मयंक कुमार, डीपटेम्पो के संस्थापक एआई इंजीनियर – साक्षात्कार श्रृंखला

मयंक कुमार डीपटेम्पो के संस्थापक एआई इंजीनियर हैं, जहां वे कंपनी के मूल लॉग लैंग्वेज मॉडल (लॉगएलएम) के डिजाइन और विकास का नेतृत्व करते हैं। जेनरेटिव और मल्टीमॉडल एआई में मजबूत अकादमिक और शोध पृष्ठभूमि के साथ, वे साइबर सुरक्षा वातावरण में खतरे का पता लगाने और प्रतिक्रिया में सुधार करने वाले डोमेन-विशिष्ट मॉडल बनाने में विशेषज्ञता लाते हैं।

डीपटेम्पो एक साइबर सुरक्षा कंपनी है जो लॉगएलएम पर बनाई गई है, जो एक एआई-मूल फाउंडेशन मॉडल है जिसे बड़े पैमाने पर सुरक्षा लॉग डेटा पर प्रशिक्षित किया गया है। यह प्लेटफ़ॉर्म उन्नत, पहले से देखे गए खतरों की पहचान करने में उत्कृष्टता प्राप्त करता है, जबकि झूठे सकारात्मक परिणामों को कम करता है। मौजूदा सुरक्षा कार्य प्रवाह में सहज एकीकरण के लिए डिज़ाइन किया गया, डीपटेम्पो डेटालेक्स, क्यूबेरनेट्स और स्नोफ्लेक में तैनाती का समर्थन करता है, जिससे तेज़ फोरेंसिक, कम डेटा इंगेस्टन लागत और आधुनिक उद्यमों के लिए स्वचालित रक्षा को सक्षम बनाता है।

आपको डीपटेम्पो को सह-स्थापना करने के लिए क्या प्रेरित किया, और आपकी अकादमिक अनुसंधान और ओपन-सोर्स एआई पृष्ठभूमि ने कंपनी की दिशा में कैसे योगदान दिया?

मैं एक करीबी समुदाय में बड़ा हुआ, जहां संबंध चेहरे से चेहरे बनाए गए थे, न कि स्क्रीन के माध्यम से। मेरे पिता, एक शिक्षक, ने मुझे देने के महत्व की शिक्षा दी। जबकि हम सामग्री रूप से धनी नहीं थे, हम संबंधों और उद्देश्य में समृद्ध थे। उस तरह के वातावरण में, आप जल्दी से सीखते हैं कि समस्याओं का समाधान करना व्यक्तिगत प्रतिभा के बारे में नहीं है – यह सामूहिक ताकत के बारे में है। वह मानसिकता मेरे साथ रही और अंततः मुझे सामाजिक उद्यमिता में मेरी रुचि की ओर ले गई, जबकि मैं आईआईटी रोपड़ में इंजीनियरिंग का अध्ययन कर रहा था।

मोड़ तब आया जब मेरे पिता के ब्राउज़र पर एक रैंसमवेयर हमला हुआ। यह केवल एक तकनीकी गड़बड़ी नहीं थी, इसने हमारे घर में डर, भ्रम और कमजोरी को पेश किया। उस अनुभव ने मुझे यह देखने के लिए खोला कि डिजिटल दुनिया कितनी नाजुक है, न केवल व्यक्तियों के लिए, बल्कि लगातार खतरे का सामना करने वाले संगठनों के लिए भी। उस समय, मैं इवान से मिला, जिसकी इंटरनेट स्तर पर सामूहिक रक्षा बनाने की दृष्टि मुझे गहराई से प्रतिध्वनित हुई। वह साझा मिशन – और लोगों की सेवा में प्रौद्योगिकी को लागू करने की मेरी प्रेरणा – मुझे डीपटेम्पो की ओर आकर्षित किया।

