कार्ल फ्रोगेट, डीप इंस्टिंक्ट के सीआईओ – साक्षात्कार श्रृंखला

Carl Froggett Deep Instinct के मुख्य सूचना अधिकारी (CIO) हैं। कंपनी इस विचार पर स्थापित हुई कि AI की उन्नत शाखा डीप लर्निंग को साइबर सुरक्षा में लागू करके अधिक खतरों को अधिक तेजी से रोका जा सकता है।

उन्हें टीम बनाने, सिस्टम आर्किटेक्चर, बड़े उद्यम सॉफ्टवेयर लागू करने और प्रक्रियाओं व उपकरणों को कारोबारी जरूरतों के अनुरूप ढालने का अनुभव है। इससे पहले वे Citi में Global Infrastructure Defense और CISO Cyber Security Services के प्रमुख थे।

आपकी पृष्ठभूमि वित्तीय क्षेत्र की है। साइबर सुरक्षा में कैसे आए?

1990 के दशक के आखिर में Citi में काम करते हुए मैं आईटी से साइबर सुरक्षा में आया। जल्द ही नेतृत्व की भूमिका मिली और मैंने आईटी परिचालन का अनुभव इस तेजी से बदलती, चुनौतीपूर्ण दुनिया में लगाया। अलग-अलग कारोबारी जरूरतों के लिए तकनीकी और सुरक्षा समाधान लागू करते और चलाते समय मुझे नवाचार पर ध्यान देने का अवसर मिला। Citi में मेरी जिम्मेदारियों में दुनिया भर के व्यवसायों और ग्राहकों के लिए वैश्विक प्लेटफॉर्म का नवाचार, इंजीनियरिंग, वितरण और परिचालन शामिल था।

आपने Citi में 25 वर्ष से अधिक काम किया और ज्यादातर समय सुरक्षा रणनीति व इंजीनियरिंग टीमों का नेतृत्व किया। Deep Instinct से जुड़ने का फैसला क्यों किया?

मैं नई चुनौती चाहता था और अनुभव को अलग तरीके से इस्तेमाल करना चाहता था। 15 वर्ष से अधिक समय से मैं साइबर सुरक्षा स्टार्टअप और FinTech कंपनियों के साथ काम कर रहा था: टीमों को मार्गदर्शन देना, कारोबारी विकास के लिए तैयार करना और कुछ कंपनियों को सार्वजनिक शेयर पेशकश के लिए तैयार करना। मैं Deep Instinct को जानता था और देख चुका था कि इसकी अनूठी, परिवर्तनकारी डीप लर्निंग (DL) तकनीक ऐसे परिणाम देती है जो दूसरे विक्रेता नहीं दे पाते। मैं रोज सामने आने वाले दुर्भावनापूर्ण खतरों से कंपनियों की रक्षा के नए दौर का हिस्सा बनना चाहता था।

साइबर सुरक्षा में Deep Instinct का डीप लर्निंग इस्तेमाल इतना बड़ा बदलाव क्यों है?

कंपनी की स्थापना ही उद्योग बदलने के लक्ष्य से हुई। लगातार पीछे रहने वाले ‘पता लगाओ, प्रतिक्रिया दो, सीमित करो’ तरीके के बजाय हमने रोकथाम को प्राथमिकता दी। रैंसमवेयर, zero-day कमजोरियों का दुरुपयोग और पहले न देखे गए खतरे बढ़ रहे हैं, इसलिए प्रतिक्रियात्मक सुरक्षा मॉडल काम नहीं कर रहा। जनरेटिव AI खतरों की संख्या और गति बढ़ाता है। हमलावर नई तकनीकें बनाकर मौजूदा नियंत्रणों को चकमा देते हैं; संगठनों को आगे रहने के लिए पूर्वानुमान और रोकथाम की क्षमता चाहिए।

