Beelzebub Mengumpulkan €3M untuk Meningkatkan Deception Berbasis AI di Jaringan Perusahaan

Perusahaan keamanan siber Italia, Beelzebub, telah mengumpulkan €3 juta dalam pendanaan awal untuk memperluas platform berbasis AI-nya untuk mendeteksi dan menjebak penyerang di dalam jaringan perusahaan.

Putaran ini dipimpin secara eksklusif oleh perusahaan modal ventura deep-tech Italia, United Ventures. Beelzebub berencana menggunakan modal ini untuk meningkatkan tim penelitiannya, memperoleh pelanggan di seluruh Eropa, dan membuka kantor komersial di Roma dan San Francisco pada akhir 2026.

Perusahaan yang berbasis di Milan ini menargetkan organisasi yang menghadapi serangan siber yang semakin otomatis, terutama operator yang tunduk pada Direktif Keamanan Jaringan dan Informasi Uni Eropa, yang umumnya dikenal sebagai NIS2.

Daripada fokus sepenuhnya pada menjaga penyerang di luar jaringan, Beelzebub bekerja dengan asumsi bahwa pelanggaran mungkin telah terjadi. Platformnya menanam sistem decoy yang realistis di seluruh infrastruktur organisasi, menciptakan kesempatan untuk mengungkap penyerang sebelum mereka mencapai aset yang sebenarnya.

Mengubah Infrastruktur Perusahaan Menjadi Perangkap

Teknologi Beelzebub termasuk dalam kategori keamanan siber yang dikenal sebagai teknologi deception. Alih-alih menunggu aktivitas berbahaya untuk memicu peringatan pada sistem produksi, platform ini menciptakan replika yang meyakinkan dari server, database, antarmuka pemrograman aplikasi, lingkungan cloud, dan infrastruktur lainnya.

Decoy-decoy ini dirancang untuk tampak berharga bagi penyerang sambil tetap terisolasi dari sistem bisnis yang sebenarnya. Karena karyawan dan aplikasi yang sah seharusnya memiliki sedikit alasan untuk berinteraksi dengan mereka, aktivitas di dalam decoy dapat memberikan indikasi kuat bahwa seorang penyerang sedang bergerak melalui jaringan.

Pendekatan ini dimaksudkan untuk mengatasi salah satu tahap paling sulit dari serangan siber: periode setelah penyerang mendapatkan akses awal tetapi sebelum payload akhir diterapkan.

Penyerang sering menghabiskan waktu untuk menjelajahi sistem, meningkatkan hak akses, mengumpulkan kredensial, dan mengidentifikasi data yang berharga. Beelzebub bertujuan untuk mengganggu proses ini dengan mengarahkan aktivitas yang mencurigakan ke lingkungan yang dikendalikan di mana aktivitas tersebut dapat diamati dan dikandung.

Perusahaan ini mengatakan bahwa perangkapnya menggunakan model bahasa besar untuk berperilaku lebih seperti infrastruktur yang sebenarnya. Mereka dapat menghasilkan respons yang realistis dan menyesuaikan perilaku mereka, membuatnya lebih sulit bagi penyerang untuk menentukan bahwa mereka telah memasuki decoy.

Lingkaran Ofensif dan Defensif yang Terotomatisasi

Platform ini menggabungkan tiga produk yang dirancang untuk menutupi berbagai tahap pengujian keamanan siber dan respon insiden.

Arcangelo berfungsi sebagai komponen ofensif. Ini mensimulasikan serangan yang ditargetkan terhadap infrastruktur organisasi, membantu tim keamanan mengidentifikasi kelemahan dan menguji bagaimana kontrol mereka merespons.

Beelzebub Managed membentuk lapisan defensif. Ini mendistribusikan perangkap yang ditenagai AI di seluruh lingkungan organisasi dan memantau mereka untuk aktivitas yang mencurigakan. Ketika penyerang berinteraksi dengan salah satu decoy, sistem dapat mengisolasi mesin yang terkena, memblokir aktivitas, dan memulai tindakan respons yang telah ditentukan sebelumnya.

Perusahaan ini menggambarkan kombinasi ini sebagai model tim ungu yang terotomatisasi. Dalam keamanan siber, tim merah biasanya mensimulasikan penyerang, sedangkan tim biru membela sistem. Operasi tim ungu berusaha untuk menggabungkan kedua fungsi tersebut sehingga hasil pengujian ofensif dapat langsung meningkatkan kontrol defensif.

Dengan menghubungkan simulasi serangan dengan sistem deception yang hidup, Beelzebub berusaha untuk mengurangi handoff yang sering terjadi antara alat keamanan yang terpisah, konsultan eksternal, dan tim internal.

Perusahaan ini mengatakan bahwa perangkapnya juga dapat diperbarui untuk mencerminkan Kerentanan dan Paparan Umum yang baru saja diungkapkan. Ini memungkinkan platform untuk meniru sistem yang terkena kerentanan yang muncul dan berpotensi menarik perhatian penyerang yang mencari kelemahan tersebut.

Analisis Malware yang Dibantu AI

Komponen ketiga, Caronte, adalah sistem analisis malware yang ditenagai AI.

Setelah perangkat lunak berbahaya terdeteksi, Caronte dapat melakukan reverse engineering sampel dan menghasilkan laporan insiden yang menjelaskan perilakunya. Tujuannya adalah untuk mempersingkat waktu antara penemuan serangan dan pemahaman tentang bagaimana serangan itu bekerja.

Analisis malware secara tradisional merupakan proses yang khusus dan memakan waktu. Analis mungkin perlu memeriksa kode, mengamati bagaimana program berperilaku dalam lingkungan yang dikendalikan, dan menentukan apakah program tersebut berkomunikasi dengan infrastruktur eksternal atau mencoba menyebar ke mesin lain.