वाशिंगटन विश्वविद्यालय में, मेरा शोध दो मुख्य क्षेत्रों पर केंद्रित था: मल्टीमॉडल प्रतिनिधित्व सीखना और डेटा-केंद्रित एआई। दोनों हमारे लंबवत फाउंडेशन मॉडल, लॉगएलएम के निर्माण के दौरान महत्वपूर्ण साबित हुए। साइबर सुरक्षा लॉग्स प्राकृतिक भाषा के विपरीत, गंदे, संरचित और टुकड़े-टुकड़े होते हैं। हमारी पहली चुनौती इस डेटा से अर्थपूर्ण प्रतिनिधित्व सीखने के लिए एक नई “भाषा” का निर्माण करना था, जिससे लॉगएलएम इन अनुक्रमों से सीख सके। हमने प्रदर्शन का मूल्यांकन करने के तरीके में भी भारी निवेश किया है क्योंकि सुरक्षा में, सटीकता वैकल्पिक नहीं है, और हॉलुसिनेशन स्वीकार्य नहीं हैं।

लेकिन प्रौद्योगिकी से परे, हमारा उत्तरी तारा हमेशा सामूहिक रक्षा रहा है। यही कारण है कि खुले सोर्स सहयोग इस मिशन को बड़े पैमाने पर सफल बनाने के लिए आवश्यक होगा।

डीपटेम्पो में “सामूहिक रक्षा” की अवधारणा क्या है, और यह पारंपरिक साइबर सुरक्षा दृष्टिकोण से कैसे भिन्न है?

अभ्यास में, सामूहिक रक्षा का अर्थ है कि जब एक ग्राहक के लॉगएलएम का एक उदाहरण एक नई हमला व्यवहार की पहचान करता है, कहते हैं, एक स्टेज्ड सी2 और एक्सफिल्ट्रेशन अभियान जिसमें बीकनिंग व्यवहार शामिल है और इसके बाद असामान्य आउटबाउंड डेटा ट्रांसफर होता है, तो यह अंतर्दृष्टि एक सामान्यीकृत व्यवहार संबंधी हस्ताक्षर में परिष्कृत की जा सकती है और पूरे पारिस्थितिकी तंत्र में साझा की जा सकती है। महत्वपूर्ण बात यह है कि इसमें कच्चे लॉग या ग्राहक डेटा भेजना शामिल नहीं है। इसके बजाय, हम उच्च-विश्वास व्यवहार पैटर्न को सारांशित करते हैं और उन्हें संघीय सीखने की तकनीकों के माध्यम से मॉडल वजन में एकीकृत करते हैं।

यह पारंपरिक प्रणालियों से एक तीव्र विपरीत है जो एक-आकार-फिट-सभी नियमों या स्थिर खतरे की खुफिया फीड पर निर्भर करती हैं। ये प्रणालियां तब तक विकसित नहीं होती हैं जब तक कि कई पीड़ित प्रभावित नहीं हो जाते। सामूहिक रक्षा के साथ, पता लगाने वाली प्रणाली प्रत्येक उच्च-गुणवत्ता वाले संकेत के साथ विकसित होती है, भले ही खतरा एक वातावरण के लिए विशिष्ट हो। यह हमें पॉलिमॉर्फिक खतरों और एलएलएम-संवर्धित एजेंटिक हमले प्रवाह को पकड़ने की अनुमति देता है इससे पहले कि वे व्यापक हो जाएं।

विशिष्ट अंतराल जो उद्यम सुरक्षा में लॉगएलएम के विकास को प्रेरित करते हैं, और यह पुरानी पता लगाने वाली प्रणालियों से मूल रूप से कैसे भिन्न है?