हमलावर WormGPT, FraudGPT और रूप बदलने वाले मालवेयर जैसे साधनों से AI का दुर्भावनापूर्ण इस्तेमाल बढ़ा रहे हैं। यह ऐसा महत्वपूर्ण समय है जब संगठनों को AI का मुकाबला AI से करना होगा, लेकिन सभी AI समान नहीं हैं। इसके लिए DL जैसे उन्नत तरीके चाहिए। अधिकांश साइबर सुरक्षा उपकरण मशीन लर्निंग (ML) पर आधारित हैं। Froggett के अनुसार इन मॉडलों को अक्सर उपलब्ध डेटा के केवल 2–5% पर प्रशिक्षित किया जाता है; अनजान खतरों पर सटीकता 50–70% होती है और गलत सकारात्मक परिणाम बहुत आते हैं। अधिक मानवीय हस्तक्षेप और छोटे प्रशिक्षण सेट पूर्वाग्रह व त्रुटि का जोखिम भी लाते हैं। ये एंडपॉइंट पर भी धीमे रहते हैं और खतरे को निष्क्रिय अवस्था में रोकने के बजाय उसके चलने का इंतजार करते हैं। DL की ताकत डेटा लेते हुए स्वयं सीखना और जटिल खतरों की पहचान, खोज तथा रोकथाम स्वतंत्र रूप से करना है।

DL ‘सेंध लगना तय मानकर चलो’ सोच से पूर्वानुमान आधारित रोकथाम की ओर ले जाता है। इससे AI-निर्मित मालवेयर समेत खतरों की पहचान और जोखिम में कमी नुकसान होने से पहले की जा सकती है। कंपनी ज्ञात-अज्ञात मालवेयर के विरुद्ध अधिक प्रभावशीलता और ML से कम गलत सकारात्मक परिणामों का दावा करती है। इस प्रभावशीलता के लिए DL कोर को साल में एक या दो अपडेट पर्याप्त होते हैं। स्वतंत्र काम करने से लगातार क्लाउड पूछताछ या खतरे की जानकारी साझा करना जरूरी नहीं होता, जिससे गति और गोपनीयता का लाभ मिलता है।

डीप लर्निंग पहले कभी न देखे गए मालवेयर का पूर्वानुमान लगाकर उसे कैसे रोकती है?

अनजान मालवेयर कई तरीकों से बनता है। आम तरीका फाइल का हैश बदलना है; एक बाइट जोड़ना भी काफी हो सकता है। हैश ब्लैकलिस्ट वाले एंडपॉइंट समाधान असुरक्षित हो जाते हैं क्योंकि पुराना हस्ताक्षर नए हैश से मेल नहीं खाता। दूसरा तरीका पैकर से मूल बाइनरी पर आवरण जोड़ना है। बाइनरी संरचना बदलकर नए संस्करण भी बनाए जाते हैं: स्थिर स्ट्रिंग, कमांड-एंड-कंट्रोल सर्वर के IP या डोमेन, रजिस्ट्री कुंजी, फाइल पथ, मेटाडेटा, mutex, प्रमाणपत्र, ऑफसेट और रैंसमवेयर से एन्क्रिप्ट फाइलों के एक्सटेंशन बदले जा सकते हैं। आंशिक या पूरा कोड बदलकर अथवा जोड़कर पारंपरिक पहचान से बचा जा सकता है।

DL न्यूरल नेटवर्क पर आधारित है और अपने ‘मस्तिष्क’ को कच्चे डेटा से लगातार प्रशिक्षित करता है। प्रशिक्षण में पूरा उपलब्ध डेटा इस्तेमाल होता है और मानवीय हस्तक्षेप नहीं होता; यही उच्च सटीकता का महत्वपूर्ण कारण है। इससे प्रभावशीलता, कम गलत सकारात्मक परिणाम और अनजान खतरों के विरुद्ध मजबूती मिलती है। हमारा DL ढांचा हस्ताक्षर या पैटर्न पर निर्भर नहीं है, इसलिए हैश बदलने से प्रभावित नहीं होता। हम सामान्य पैकर या FUD तरीकों से पैक की गई फाइलें भी वर्गीकृत कर सकते हैं।

प्रशिक्षण में हम एल्गोरिदम को दी जाने वाली फाइलों के कच्चे डेटा में ‘शोर’ जोड़कर छोटे बदलाव बनाते हैं और हर प्रशिक्षण चक्र में इस्तेमाल करते हैं। इससे प्लेटफॉर्म अनजान मालवेयर संस्करणों में टेक्स्ट बदलाव और polymorphism जैसे परिवर्तनों के प्रति मजबूत बनता है।

साइबर सुरक्षा में रोकथाम को प्राथमिकता देना महत्वपूर्ण है। Deep Instinct हमले रोकने पर कैसे ध्यान देता है?

