파스칼 기넨스, 사이버 위협 인텔리전스 부문장, Radware – 인터뷰 시리즈

파스칼 기넨스, Radware의 사이버 위협 인텔리전스 부문장이며, 정보 기술, 네트워크 보안, 위협 인텔리전스 분야에서 20년 이상의 경험을 가진 사이버 보안 연구자이자 기술 리더입니다. Radware에서 그는 분산 서비스 거부 공격, 사물 인터넷 악성 코드, 자동화된 위협, 공격자와 수비수 모두가 인공 지능을 사용하는 것에 대한 연구와 사고에 대한 연구를 주도합니다. 기넨스는 Radware의 보안 연구 팀의 일원으로 IoT 허니팟을 개발 및 유지 관리하며 BrickerBot 및 Hajime와 같은 위협에 대한 광범위한 연구를 수행했습니다. Radware에 합류하기 전에 그는 유럽, 중동, 아프리카의 주요 클라우드 및 통신 서비스 제공업체를 위한 소프트웨어 정의 네트워킹, 네트워크 기능 가상화, 데이터 센터 자동화 전략에 대한 자문 엔지니어로 Juniper Networks에서 일했습니다.

Radware는 공공 거래 사이버 보안 및 애플리케이션 전달 회사로, 기업이 물리적, 클라우드, 하이브리드, 소프트웨어 정의 환경에서 네트워크, 웹사이트, 애플리케이션, API를 보호하는 데 도움을 줍니다. 포트폴리오에는 AI 기반 분산 서비스 거부 보호, 웹 애플리케이션 방화벽, 봇 관리, API 보안, 애플리케이션 전달 컨트롤러, 관리 긴급 응답 서비스가 포함됩니다. 행동 분석, 기계 학습, 클라우드 규모 위협 인텔리전스, 자동화 완화를 결합하여 Radware의 기술은 실시간으로 악의적인 활동을 식별하면서 합법적인 사용자에 대한 액세스를 유지하고 중요한 디지털 서비스의 가용성 및 성능을 유지하도록 설계되었습니다.

サイバー 보안 분야에서 거의 3십년을 보낸您, IBM AIX 커널 지원 및 인프라 엔지니어링에서부터 BrickerBot, JenX, Demonbot와 같은 봇넷을 발견하는 것까지, 그리고 지금은 Radware의 위협 인텔리전스 리드를 맡고 계십니다. 과거를 돌아보면, 공격자가 혁신하는 방식에서 가장 큰 변화를 목격한 것이 무엇이며, AI는 다음 세대의 사이버 위협이 어떤 모습일지에 대한 기대에 어떤 영향을 미쳤습니까?

위협 풍경은 근본적으로 솔로 해커에서高度 조직화된 사이버 범죄자로 바뀌었습니다. 과거에는 해커가 기술적인 도전 자체에 동기를 부여받았습니다. 오늘날, 디지털 가속과 생성적 AI는整个 운영을 상업화하여 성숙한 범죄 서비스(CaaS) 경제를 구축했습니다. 악의적인 행위자는 기본적으로 기업의 소프트웨어 서비스(SaaS) 모델을鏡像하여 고급 도구를 누구에게나 판매합니다. 이것은 완전한 초보자들이 대규모 공격을 시작할 수 있게 합니다. 디지털足跡이 매년 확장함에 따라 공격 가능한 표면과 금융 악용의 기회도 함께 증가합니다.

AI는 이 진화의 다음 장을 두 가지 구별되는 방식으로 추진합니다.

첫째, 사이버 범죄를 민주화합니다. 이것은 아마추어 공격자에게 즉각적인 능력 향상을 제공하면서 주요 신디케이트의 운영을 효율적으로 개선하고 사용자 인터페이스를 다듬으며 악의적인 서비스를 더 효율적으로 마케팅하는 데 도움을 줍니다.

둘째, 그리고 더 중요하게, 에이전트 AI와 최신 프론티어 모델의 상승은 취약점 수명 주기를 자동화합니다. 우리는 기계가 자율적으로 네트워크를 스캔하고 취약점을 발견하며 거의 완전히 자율적으로 취약점을 무기화하는 운영 현실로 이동하고 있습니다. 이것은 기계가 24/7 작동하며 인간 수비수보다 훨씬 빠른 속도로 작동합니다.

AI는 공격자에게 기술적인 장벽을 크게 낮추고 있습니다. 다음 3~5년 동안 공격자에게 가장 우려되는 공격 AI 능력은 무엇이며, 현재 과도한 주목을 받고 있는 능력은 무엇입니까?

현재 가장 주목해야 할 영역은 AI 지원 취약점 발견 및 악용입니다. 결점이 공개되면 경주가 시작됩니다. 공격자들은 결점을 즉시 분석하고 적용되는 위치를 매핑하며 악용 변형을 생성하고 테스트하는 데 AI를 활용합니다. 이것은 이미 너무 빠른 대부분의 기업 패치 관리 프로세스보다도 더 빠른 악용 타임라인을 압축합니다.