उद्यम सुरक्षा टीमों को तीन प्रमुख समस्याओं का सामना करना पड़ता है: उच्च शोर-से-सिग्नल अनुपात, पर्यावरण के बीच स्थानांतरित नहीं होने वाली नाजुक पता लगाने, और उभरते खतरों के अनुकूलन में धीमी गति। लॉगएलएम इन तीनों को संबोधित करने के लिए बनाया गया था।

मौजूदा अधिकांश प्रणालियां नियम-आधारित या संकीर्ण एमएल दृष्टिकोण पर निर्भर करती हैं जिन्हें एक नए वातावरण को समझने के लिए हफ्तों या महीनों के ट्यूनिंग की आवश्यकता होती है। ये दृष्टिकोण तब विफल हो जाते हैं जब हमलावर थोड़ा अपनी रणनीति बदलते हैं, जैसा कि हमने स्कैटर्ड स्पाइडर या वोल्ट टाइफून जैसे समूहों के साथ देखा है। लॉगएलएम बड़े पैमाने पर सुरक्षा टेलीमेट्री पर प्रशिक्षित किया जाता है, जिसे एक प्रकार की संरचित भाषा के रूप में माना जाता है। इससे यह जटिल अनुक्रमों को पहचानने में सक्षम होता है, जैसे कि संदिग्ध पावरशेल निष्पादन, रजिस्ट्री कुंजी संशोधन और असामान्य आउटबाउंड यातायात, न कि अलग-अलग विचित्रता के रूप में बल्कि एक खतरे की कथा के हिस्से के रूप में।

विरासत उपकरणों के विपरीत जो अलग-अलग अलर्ट उत्पन्न करते हैं, लॉगएलएम व्याख्या योग्य, टैक्टिक-स्तर के पता लगाने वाले उत्पन्न करता है। और क्योंकि यह पूरी तरह से स्क्रैच से बनाया गया है, न कि पुनर्निर्देशित या अनुकूलित, यह सुरक्षा के लिए ऊपर से नीचे तक डिज़ाइन किया गया है, जिससे केवल कुछ दिनों के बिना लेबल वाले लॉग के साथ तेजी से अनुकूलन संभव हो जाता है। यह ऑनबोर्डिंग तेजी से और पता लगाने में बहुत अधिक लचीला बनाता है।

छाया एजेंट क्या हैं, और वे केंद्रीय पर्यवेक्षण के बिना संचालित होने वाले संगठनों के लिए कैसे जोखिम पैदा करते हैं?

छाया एजेंट स्वायत्त एआई टूल हैं, अक्सर एलएलएम के शीर्ष पर बनाए गए, जो सुरक्षा टीम से स्पष्ट अनुमति या दृश्यता के बिना एक उद्यम के भीतर काम करते हैं। एक हालिया उदाहरण एमआईटीआरई का सीवीई-2025-32711 (“इकोलीक”) है, जो माइक्रोसॉफ्ट 365 कोपायलट में एक जीरो-क्लिक वुल्नेरेबिलिटी है, जो इसे सारांशित करने के लिए ईमेल का अनुरोध करने से ट्रिगर किया जाता है। यह दोष हमलावरों को एजेंट के आरएजी संदर्भ के माध्यम से आंतरिक डेटा को निकालने की अनुमति देता है, बिना उपयोगकर्ता की किसी भी प्रतिक्रिया के। जबकि ये एजेंट उत्पादकता में सुधार कर सकते हैं, वे अक्सर सुरक्षा समीक्षा को बायपास करते हैं और संवेदनशील डेटा को नियंत्रित अनुमान परतों के लिए उजागर करते हैं।

हमने मामलों को देखा है जहां एक छाया एजेंट, जो एक सार्वजनिक एलएलएम के साथ बनाया गया था, प्रणाली लॉग्स के सposure किया गया था और हार्डकोडेड凭据 वाले स्टैक ट्रेस को लीक करना शुरू कर दिया था। ये एजेंट आमतौर पर डीएलपी नियंत्रणों के साथ सुसज्जित नहीं होते हैं, एक्सेस नीतियों का पालन नहीं करते हैं और नहीं होते हैं ऑडिट किया गया। और worst, क्योंकि वे निर्णय ले सकते हैं, जैसे कि बाहरी प्रणालियों को आउटपुट अग्रेषित करना, वे स्वयं हमले की सतह बन जाते हैं। प्रॉम्प्ट इंजेक्शन या प्रतिकूल श्रृंखला के संदर्भ में, एक एजेंट को वास्तविक प्रभाव के साथ डाउनस्ट्रीम क्रियाओं को ट्रिगर करने के लिए मजबूर किया जा सकता है।

