Paul Reid, VP di Ricerca sugli Avversari presso AttackIQ – Serie di Interviste

Paul Reid, VP di Ricerca sugli Avversari presso AttackIQ, è un veterano navigato del mondo veloce della sicurezza informatica. Con oltre due decenni di esperienza come stratega tecnologico per importanti aziende tecnologiche, Paul ha guidato clienti, partner, analisti e giornalisti attraverso il paesaggio in evoluzione della sicurezza informatica. La sua esperienza si estende alla sicurezza informatica, biometria, sicurezza di rete e crittografia.

Recentemente, ha guidato un team di cacciatori di minacce informatiche focalizzati sull’utilizzo di analisi comportamentali per rilevare minacce emergenti negli ambienti dei clienti. Paul è un autore pubblicato nella serie Prentice Hall Series in Computer Networking and Distributed Systems e detiene diversi brevetti nel campo della sicurezza informatica.

AttackIQ è un’azienda leader nel settore della sicurezza informatica specializzata in simulazione di violazione e attacco (BAS) e convalida continua della sicurezza. La sua piattaforma di convalida dell’esposizione avversariale utilizza l’emulazione basata su MITRE ATT&CK per testare i controlli di sicurezza, identificare le vulnerabilità e priorizzare il ripristino. Fondata nel 2013, AttackIQ aiuta le organizzazioni a migliorare la loro postura difensiva, aumentare l’efficienza del SOC e ridurre il rischio.

Ha ricoperto ruoli di leadership in diversi ambiti della sicurezza informatica per oltre due decenni. Cosa ha suscitato il suo interesse per la ricerca sugli avversari e come questo percorso l’ha portato ad AttackIQ?

Il mio percorso nella sicurezza informatica è iniziato oltre 25 anni fa, configurando reti Novell e lavorando nel mondo dei servizi di directory — Novell, Microsoft Active Directory, LDAP. Quell’esperienza mi ha insegnato l’importanza dell’identità, dell’autenticazione e dell’accesso, le fondamenta di qualsiasi strategia di sicurezza.

Da lì, mi sono trasferito nell’autenticazione con smart card, dove ho avuto l’opportunità di scrivere librerie PKCS #11 e immergermi nell’infrastruttura a chiave pubblica (PKI) durante la sua rapida ascesa. Lavorare con la crittografia simmetrica e asimmetrica durante quel periodo mi ha dato una vera apprezzamento di come la crittografia modella la fiducia negli ambienti digitali.

Più tardi nella mia carriera, mi sono rivolto alla classificazione dei dati, aiutando le organizzazioni a comprendere il valore dei loro dati in modo che potessero proteggere ciò che più conta. Quell’esperienza mi ha naturalmente portato a lavorare nell’analisi del comportamento degli utenti e delle entità (UEBA), dove ho guadagnato una conoscenza pratica della scienza dei dati e del machine learning, incluso la programmazione in R.

Infine, sono stato fortunato a guidare un team di cacciatori di minacce a livello globale dove abbiamo condotto il tracciamento in tempo reale di avversari statali. Quello è stato un periodo intenso e rivelatore. Non c’è modo migliore per comprendere le tattiche, le tecniche e le procedure (TTP) degli avversari che impegnarsi in operazioni quotidiane contro di loro.

È stato durante quel periodo che è emersa una frustrazione ricorrente: spesso dicevamo, “Se solo avessero fatto X o avessero avuto Y controllo in atto…” C’era un divario tra la consapevolezza della minaccia e la prontezza operativa della difesa.

È questo che mi ha portato ad AttackIQ. L’opportunità di applicare ciò che avevo imparato — emulare avversari del mondo reale attraverso la simulazione di violazione e attacco, e convalidare se le difese sono veramente efficaci — era troppo allettante per essere ignorata. Qui, non teorizziamo solo sulle minacce; le testiamo, misuriamo e miglioriamo ogni giorno.

Il nostro team opera sotto un principio guida: “Pensare male, fare bene.” Pensiamo come avversari non per nuocere, ma per aiutare i nostri clienti a prepararsi e sconfiggere gli avversari.

Aver guidato team presso TITUS, Interset e Micro Focus, come la sua esperienza nel settore dell’intelligence sulle minacce e nell’abilitazione dei partner ha plasmato il suo approccio attuale all’operativizzazione dell’emulazione degli avversari?

Aver lavorato in ruoli tecnici e di go-to-market in aziende come TITUS, Interset e Micro Focus, ho sviluppato una comprensione olistica di come l’intelligence sulle minacce debba tradursi in risultati operativi, non solo in intuizioni. L’abilitazione dei partner, in particolare, mi ha insegnato come comunicare problemi di sicurezza informatica complessi in modi azionabili e significativi per pubblici diversi, dai CISO ai front-line SOC.

Ad AttackIQ, l’emulazione degli avversari non è solo riprodurre comportamenti di minaccia. È allinearsi con il framework MITRE ATT&CK, emulare avversari con fedeltà e aiutare le organizzazioni a testare se le loro difese reggeranno in uno scenario del mondo reale. Ciò richiede più che rigore tecnico; richiede educazione, collaborazione e abilitazione degli stakeholder in tutto l’ecosistema della sicurezza.

Il mio ruolo precedente mi ha aiutato a comprendere come colmare il divario tra l’intelligence e l’esecuzione — come operativizzare il paesaggio delle minacce in modo proattivo, misurabile e difendibile. Questo è l’essenza della nostra missione ad AttackIQ.

