Carl Froggett, Deep Instinctin CIO – Haastattelusarja

Carl Froggett on Deep Instinctin Chief Information Officer (CIO), joka on perustettu yksinkertaiselle ajatukselle: syväoppiminen, joka on edistynyt algoritmi, voidaan soveltaa kyberTurvallisuuteen estämään enemmän uhkia nopeammin.

Herra Froggettilla on osoitettu kyky rakentaa tiimejä, järjestelmäarkkitehtuuri, suurten yritysten ohjelmistojen toteutus sekä prosessien ja työkalujen sovittaminen liiketoiminnan vaatimuksiin. Froggett oli aiemmin Global Infrastructure Defensein johtaja, CISO Cyber Security Services Citi:ssä.

Millainen on taustasi rahoitusalan parissa, ja miten siirryit kyberturva-alalle?

Aloin työskentelemään kyberturva-alalla 1990-luvun lopulla, kun olin Citi:ssä, siirtymässä IT-roolista. Siirryin nopeasti johtajan asemaan, soveltaen IT-operaatioiden kokemuksiani kehittyvään ja haasteelliseen kyberturva-alan maailmaan. Työskennellessäni kyberturva-alalla, minulla oli mahdollisuus keskittyä innovaatioon, samalla kun toteutin ja operoin teknologiaa ja kyberturva-ratkaisuja erilaisiin liiketoimintatarpeisiin. Citi:ssä ollessani vastasin innovaatiosta, insinööritöistä, toimituksesta ja operaatioista globaaleille alustoille Citi:n liiketoimintoja ja asiakkaita varten maailmanlaajuisesti.

Olit Citi:ssä yli 25 vuotta ja vietit suuren osan ajasta johtamassa tiimejä, jotka vastasivat turvallisuusstrategioiden ja insinööritöiden puolesta. Mikä sai sinut liittymään Deep Instinct -startupiin?

Liityin Deep Instinctiin, koska halusin ottaa uuden haasteen ja käyttää kokemukseni uudella tavalla. 15 vuoden ajan olin mukana kyber- ja FinTech-yrityksissä, mentorina ja kasvattamassa tiimejä liiketoiminnan kasvun tueksi, ja johtamassa joitain yrityksiä listautumiseen asti. Olin tuttu Deep Instinctin ainutlaatuiselle, mullistavalle syväoppimistechnologialle, joka tuotti tuloksia, joita kukaan muu toimittaja ei voinut. Halusin olla osa jotain, joka merkitsisi uuden aikakauden aloittamista yritysten suojelemiseksi pahantahtoisilta uhilta, joita kohtaamme jokapäiväisesti.

Voitko keskustella siitä, miksi Deep Instinctin syväoppimisen soveltaminen kyberturvaan on niin suuri muutos?

Kun Deep Instinct perustettiin, yhtiö asetti tavoitteeksi vallankumouksellisen muutoksen kyberturva-alalla, esittämällä ennaltaehkäisevän filosofian sijaan “havaitse, reagoi, rajoita” -lähestymistapa. Kasvavien kyberhyökkäysten, kuten ransomwaren, nollapäivän hyökkäysten ja muiden ennen näkemättömien uhkien kasvavan määrän ja nopeuden vuoksi, perinteinen reaktiivinen turvallisuusmalli ei toimi. Nyt, kun näemme uhkien määrän kasvavan ja hyökkääjien uudelleen keksivän, innovoivan ja välttävän olemassa olevia valvontaa, organisaatioiden on tarve ennaltaehkäisevälle kyvylle pysyäkseen pahantahtoisten toimijoiden edellä.