डेटा हर संगठन की जीवनरेखा है और उसकी रक्षा प्राथमिकता होनी चाहिए। सेंध के लिए एक दुर्भावनापूर्ण फाइल काफी है। वर्षों से प्रचलित ‘assume breach’ सोच मानती है कि हमलावर अंततः डेटा तक पहुंचेंगे। यह सोच और उससे जुड़े उपकरण पर्याप्त सुरक्षा नहीं दे सके, और हमलावर इस निष्क्रिय रुख का लाभ उठाते हैं। हमारे हालिया शोध में 2023 की पहली छमाही में रैंसमवेयर घटनाएं पूरे 2022 से अधिक मिलीं। इसके लिए मानसिकता के साथ नया तरीका और रोकथाम के उपकरण चाहिए। खतरे नए, अनजान और तेज हैं; हस्ताक्षर तथा मौजूदा ML समाधान इनके बदलाव का साथ नहीं दे पाते।

Deep Instinct में हम DL से डेटा सुरक्षा में रोकथाम-प्रथम दृष्टिकोण देते हैं। Deep Instinct Predictive Prevention Platform को हम साइबर सुरक्षा के लिए विशेष रूप से बनाए गए अपने अनूठे DL ढांचे पर आधारित पहला और एकमात्र समाधान बताते हैं। कंपनी के अनुसार यह zero-day, रैंसमवेयर और अन्य अनजान खतरों के 99% से अधिक को 20 मिलीसेकंड से कम में रोकता है, जबकि गलत सकारात्मक दर 0.1% से कम है। हम यह ढांचा एप्लिकेशन और एंडपॉइंट की सुरक्षा में लागू कर चुके हैं और Deep Instinct Prevention for Storage से स्टोरेज तक बढ़ा रहे हैं।

कमजोरियों से आगे रहने, गलत सकारात्मक परिणाम सीमित करने और सुरक्षा टीमों का तनाव घटाने के लिए पूर्वानुमान आधारित रोकथाम जरूरी है। हम इस मिशन के अग्रणी हैं; पुराने विक्रेता भी रोकथाम-प्रथम सुविधाएं शुरू कर रहे हैं, जिससे यह दृष्टिकोण फैल रहा है।

मॉडल को प्रशिक्षित करने में कौन-सा डेटा इस्तेमाल होता है?

अन्य AI और ML की तरह हमारा मॉडल डेटा पर प्रशिक्षित होता है। फर्क यह है कि सीखने और बेहतर होने के लिए इसे ग्राहकों के डेटा या फाइलों की जरूरत नहीं होती। यह गोपनीयता सुविधा ग्राहकों को अतिरिक्त भरोसा देती है। हम प्रशिक्षण फाइलें डाउनलोड करने के लिए 50 से अधिक डेटा फीड की सदस्यता लेते हैं। भीतर विकसित एल्गोरिदम से डेटा सत्यापित और वर्गीकृत करते हैं।

इस तरीके से औसतन साल में केवल दो या तीन नए ‘मस्तिष्क’ बनाने पड़ते हैं। इन्हें अलग से तैनात किया जाता है और ग्राहकों पर परिचालन प्रभाव काफी घटता है। बदलते खतरों के साथ बने रहने के लिए लगातार अपडेट जरूरी नहीं। यही DL का लाभ है: हम निवारक और सक्रिय रह सकते हैं, जबकि अन्य AI व ML समाधान प्रतिक्रियात्मक रहते हैं।

