπιση στην απόδοση ή τα δεδομένα, θα χρησιμοποιήσει τα σναπσότ και τα σχόλια από τους αναλυτές για να εξειδικεύσει μια μικρή σειρά παραμέτρων του μοντέλου.

Χτίζουμε την ανίχνευση μας σε сырыά, υψηλής πιστότητας μεταδεδομένα δικτύου, συνδυάζοντας χρονολογική νοημοσύνη με συμπεριφορική βάση για να παραδώσουμε σήματα υψηλής πιστότητας – ακόμη και σε cloud περιβάλλοντα που αλλάζουν σε μια στιγμή.

Τι είναι ο ρόλος της ερμηνευσιμότητας στο σύστημά σας, και πώς εξασφαλίζετε ότι τα σήματα έρχονται με χρηστική, ερμηνεύσιμη контекστό;

Κάθε ανίχνευση στην Tempo περιλαμβάνει einen περίληψη, τα υποκείμενα αρχεία καταγραφής και την υποτιθέμενη τακτική (π.χ. Πρόσβαση διαπιστευτηρίων μέσω Brute Force). Παρέχουμε επίσης einen γράφο σχετικών οντοτήτων, χρηστών, τελικών σημείων, πόρων cloud, ώστε οι ομάδες SOC να μπορούν να οπτικοποιήσουν το περιστατικό. Ο στόχος είναι να εξαφανιστεί η “μαύρη κουτί” επίδραση που πλήττει πολλά συστήματα AI.

Δανειστήκαμε από ακαδημαϊκές εργαλεία ερμηνευσιμότητας όπως LIME και SHAP σε πρώιμους προτύπους, αλλά βρήκαμε ότι δεν ήταν εύκολες για τους αναλυτές. Έτσι, παράγουμε μια αφηγηματική περίληψη: τι συνέβη, πότε, γιατί είναι ύποπτο και πόσο είμαστε σίγουροι. Αυτό δεν είναι μόνο για σαφήνεια, αλλά για να ενεργοποιήσει τους αναλυτές να δράσουν χωρίς να ανεβάζουν κάθε σήμα.

Τι είναι οι μακροπρόθεσμες απειλές των επιτιθέμενων που χρησιμοποιούν AI και θεμελιώδη μοντέλα από μόνες τους, και πώς η DeepTempo σχεδιάζει να παραμείνει μπροστά;

Το τοπίο απειλών εισέρχεται σε μια φάση όπου οι επιτιθέμενοι μπορούν να αναπτύξουν πράκτορες AI που αυτο-μαθαίνουν, μεταλλάσσουν φορτία σε πραγματικό χρόνο και μιμούνται легίτημα χρήστη συμπεριφορά. Αυτοί οι πράκτορες μπορούν να τρέχουν 24/7, ψάχνοντας για αδύναμες πλευρές, προσαρμοζόμενοι με κάθε αποτυχημένη προσπάθεια. Αυτό είναι μια θεμελιώδης μετατόπιση, δεν είναι πλέον για zero-days, αλλά για ταχύτητα, επανάληψη και απόκρυψη.

Ετοιμαζόμαστε επενδύοντας στην αντιπαλική εκπαίδευση, ανίχνευση αντίστροφα και συμπεριφορική μοντελοποίηση που δεν βασίζεται σε γνωστές ενδείξεις. Ο στόχος μας είναι να αναγνωρίσουμε τη δομή της κακόβουλης συμπεριφοράς πριν από την εντατική της. Επίσης, εξερευνούμε τρόπους για να δακτυλογραφήσουμε AI-γεννημένο επιτιθέμενο трафик, όπως κάναμε με τα botnets, ώστε οι υπερασπιστές να μπορούν να σηματοδοτήσουν δραστηριότητα ακόμη και όταν τα φορτία αλλάζουν συνεχώς.

 Ευχαριστούμε για τη μεγάλη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να επισκεφθούν DeepTempo.