Vihamielinen AI on kasvamassa, ja pahantahtoiset toimijat hyödyntävät WormGPT:ä, FraudGPT:ä, mutatoituvaa malwarea ja muita. Olemme saapuneet ratkaisevaan aikaan, jolloin organisaatioiden on taisteltava AI:ta vastaan AI:n avulla. Mutta ei kaikki AI ole samanarvoista. Vihamielisen AI:n torjuminen vaatii ratkaisuja, jotka perustuvat monimutkaisempaan AI-muotoon, nimittäin syväoppimiseen (DL). Useimmat kyberturva-työkalut hyödyntävät koneoppimisen (ML) malleja, jotka esittävät useita puutteita turvallisuustiimeille uhkien ehkäisemisessä. Esimerkiksi nämä tarjontaa koulutetaan rajoitettujen saatavilla olevien datojen alijoukoissa (tyypillisesti 2-5%), tarjoavat vain 50-70%:n tarkin ja esittävät paljon vääräpositiivisia tuloksia. ML-ratkaisut vaativat myös runsaasti ihmisen väliintuloa ja koulutetaan pienillä datojoukoilla, altistaen ne ihmisen virheille ja harhauksiin. Ne ovat hitaita ja hitaita jopa päätepisteessä, antaen uhkien toteutua ennen kuin ne havaitaan, sen sijaan että ne torjuttaisiin jo ennen toteutumistaan. Se, mikä tekee DL:stä tehokkaan, on sen kyky itseopiskella datan avulla ja toimia itsenäisesti uhkien tunnistamiseksi, havaitsemiseksi ja estämiseksi.

Miten syväoppiminen pystyy ennaltaehkäisevästi estämään tuntematonta malwarea, jota ei ole aiemmin koettu?

Tuntematon malware luodaan usealla tavalla. Yksi yleinen menetelmä on muuttaa tiedoston hash, joka voi olla vain yhden bytin muutos. Päätepisteturvallisuusratkaisut, jotka riippuvat hash-mustasta, ovat haavoittuvaisia tällaisille “mutaatioille”, koska heidän olemassa olevat hashing-signatuureja eivät vastaa uusien mutaatioiden hash-arvoja. Pakkaaminen on toinen tekniikka, jossa binääritiedostot pakataan pakkaajalla, joka tarjoaa yleisen kerroksen alkuperäiselle tiedostolle – ajattele sitä kuin maskia. Uudet variantit luodaan myös muuttamalla alkuperäistä malware-binaaria itse. Tämä tehdään ominaisuuksilla, joita turvallisuusvalmistajat voivat allekirjoittaa, kuten kovakoodatuilla merkkijonoilla, IP-/verkkotunnuksilla, C&C-palvelimien rekisteröintitunnuksilla, tiedostopoluilla, metatiedoilla tai jopa tiedostopäätteillä, jotka liittyvät salattuihin tiedostoihin ransomwaren kautta. Koodi tai koodin osat voivat myös muuttua tai lisätä, mikä välttää perinteiset havaitsemistekniikat.

DL perustuu neuroverkkoon ja käyttää “aivonsa” jatkuvaan koulutukseen raakadatalla. Tärkeä asia tässä on, että DL-koulutus kuluttaa kaiken saatavilla olevan datan, ilman ihmisen väliintuloa koulutuksessa – tärkeä syy siihen, miksi se on niin tarkin. Tämä johtaa erittäin korkeaan tehokkuusasteeseen ja erittäin alhaiseen vääräpositiiviseen luokitteluvirheeseen, mikä tekee siitä hyperresilienssin tuntemattomia uhkia vastaan. DL-kehyksellämme emme riipu signatureista tai malleista, joten alustamme on immuuni hash-muutoksille. Onnistumme myös luokittelemalla pakatut tiedostot – sekä yksinkertaisia ja tunnettuja, että FUD:ia.

Miten Deep Instinct toteuttaa ennaltaehkäisevän lähestymistavan kyberturvaan?