भंडार तैयार होने पर सभी प्रकार की फाइलें दुर्भावनापूर्ण या सुरक्षित वर्गीकृत करके मेटाडेटा सहित डेटासेट बनाते हैं। फिर पूरे डेटा पर मस्तिष्क प्रशिक्षित करते हैं; प्रशिक्षण में डेटा न हटाने से कम गलत सकारात्मक परिणाम और अधिक प्रभावशीलता में मदद मिलती है। सीखना स्वयं जारी रहता है; परिणाम समायोजित करके हम मस्तिष्क को सिखाते हैं और वह सीखता रहता है। मनुष्य की तरह अधिक प्रशिक्षण से सटीकता बढ़ती है। लेकिन overfitting से सावधान रहना जरूरी है ताकि मॉडल समझने के बजाय डेटा रट न ले।

पर्याप्त प्रभावशीलता मिलने पर ग्राहकों के लिए अनुमान लगाने वाला मॉडल बनाते हैं। तैनात मॉडल फिर नई चीजें सीख नहीं सकता। फिर भी नए डेटा और अनजान खतरों को देखकर तय कर सकता है कि वे दुर्भावनापूर्ण हैं या नहीं। वह देखी गई हर चीज पर मानो ‘zero-day’ निर्णय लेता है।

Deep Instinct ग्राहक के कंटेनर वातावरण में चलता है। इसका महत्व क्या है?

Deep Instinct Prevention for Applications (DPA) API या iCAP इंटरफेस से DL इस्तेमाल करने देता है। संगठन इसे एप्लिकेशन और बुनियादी ढांचे में जोड़कर बहुस्तरीय रक्षा रणनीति के तहत व्यापक रोकथाम कर सकते हैं। हमारे दिए कंटेनर में चलने वाला DPA ऑन-प्रिमाइसेस या क्लाउड कंटेनर की ओर एप्लिकेशन और सेवाएं ले जाने जैसी डिजिटलीकरण रणनीतियों के अनुकूल है। ये ग्राहक अक्सर DevOps में सुरक्षा पहले लाने वाला ‘shift left’ तरीका भी अपनाते हैं। हमारा API-केंद्रित सेवा मॉडल चुस्त विकास और सेवाओं में खतरे रोककर इसका साथ देता है।

हम उपलब्ध सेवाओं से संगठन की तकनीकी रणनीति में सहज जुड़ते हैं; नया हार्डवेयर, लॉजिस्टिक समस्या या परिचालन बोझ नहीं बढ़ता और स्वामित्व की कुल लागत (TCO) कम रहती है। कंटेनर की मांग के अनुसार बड़े स्तर पर स्वचालित विस्तार, लचीलापन, कम विलंब और आसान अपग्रेड का लाभ मिलता है। इससे बड़े पैमाने पर एप्लिकेशन और बुनियादी ढांचे में रोकथाम जुड़ती है। DL का कम विलंब, उच्च प्रभावशीलता और कम गलत सकारात्मक परिणाम गोपनीयता के साथ मिलते हैं: फाइल या डेटा ग्राहक-नियंत्रित कंटेनर से बाहर नहीं जाता। उत्पाद को क्लाउड से फाइल या डेटा साझा करने या क्लाउड विश्लेषण की जरूरत नहीं है।

जनरेटिव AI साइबर हमलों का पैमाना बढ़ा सकता है। आप जरूरी गति कैसे बनाए रखते हैं?

हमारा DL ढांचा न्यूरल नेटवर्क पर आधारित है; ‘मस्तिष्क’ कच्चे डेटा से सीखकर स्वयं प्रशिक्षित होता है। गति और सटीकता करोड़ों उदाहरणों से प्रशिक्षण का परिणाम हैं। डेटासेट बढ़ने पर नेटवर्क अधिक विस्तार से समझता है कि फाइल को दुर्भावनापूर्ण क्या बनाता है। उसके निर्माण तत्वों को पहचानकर वह ज्ञात, अज्ञात और zero-day खतरों को तेज और सटीक तरीके से रोकता है। क्लाउड विश्लेषण या पूछताछ न होना भी महत्वपूर्ण है। अकेला ML पर्याप्त नहीं, इसलिए क्लाउड विश्लेषण जोड़ना पड़ता है, जो उसे धीमा और प्रतिक्रियात्मक बनाता है। DL में यह सीमा नहीं है।

जनरेटिव AI से मजबूत हुए किन बड़े खतरों पर संगठनों को ध्यान देना चाहिए?