Ora guida la ricerca sugli avversari in un momento in cui gli attaccanti adottano l’AI su larga scala. Come ha visto evolversi le tattiche offensive dell’AI negli ultimi anni — e come i difensori stanno lottando per stare al passo?

Gli avversari stanno sfruttando l’AI per aumentare la velocità, la precisione e la scala delle loro operazioni. Stiamo vedendo esche di phishing più personalizzate e credibili, ingegneria sociale generata dall’AI e una maggiore scala ed efficienza degli attacchi. Queste capacità riducono il tempo tra la ricognizione e il compromesso, comprimendo la finestra di risposta del difensore. Molte organizzazioni si affidano ancora a processi reattivi e regole di rilevamento statiche, che non sono state progettate per gestire avversari che imparano ed evolvono. I difensori devono adottare la convalida continua e la gestione dell’esposizione per colmare quel divario, testando le loro difese in condizioni realistiche e iterando rapidamente in risposta a nuovi comportamenti avversari.

Cosa distingue l’AI avversariale dalle minacce informatiche tradizionali, e perché ritiene che sia necessario un cambio di mentalità — e non solo di strumenti — per rispondere efficacemente?

Le minacce tradizionali spesso seguono modelli noti che i difensori possono tracciare e mitigare con regole di rilevamento basate su regole. Le tattiche dell’AI avversariale introducono un nuovo livello di variabilità e adattabilità che sfida quelle assunzioni. Possono generare nuovi percorsi di attacco e evitare le difese in modo dinamico. Affrontare questo cambiamento richiede più che il semplice dispiegamento di nuovi strumenti. Richiede un cambiamento strategico di come le organizzazioni pensano alla difesa. Invece di reagire agli incidenti dopo il fatto, i team di sicurezza devono simulare minacce in evoluzione utilizzando tattiche, tecniche e procedure (TTP) note e validare proattivamente i controlli per testare le risposte dei loro sistemi. Una mentalità informata dalle minacce, supportata dall’emulazione del mondo reale, è la chiave per anticipare e contrastare questi nuovi rischi.

Può spiegare come AttackIQ traduce l’intelligence sulle minacce in difesa pratica attraverso l’emulazione degli avversari, e come quel processo è cambiato con l’ascesa dell’AI generativa?

La sfida tradizionale con l’intelligence sulle minacce è l’operativizzazione, colmare il divario tra insight e azione. L’emulazione degli avversari risolve questo problema prendendo l’intelligence sui comportamenti di minaccia noti e trasformandola in test eseguibili che valutano se le difese attuali possono resistere a quei comportamenti. Con l’AI generativa, il paesaggio delle minacce diventa più fluido, con comportamenti più variabili. Le emulazioni devono ora riflettere non solo tecniche statiche, ma anche comportamenti adattivi e contestuali. Ad AttackIQ, l’intelligence sulle minacce live allineata a MITRE ATT&CK e il modello dei comportamenti degli avversari vengono inglobati nei piani di emulazione per riflettere gli attacchi del mondo reale. Queste emulazioni vengono distribuite in ambienti simili alla produzione per convalidare se i controlli di sicurezza rilevano, prevengono o rispondono come previsto.

La Gestione Continua dell’Esposizione alle Minacce (CTEM) sta diventando un componente fondamentale delle strategie di resilienza informatica. Come le organizzazioni dovrebbero affrontare la CTEM quando si confrontano con minacce alimentate dall’AI che si adattano rapidamente?

La CTEM rappresenta un passaggio da valutazioni di rischio statiche a una convalida della sicurezza guidata dall’intelligence e dinamica. Di fronte a minacce alimentate dall’AI, le organizzazioni devono considerare l’esposizione come un bersaglio mobile. Ciò significa identificare e priorizzare le esposizioni in base a test attivi, non solo a rischi teorici.

I team rossi e blu devono collaborare nella simulazione di avversari adattivi e testare continuamente le capacità di rilevamento e risposta. Le organizzazioni che adottano questo approccio sono meglio equipaggiate per adattarsi rapidamente, convalidare i loro investimenti e controlli di sicurezza e mantenere la resilienza in un panorama in rapida evoluzione.

Il “Fondamenti della Sicurezza dell’AI” corso di AttackIQ copre framework di rischio come MITRE ATLAS e l’AI RMF. Quali aspetti di questi framework ritiene più sottovalutati o fraintesi in ambienti aziendali?

Uno degli errori di comprensione più comuni che vediamo è la tendenza a trattare framework come MITRE ATLAS e l’AI Risk Management Framework (AI RMF) come materiali di riferimento isolati, piuttosto che come strumenti operativi per costruire la resilienza nei sistemi abilitati all’AI.

MITRE ATLAS, molto come ATT&CK ai suoi esordi, è spesso visto come un catalogo statico di tecniche di attacco mirate ai sistemi AI/ML. In realtà, ATLAS è un framework di emulazione tattica degli avversari progettato per aiutare i team di sicurezza a simulare minacce specifiche dell’AI — dall’avvelenamento dei dati all’evasione del modello, alla manipolazione dell’inferenza — e convalidare le loro capacità di rilevamento, logging e risposta. Il problema è che la maggior parte delle aziende non ha ancora costruito la visibilità o i controlli necessari per rilevare gli attacchi contro il pipeline di ML, rendendo l’uso proattivo di ATLAS attraverso strategie di simulazione di violazione e attacco ancora più critico. È uno strumento sottovalutato per testare come i sistemi AI si comportano sotto pressione avversariale.