प्रॉम्प्ट इंजेक्शन और मॉडल मैनिपुलेशन क्यों गंभीर खतरे बनते जा रहे हैं, और वर्तमान प्रणालियां उन्हें क्यों नहीं पकड़ती हैं?

प्रॉम्प्ट इंजेक्शन खतरनाक है क्योंकि यह मॉडल के मूल कार्य का फायदा उठाता है: प्राकृतिक भाषा की व्याख्या करना। अधिकांश उद्यम प्रणालियां मॉडल आउटपुट को विश्वसनीय मानती हैं, लेकिन यदि मॉडल को एक उपयोगकर्ता टिप्पणी, एपीआई कॉल या यहां तक कि एक फ़ाइल नाम में निहित छिपी हुई निर्देश प्राप्त होते हैं, तो इसे अवांछित क्रियाओं को करने के लिए धोखा दिया जा सकता है। हमने देखा है कि हमलावर इसका उपयोग क्रेडेंशियल्स को चैट इतिहास से निकालने, उपयोगकर्ताओं की नकल करने या इनपुट सत्यापन को बायपास करने के लिए करते हैं।

गहरा मुद्दा यह है कि एलएलएम को सुसंगतता के लिए, सुरक्षा के लिए नहीं अनुकूलित किया जाता है। जैसा कि हमने हाल ही में रॉयल सोसाइटी के अध्ययन के जवाब में अन्वेषण किया, मॉडल फ्लुएंसी और सामान्यता पर सावधानी और सटीकता की तुलना में प्राथमिकता देते हैं। यहां तक कि उन्हें “अधिक सटीक” होने के लिए प्रेरित करना भी प्रतिकूल प्रतिक्रिया पैदा कर सकता है, जिससे अधिक आत्मविश्वासी लेकिन अभी भी गलत प्रतिक्रियाएं हो सकती हैं। और प्रतिकूल मॉडल मैनिपुलेशन एक दीर्घकालिक चिंता है। हमलावर डेटासेट को जहर दे सकते हैं या आउटपुट को बार-बार संरचित प्रश्नों के साथ धीरे-धीरे एक अधिक अनुमति देने वाले व्यवहार स्थान में धकेलने के लिए प्रेरित कर सकते हैं। यहां पता लगाने के लिए पूरी श्रृंखला लॉगिंग, निरंतर मूल्यांकन और मॉडल-परत सैंडबॉक्सिंग जैसी तकनीकों की आवश्यकता होती है, जो कि अधिकांश उद्यम प्रणालियों ने अभी तक अपनाई नहीं हैं।

टेम्पो एमआईटीआरई एटी एंड टी सी के मappings का उपयोग करके कार्रवाई योग्य खुफिया जानकारी प्रदान करने के लिए कैसे काम करता है, न कि केवल कच्चे अलर्ट?

टेम्पो अपने पता लगाने को एटी एंड टी सी टैक्टिक्स और तकनीकों के साथ मैप करता है, दोनों पर्यवेक्षित वर्गीकरणकर्ताओं और असुपरवाइज्ड व्यवहार श्रृंखला का उपयोग करके। जब प्रणाली एक अनुक्रम जैसे संदिग्ध पावरशेल निष्पादन, रजिस्ट्री कुंजी संशोधन और असामान्य आउटबाउंड यातायात को देखती है, तो यह केवल प्रत्येक चरण पर अलर्ट नहीं करती है, यह अनुक्रम को निष्पादन > रक्षा उत्सारण > एक्सफिल्ट्रेशन के रूप में टैग करती है, जो ज्ञात एटी एंड टी सी आईडी से मेल खाती है।