Data on jokaisen organisaation elinsiemen, ja sen suojeleminen on ensisijainen. Kaikki, mitä tarvitaan, on yksi pahantahtoinen tiedosto, jotta voidaan murtautua. Vuosien ajan “oletetaan murto” on ollut turvallisuuden oletusarvoinen mielentila, hyväksyen sen, että dataa voidaan päästä käyttämään uhkaavien toimijoiden toimesta. Tämä mielentila ja siitä johtuvat työkalut eivät kuitenkaan ole tarjonneet riittävää dataturvallisuutta, ja hyökkääjät ovat hyödyntäneet tästä passiivisesta lähestymistavasta. Meidän tuore tutkimus osoitti, että ensimmäisen vuosipuoliskon 2023 aikana tapahtui enemmän ransomware-uhkia kuin koko vuonna 2022. Tehokkaasti vastaamalla tähän muuttuvaan uhkaan ei vaadi vain siirtymistä “oletetaan murto” -mielentilasta, vaan myös uuden lähestymistavan ja torjuntakeinojen kehittämistä. Uhka on uusi ja tuntematon, ja se on nopea, miksi näemme nämä tulokset ransomware-uhkissa. Kuten signatuurit eivät voineet pysyä uhka-aiheiden muuttuvan maiseman kanssa, ei mikään olemassa oleva ratkaisu, joka perustuu ML:ään, voi.

Deep Instinctissa hyödynnämme DL:n voimaa tarjoamalla ennaltaehkäisevän lähestymistavan dataturvallisuuteen. Deep Instinct Predictive Prevention Platform on ensimmäinen ja ainoa ratkaisu, joka perustuu ainutlaatuiselle DL-kehykselle, joka on suunniteltu erityisesti kyberturvaan. Se on markkinoiden tehokkain, tehokkain ja luotettavin kyberturvaratkaisu, joka estää yli 99%:n nollapäivän, ransomwaren ja muiden tuntemattomien uhkien toteutumista alle 20 millisekunnissa, ja se on teollisuuden alhaisin (<0,1%) vääräpositiivinen luokitteluvirhe. Olemme jo soveltaneet ainutlaatuiselle DL-kehyksellemme sovellusten ja päätepisteiden turvallisuuden, ja viimeksi laajensimme kykyjämme tallennusturvaan Deep Instinct Prevention for Storage:n julkaisemisen myötä.

Voitko keskustella siitä, minkälaisia koulutusdataa käytetään mallien kouluttamiseen?

Kuten muutkin AI- ja ML-mallit, myös meidän mallimme koulutetaan dataa käyttäen. Se, mikä tekee meidän mallistamme ainutlaatuisen, on se, että se ei tarvitse asiakkaiden dataa tai tiedostoja oppiakseen ja kehittyäkseen. Tämä ainutlaatuinen yksityisyys antaa asiakkaillemme lisää turvallisuutta, kun he käyttävät ratkaisujamme. Tilaaamme yli 50 dataa, joista lataamme tiedostoja kouluttamaan malliamme. Siitä lähtien validoidaan ja luokitellaan dataa itse kehittämällämme algoritmeilla.

Deep Instinct toimii asiakkaan konttiympäristössä, miksi tämä on tärkeää?

Yksi alustamme ratkaisuista, Deep Instinct Prevention for Applications (DPA), tarjoaa DL-ominaisuuksien hyödyntämisen API/iCAP-liittymän kautta. Tämä joustavuus mahdollistaa organisaatioiden upottaa vallankumoukselliset kyvyt sovelluksiin ja infrastruktuuriin, mikä tarkoittaa, että voimme laajentaa ulottuvuuttamme estääksemme uhkia puolustusstrategian kautta. Tämä on ainutlaatuinen erottautumiskeino. DPA toimii kontissa (jonka tarjoamme), ja se on linjassa modernien digitalisaatiestrategioiden kanssa, joita asiakkaamme toteuttavat, kuten siirtymällä paikallisiin tai pilviin konttiympäristöihin sovelluksilleen ja palveluilleen. Yleensä nämä asiakkaat omaksuvat myös “shift left” -lähestymistavan DevOps:issa. API-pohjainen palvelumallimme täydentää tätä mahdollistamalla Agile-kehityksen ja palvelujen estämisen.

Generatiivinen AI tarjoaa potentiaalin kyberhyökkäysten skaalautumiseen, miten Deep Instinct ylläpitää tarvittavaa nopeutta näiden hyökkäysten torjumiseksi?