Beelzebub mengatakan bahwa Caronte mengotomatisasi sebagian dari pekerjaan ini, memungkinkan organisasi untuk menghasilkan penilaian awal lebih cepat.

Sistem ini dapat dioperasikan secara on-premise, yang mungkin penting bagi lembaga pemerintah, perusahaan yang diatur, dan perusahaan yang tidak dapat mengunggah sampel malware yang berpotensi sensitif ke layanan cloud pihak ketiga.

Platform Beelzebub yang lebih luas tersedia sebagai perangkat lunak sebagai layanan atau sebagai penerapan on-premise. Untuk organisasi dengan persyaratan data yang lebih ketat, perusahaan dapat menyediakan perangkat keras untuk menjalankan inferensi model bahasa besar secara lokal.

Membangun Sekitar Intelijen Ancaman Langsung

Beelzebub mengatakan bahwa lebih dari 60 peneliti keamanan independen memberikan intelijen ancaman ke platform.

Jaringan ini menyediakan informasi tentang malware baru, teknik serangan, dan kerentanan saat mereka muncul. Intelijen ini kemudian dapat digunakan untuk memperbarui decoy, simulasi serangan, dan kemampuan analisis platform.

Perusahaan sebelumnya mendapat perhatian karena mendokumentasikan TeamPCP, sebuah aktor ancaman yang terkait dengan serangan pada infrastruktur cloud dan kampanye cryptojacking. TeamPCP juga telah dikaitkan dengan pelanggaran yang melibatkan infrastruktur GitHub.

Menemukan dan mempelajari kelompok ancaman dapat memberikan vendor keamanan siber dengan informasi praktis tentang bagaimana penyerang berperilaku setelah memasuki jaringan. Informasi tersebut dapat digunakan untuk merancang decoy yang menyerupai sistem, kredensial, dan layanan yang paling mungkin menjadi target penyerang.

Teknologi Beelzebub juga tersedia melalui edisi komunitas sumber terbuka, memberikan peneliti dan tim keamanan cara untuk bereksperimen dengan pendekatan honeypot.

Proyek sumber terbuka ini mendukung beberapa protokol dan layanan, termasuk Secure Shell, File Transfer Protocol, database, dan aplikasi web. Ini memungkinkan organisasi untuk mengirimkan decoy yang menyerupai berbagai bagian dari infrastruktur mereka.

Menanggapi Serangan yang Lebih Cepat dan Lebih Otomatis

Pendanaan ini datang saat AI generatif dan otomatisasi mengubah kedua sisi keamanan siber.

Penyerang dapat menggunakan alat AI untuk menghasilkan pesan phishing, menganalisis perangkat lunak untuk kerentanan, memodifikasi kode berbahaya, dan melakukan operasi di berbagai target. Kemampuan ini tidak menghilangkan kebutuhan akan keahlian teknis, tetapi dapat memungkinkan kelompok yang lebih kecil untuk beroperasi dengan kecepatan dan skala yang lebih besar.

Tim keamanan siber merespons dengan memperkenalkan lebih banyak otomatisasi dalam deteksi, investigasi, dan respon insiden. Teknologi deception menawarkan lapisan lain dengan menciptakan lingkungan di mana penyerang dapat dipelajari tanpa membahayakan data atau sistem yang sebenarnya.

Pendiri dan CEO Beelzebub, Mario Candela, berpendapat bahwa alat defensif harus semakin beroperasi pada kecepatan mesin untuk tetap efektif melawan serangan yang diotomatisasi.

Strategi perusahaan ini bukanlah untuk menggantikan produk keamanan endpoint, jaringan, atau identitas yang ada. Sebaliknya, mereka berusaha untuk menambahkan lapisan deteksi internal untuk situasi di mana penyerang telah melewati pertahanan perimeter.

Model asumsi pelanggaran ini telah menjadi lebih relevan karena infrastruktur perusahaan berkembang di seluruh platform cloud, perangkat jarak jauh, antarmuka pemrograman aplikasi, dan rantai pasokan perangkat lunak. Melindungi setiap titik masuk yang mungkin sangat sulit, membuat deteksi yang cepat di dalam jaringan semakin penting.

Mengapa Deception Dapat Menjadi Lapisan Keamanan Siber Inti

Karena penyerang semakin menggunakan AI untuk mengotomatisasi pengintaian, mengeksploitasi kerentanan, dan menyesuaikan malware, teknologi deception dapat menjadi lapisan pertahanan perusahaan yang lebih penting. Alih-alih hanya mengandalkan kontrol perimeter, organisasi dapat mengirimkan decoy yang realistis yang mengungkap penyerang setelah mereka memasuki jaringan dan sebelum mereka mencapai sistem kritis.

Platform yang paling kuat kemungkinan akan menggabungkan deception dengan simulasi serangan yang terus-menerus dan investigasi yang diotomatisasi. Ini dapat mempersingkat waktu antara intrusi, deteksi, dan pengandalian, sambil memberikan tim keamanan wawasan yang lebih jelas tentang alat, tujuan, dan pergerakan penyerang di seluruh jaringan.

Deception tidak akan menggantikan keamanan endpoint, kontrol identitas, atau manajemen kerentanan, tetapi dapat membuat sistem tersebut lebih efektif dengan memberikan sinyal kepercayaan tinggi dari aktivitas yang seharusnya tidak terjadi. Tantangan Beelzebub akan membuktikan bahwa pendekatannya dapat beroperasi dengan andal pada skala perusahaan tanpa menambah kompleksitas yang berlebihan ke lingkungan keamanan yang sudah padat.