यह रक्षकों को तुरंत समझने की अनुमति देता है कि दुश्मन का उद्देश्य क्या है और वे मारने वाली श्रृंखला में कहां हैं। हम समृद्धि भी प्रदान करते हैं: प्रभावित संस्थाएं, संबंधित लॉग, और विश्वास स्कोर। यह संरचित दृष्टिकोण एसओसी विश्लेषकों के लिए संज्ञानात्मक भार को कम करता है और प्रतिक्रिया कार्य प्रवाह को तेज करता है, टीमें जानती हैं कि कौन सी रणनीति का उपयोग किया गया था, इसके परिणामस्वरूप क्या हुआ, और अगला कदम क्या होने की संभावना है। यह अलर्ट थकान प्रणालियों से एक बड़ा कदम है जो प्रत्येक विचित्रता पर आग लगाते हैं बिना कथा संदर्भ के।

डीपटेम्पो एसआईईएम (सुरक्षा सूचना और घटना प्रबंधन) प्रणालियों से ऊपर क्यों काम करता है, और यह सुरक्षा टीमों के लिए खतरे का पता लगाने और संचालन को सुव्यवस्थित करने में कैसे सुधार करता है?

एसआईईएम आमतौर पर लॉग को सामान्य बनाने और कम करने के लिए लॉग को फिल्टर करते हैं ताकि डेटा को निगलने की लागत कम हो सके। लेकिन ऐसा करते समय, वे अक्सर मूल्यवान संदर्भ खो देते हैं, जैसे कि सटीक टाइमस्टैम्प, लेटेंसी स्पाइक्स, या अल्पकालिक सत्र व्यवहार। डीपटेम्पो अपस्ट्रीम काम करता है, एसआईईएम में परिवर्तन से पहले कच्ची टेलीमेट्री को निगलना। इससे हमें समृद्ध व्यवहार पैटर्न को मॉडल करने की अनुमति मिलती है, जैसे कि सेवा टोकन का पुन: उपयोग थोड़े समय के साथ या दुर्लभ एपीआई कॉल अनुक्रम जो एसआईईएम थ्रेशोल्ड से गुजरने के लिए कभी नहीं होगा।

अपस्ट्रीम काम करने से हमें शोर को कम करने की अनुमति मिलती है इससे पहले कि यह एसआईईएम तक पहुंचे। इसके बजाय पेटाबाइट्स के लॉग लाइनों को प्रतिदिन धक्का देने के, हम 50-100 उच्च-संदर्भ घटनाओं को पूर्ण एटी एंड टी सी समृद्धि और मॉडल-आधारित स्कोरिंग के साथ पारित करते हैं। टीमें ट्राइएज के लिए कम समय बिताती हैं और खतरों की जांच के लिए अधिक समय बिताती हैं जो मायने रखते हैं। यह एसआईईएम भंडारण और कंप्यूट लागत को भी कम करता है, जो बड़े वातावरण में महत्वपूर्ण हो सकता है।

टेम्पो को नए वातावरण में मॉडल को ठीक करने में इतनी तेजी से क्या सक्षम बनाता है, और यह पारंपरिक मशीन लर्निंग कार्य प्रवाह से कैसे तुलना करता है?