DL-kehyksemme perustuu neuroverkkoon, jonka “aivot” jatkuvasti oppivat ja kouluttavat itseään raakadatalla. Nopeus ja tarkkuus, jolla kehyksemme toimii, johtuu aivojen kouluttamisesta sadoista miljoonista näytteistä. Kun nämä koulutusjoukot kasvavat, neuroverkko jatkaa oppimistaan, mikä mahdollistaa sen olla yksityiskohtaisempi ymmärtäessään, mitkä tekijät tekevät tiedostosta pahantahtoisen. Koska se pystyy tunnistamaan tiedostojen rakennusosia yksityiskohtaisemmin kuin mikään muu ratkaisu, DL estää tunnetut, tuntemattomat ja nollapäivän uhkia tarkemmin ja nopeammin kuin muut vakiintuneet kyberturva-tuotteet. Tämä yhdistettynä siihen, että “aivot” eivät vaadi pilvipohjaisia analyytikkoja tai tarkasteluja, tekee siitä ainutlaatuisen.

Mitkä ovat joitain suurimmista uhkista, jotka kasvavat generatiivisen AI:n myötä, ja mitä yritysten tulisi ottaa huomioon?

Phishing-sähköpostit ovat muuttuneet paljon sofistikoituneemmiksi AI:n kehittymisen myötä. Aikaisemmin phishing-sähköpostit olivat yleensä helppoja havaita, koska ne sisälsivät usein kieliopillisia virheitä. Nykyään pahantahtoiset toimijat käyttävät työkaluja kuten ChatGPT:ä luomaan syvemmän, kieliopillisesti oikein kirjoitettuja sähköposteja useilla kielillä, jotka ovat vaikeampia roskapostisuodattimien ja lukijoiden havaita.

Voitko lyhyesti kertoa, mitä ratkaisuja Deep Instinct tarjoaa sovellus-, päätepiste- ja tallennusratkaisuihin liittyen?

Deep Instinct Predictive Prevention Platform on ensimmäinen ja ainoa ratkaisu, joka perustuu ainutlaatuiselle DL-kehykselle, joka on suunniteltu ratkaisemaan nykyisiä kyberturva-haasteita – nimittäin estämään uhkia ennen niiden toteutumista. Alusta on jaettu kolmeen pilarin:

1. Agentiton, konttiympäristössä, liitettynä API: n tai ICAP: n kautta: Deep Instinct Prevention for Applications on agentiton ratkaisu, joka estää ransomwaren, nollapäivän uhkia ja muita tuntemattomia malware-uhkia ennen kuin ne pääsevät sovelluksiisi, vaikuttamatta käyttäjäkokemukseen.
2. Agentipohjainen päätepisteessä: Deep Instinct Prevention for Endpoints on itsenäinen ennaltaehkäisevä alusta – ei toteutuva kuten useimmat ratkaisut tänään. Tai se voi tarjota todellisen uhkaestoratkaisun tukeakseen olemassa olevia EDR-ratkaisuja. Se estää tunnettuja, tuntemattomia, nollapäivän ja ransomware-uhkia ennen niiden toteutumista, vähentäen merkittävästi hälytysten määrää ja vähentäen vääräpositiivisia tuloksia, jotta SOC-tiimit voivat keskittyä vain korkealaatuisiin, legitiimeihin uhkiin.
3. Ennaltaehkäisevä lähestymistapa tallennussuojaan: Deep Instinct Prevention for Storage tarjoaa ennaltaehkäisevän lähestymistavan estääkseen ransomwaren, nollapäivän uhkia ja muita tuntemattomia malware-uhkia pääsemästä tallennusympäristöihin – riippumatta siitä, onko data tallennettu paikallisesti vai pilvessä. Tarjoamme nopean, erittäin tehokkaan ratkaisun keskitetylle tallennukselle asiakkaidemme suojelemiseksi uhkilta, jotka voivat muodostua levitys- ja jakelupisteiksi.

Kiitos hyvästä arvostelusta, lukijat, jotka haluavat oppia lisää, kannattaa vierailla Deep Instinct:issa.