AI से फिशिंग ईमेल अधिक परिष्कृत हुए हैं। पहले व्याकरण की गलतियों से पहचान आसान थी; अब हमलावर ChatGPT जैसे साधनों से कई भाषाओं में विस्तृत और व्याकरणतः सही संदेश बनाते हैं। स्पैम फिल्टर और मनुष्य दोनों के लिए इन्हें पकड़ना कठिन होता है।

डीपफेक अधिक वास्तविक और विश्वसनीय हुए हैं। वॉइस AI से अधिकारियों की आवाज की नकल कर कर्मचारियों के लिए नकली वॉइस संदेश छोड़े जा रहे हैं।

हमलावर ऐसे अनजान मालवेयर बनाते हैं जो सुरक्षा समाधानों को पार करने, पहचान से बचने और प्रभावी प्रसार के लिए व्यवहार बदलते हैं। AI सिर्फ नया, उन्नत मालवेयर बनाने के लिए नहीं बल्कि पूरी हमले की श्रृंखला स्वचालित करने में भी इस्तेमाल होगा। इससे लागत घटेगी, पैमाना बढ़ेगा और अभियान अधिक जटिल तथा सफल हो सकते हैं। उद्योग को पिछले 15 वर्षों से भरोसे में रहे समाधान, प्रशिक्षण और जागरूकता कार्यक्रमों पर पुनर्विचार करना होगा। इस साल की सेंधें कमियां दिखाती हैं और स्थिति बदतर हो सकती है।

एप्लिकेशन, एंडपॉइंट और स्टोरेज समाधानों का संक्षिप्त परिचय देंगे?

Deep Instinct Predictive Prevention Platform अपने विशेष DL ढांचे से खतरों को चलने और वातावरण में स्थापित होने से पहले रोकता है। इसके तीन मुख्य घटक हैं:

1. API या ICAP से जुड़ने वाला कंटेनर-आधारित, एजेंट-रहित समाधान: Deep Instinct Prevention for Applications उपयोगकर्ता अनुभव प्रभावित किए बिना रैंसमवेयर, zero-day और अन्य अनजान मालवेयर को एप्लिकेशन तक पहुंचने से पहले रोकता है।
2. एंडपॉइंट पर एजेंट-आधारित समाधान: Deep Instinct Prevention for Endpoints स्वतंत्र प्लेटफॉर्म है, जो कई मौजूदा समाधानों की तरह रनटाइम के बजाय निष्पादन से पहले रोकथाम करता है। यह मौजूदा EDR समाधानों का पूरक सुरक्षा स्तर भी हो सकता है। दुर्भावनापूर्ण गतिविधि शुरू होने से पहले ज्ञात-अज्ञात खतरे, zero-day और रैंसमवेयर रोकने से अलर्ट और गलत सकारात्मक परिणाम घटते हैं तथा SOC टीम विश्वसनीय रूप से पहचाने गए वास्तविक खतरों पर ध्यान दे सकती है।
3. स्टोरेज में रोकथाम-प्रथम सुरक्षा: Deep Instinct Prevention for Storage ऑन-प्रिमाइसेस या क्लाउड में रखे डेटा में रैंसमवेयर, zero-day और दूसरे अनजान मालवेयर का प्रवेश पूर्वानुमान आधारित तरीके से रोकता है। केंद्रीकृत स्टोरेज की तेज, प्रभावी सुरक्षा उसे खतरे के प्रसार और वितरण का माध्यम बनने से बचाती है।

इस बातचीत के लिए धन्यवाद। अधिक जानकारी चाहने वाले पाठक Deep Instinct की वेबसाइट देख सकते हैं।