पारंपरिक एमएल प्रणालियों को अक्सर नए वातावरण में अनुकूलन के लिए हफ्तों के लेबल वाले डेटा और पुन: प्रशिक्षण की आवश्यकता होती है। टेम्पो एक मूलभूत रूप से अलग दृष्टिकोण अपनाता है। इसके बजाय शून्य से शुरू करने के, यह एक पूर्व-प्रशिक्षित मॉडल पर निर्भर करता है जिसे वास्तविक दुनिया के नेटवर्क टेलीमेट्री पर बनाया गया है, जैसे कि नेटफ्लो और वीपीसी फ्लो डेटा। इससे इसे विभिन्न वातावरणों में यातायात प्रवाह और व्यवहार की एक मजबूत समझ मिलती है।

जब टेम्पो एक नए वातावरण में तैनात किया जाता है, तो यह लेबल वाले डेटा या लंबे समय तक सीखने की आवश्यकता नहीं होती है। यह केवल स्थानीय नेटवर्क गतिविधि के कुछ दिनों का उपयोग करके एक बेसलाइन स्थापित करने और विशिष्ट पैटर्न का पता लगाने के लिए खुद को ठीक करता है जो उस वातावरण के लिए विशिष्ट हैं। यह घंटों में होता है, हफ्तों में नहीं।

चूंकि प्रक्रिया स्व-पर्यवेक्षित है, सुरक्षा टीमों को मैन्युअल रूप से घटनाओं को झंडा या लेबल करने की आवश्यकता नहीं है। और परिवर्तनों के साथ वर्तमान रहने के लिए, हमने मॉडल को “भूलने” की अनुमति देने के लिए स्नैपशॉट तंत्र बनाए हैं जब बुनियादी ढांचे या नीतियों में पुराने व्यवहार को भूल जाते हैं। नेटवर्क परत पर काम करने से हमें खतरों का पता लगाने और पारंपरिक एंडपॉइंट- या लॉग-केंद्रित सुरक्षा उपकरणों की तुलना में अधिक व्यापक रूप से पहले पता लगाने की अनुमति मिलती है।

डीपटेम्पो गतिशील क्लाउड वातावरण में उच्च सटीकता को बनाए रखने और झूठे सकारात्मक परिणामों को कम करने के लिए क्या करता है?

हम समय-मॉडलिंग के साथ-साथ नेटवर्क व्यवहार विश्लेषण को संयोजित करते हैं, जो सीधे नेटफ्लो और वीपीसी फ्लो लॉग पर आधारित है। हमारे शानदार अनुक्रम पीढ़ी दृष्टिकोण के साथ-साथ ट्रांसफॉर्मर-आधारित गहरे शिक्षण एल्गोरिदम के बड़े पैमाने पर पूर्व-प्रशिक्षण से, हमें यह समझने में मदद मिलती है कि नेटवर्क घटनाएं समय के साथ कैसे विकसित होती हैं। हम एक अकेले विफल लॉगिन पर ध्यान नहीं देते हैं, लेकिन हम एक विफल लॉगिन के बाद एक नए उपकरण से सफल लॉगिन, लेटरल मूवमेंट और असामान्य डेटा एक्सेस को ध्वजांकित करते हैं। यह परतदार समय संदर्भ शोर को फिल्टर करता है और वास्तविक और नए खतरों को उजागर करता है।

दूसरा, हम संदर्भ में उपयोगकर्ता और सेवा व्यवहार को प्रोफाइल करते हैं। एक क्यूबेरनेट्स नोड 12 बार पुनरारंभ करना सामान्य है अपडेट के दौरान, लेकिन 2 बजे संदिग्ध है अगर इसके बाद एक अज्ञात रजिस्ट्री से एक नया कंटेनर तैनाती होती है। टेम्पो इसे पहचानता है क्योंकि यह अनुक्रम, समय और संदर्भ को एक साथ देखता है। इसके अलावा, हमारी सक्रिय सीखने वाली पाइपलाइन विशिष्ट पता लगाने वाले शैलियों पर जानकारी को सक्रिय रूप से निगरानी और संग्रहीत करती है। यदि पाइपलाइन प्रदर्शन में ड्रिफ्ट या डेटा में परिवर्तन का पता लगाती है, तो यह विश्लेषकों से प्रतिक्रिया और स्नैपशॉट का उपयोग करके मॉडल के कुछ पैरामीटर को ठीक करने के लिए उपयोग करेगा।

हम अपना पता लगाने का निर्माण कच्चे, उच्च-विश्वास नेटवर्क मेटाडेटा पर करते हैं, जो समय संबंधी बुद्धिमत्ता के साथ व्यवहारिक बेसलाइनिंग को जोड़ती है, जिससे उच्च-विश्वास अलर्ट मिलते हैं – यहां तक कि क्लाउड वातावरण में भी जो पलक झपकते ही बदलते रहते हैं।

आपकी प्रणाली में व्याख्या योग्यता की भूमिका क्या है, और आप अलर्ट के साथ उपयोगी और व्याख्या योग्य संदर्भ कैसे सुनिश्चित करते हैं?

टेम्पो में हर पता लगाने में एक सारांश, अंतर्निहित लॉग साक्ष्य, और अनुमानित रणनीति (जैसे, क्रेडेंशियल एक्सेस के माध्यम से ब्रूट फोर्स) शामिल है। हम संबंधित संस्थाओं, उपयोगकर्ताओं, एंडपॉइंट्स, क्लाउड संसाधनों का एक ग्राफ भी प्रदान करते हैं, ताकि एसओसी टीमें घटना को दृश्यात्मक रूप से देख सकें। लक्ष्य “ब्लैक बॉक्स” प्रभाव को समाप्त करना है जो कई एआई प्रणालियों को प्रभावित करता है।

हमने शुरुआती प्रोटोटाइप में लाइम और शाप जैसे अकादमिक व्याख्या योग्यता उपकरणों से उधार लिया, लेकिन पाया कि वे विश्लेषकों के लिए सहज नहीं थे। इसलिए, हम एक सादा भाषा की कथा उत्पन्न करते हैं: क्या हुआ, कब, क्यों यह संदिग्ध है, और हम कितने आत्मविश्वासी हैं। यह स्पष्टता के बारे में नहीं है, यह टियर-वन विश्लेषकों को हर अलर्ट को एस्केलेट किए बिना कार्रवाई करने की अनुमति देने के बारे में है।

एआई और फाउंडेशन मॉडल का उपयोग करके हमलावरों के लंबी अवधि के जोखिम क्या हैं, और डीपटेम्पो इसे आगे रहने की योजना कैसे बना रहा है?

खतरे का परिदृश्य एक चरण में प्रवेश कर रहा है जहां हमलावर एआई एजेंट तैनात कर सकते हैं जो स्व-सीखते हैं, पेलोड को म्यूटेट करते हैं और वैध उपयोगकर्ता व्यवहार की नकल करते हैं। ये एजेंट 24/7 चल सकते हैं, कमजोरियों के लिए प्रोबिंग करते हैं, और प्रत्येक विफल प्रयास के साथ अनुकूलन करते हैं। यह एक मूलभूत बदलाव है, यह अब शून्य-दिवस के बारे में नहीं है, लेकिन गति, पुनरावृत्ति और धुंधलापन के बारे में है।

हम इसके लिए तैयारी कर रहे हैं प्रतिकूल प्रशिक्षण, अपस्ट्रीम पता लगाने और व्यवहार मॉडलिंग में निवेश करके जो ज्ञात संकेतकों पर निर्भर नहीं करता है। हमारा लक्ष्य है खतरनाक व्यवहार की संरचना की पहचान करना इससे पहले कि यह बढ़ जाए। हम हमलावरों के यातायात को फिंगरप्रिंट करने के तरीकों का अन्वेषण कर रहे हैं, जैसा कि हमने एक बार बॉटनेट्स के लिए किया था, ताकि रक्षक यहां तक कि जब पेलोड लगातार बदलते रहते हैं तो गतिविधि को झंडा दे सकें।

धन्यवाद महान साक्षात्कार के लिए, पाठक जो अधिक जानना चाहते हैं उन्हें डीपटेम्पो पर जाना चाहिए।