同时, 우리는 지역적이고 지속적인 AI 시스템으로의重大 전환을 보게 됩니다. 특히 “로컬 에이전트”의 부상입니다. 오픈클로와 마이크로소프트의 최근 발표에서 오픈클로를 모든 직원의 작업 표시줄에 통합할 것이라고 발표했습니다. 클라우드 기반 어시스턴트와 달리, 이러한 로컬 에이전트는 지속적으로 백그라운드에서 작동하며 직원의 기계에서 직접 작동합니다.它们는 루프를 통해 작동하며 브라우저 자동화를 통해 타이핑과 네비게이션과 같은 인간의 행동을 모방합니다. 이것은 표준 엔드포인트 보안 시스템이 직원과 AI 에이전트를 구별하는 것을 사실상 불가능하게 만듭니다. 사용자가 이러한 로컬 에이전트에 광범위한 시스템 권한을 부여하여 작업을 수행하도록 허용하기 때문에, 에이전트는 로컬 브라우저를 사용하여 링크와 버튼을 클릭하여 안전한 API 커넥터를 우회할 수 있습니다. 이러한 자율 에이전트가 직접 또는 간접적으로 프롬프트 주입 공격에 노출되면, 위협 행위자는 에이전트를 조작하여 기업 데이터를 유출, 변경 또는 파괴할 수 있으며 전통적인 발자국 없이 할 수 있습니다.

과장된 위험은 완전히 자율적인, 제로데이 악용 AI 스웜이 스파게티에서부터 복잡한 기업을 대규모로 해킹할 수 있는 것입니다. 그것은 언젠가 나타날 수 있지만, 오늘날의 문제는 아닙니다. 오늘날의 문제는 훨씬 개선된 도구와 자동화된 인간 전문 공격자와 더 많은 경험이 없는 공격자들이 이전보다 더 많은 것을 할 수 있는 것입니다.

공격 사이의 시간 창이 계속 축소되고 있습니다. AI는 이 타임라인을 얼마나 가속화했으며, 기업 보안 팀은 어떻게 하면 앞서 나갈 수 있습니까?

이것은 두 가지 경주입니다. 한쪽에서는 새로운 취약점을 발견하고 고치고 공개하기 전에 악의적인 행위자가 발견하는 경주가 있습니다. 다른 한쪽에서는 취약한 소프트웨어 배포를 패치하기 전에 악의적인 행위자가 공격을 시작하는 경주가 있습니다. AI는 두 가지 경주 모두에서 중앙에 있습니다.

수비수는 증가하는 수의 취약점을 처리해야 하며 반응할 시간이 점점 줄어듭니다. 취약점이 공개되면 공격자는 기본 사항을 신속하게 처리합니다. 무엇이 영향을 받는지? 인터넷에서 접근할 수 있는지? 악용이 재현될 수 있으며 여러 환경에서 작동하도록 수정될 수 있는지? AI는 이러한 모든 단계에서 도움을 줍니다. 결점을 요약하고, 증명된 개념 코드를 검토하며, 수정 사항을 제안하며, 스캔, 악용, 처리 결과를 자동화합니다.

패치가 유일한 시계가 아니어야 합니다. 그것은 필요하지만, 공격자의 타임라인보다 일반적으로 느립니다. 특히 프로덕션급, 인터넷에 노출된 애플리케이션 및 API의 경우 더욱 느립니다. 팀은 노출된 내용, 실제로 악용 가능한 내용, 그리고 공격을 받았을 때 영향을 받을 비즈니스 서비스 및 리소스를 알아야 합니다.

이 臨界 노출 창을 닫기 위해, 수비수는 반응적인 패치 우선 사고 방식에서 자동화된 보호 우선 모델로 전환해야 합니다. 일반적인 시그니처 또는 운영 팀이 생산에 신속하게 유효하지 않은 소프트웨어 업데이트를 강제로 적용하는 대신, 조직은 환경별 실시간 방어를 구현해야 합니다. API 엔드포인트 및 온라인 애플리케이션 비즈니스 논리를 지속적으로 자동으로 발견하고, 자동 소프트웨어 청구서(SBOM)를 생성하며, 최신 취약점 및 위협에 대한 위협 인텔리전스를 동적으로 생성하여 런타임 레이어에서 악용 시도를 차단하기 전에 가상 패치를 생성하여 배포합니다. 이러한 문맥 인식 보호를 웹 애플리케이션 및 API 엔드포인트에 배포하면 보안 팀은 소프트웨어 업데이트를 안전하게 테스트하고 배포할 수 있는 수정 창을 얻을 수 있습니다.

조직은 AI 기반 애플리케이션과 API에 크게 의존하는 AI 에이전트를 급속히 배포하고 있습니다. 이러한 조직은 이로 인해 발생하는 보안 위험을 과소평가하고 있는 것입니까? 그리고 현재 가장 큰 실수를 하고 있는 것입니까?

예, 많은 기업은 아직도 이러한 위험을 과소평가하고 있습니다. 그들은 AI 에이전트를 보안해야 할 애플리케이션으로 취급하며, AI 보안을 데이터 개인 정보 보호 문제로 취급하는 것이 아니라 운영 위협으로 취급합니다. 현재 가장 많이 보는 문제는 에이전트 에이전시의 근본적인 오해입니다. 로컬 AI 에이전트가真正로 효과적이고 직원의 시간을 절약하기 위해서는, 사용자는 모든 접근 권한을 에이전트에게 위임해야 합니다. 이것은 에이전트가 효과적으로 직원의 정체성과 기업 애플리케이션, 브라우저 세션, 로컬 파일에 대한 신뢰할 수 있는 액세스를 상속받는 것을 의미합니다. 보안 시스템은 실제 직원과 자동화된 에이전트를 구별하는 것을 완전히 불가능하게 만듭니다.

이러한 위임된 신뢰는 LLM이 기본적으로 데이터와 지시를 구별하지 않기 때문에 매우 위험합니다. 에이전트가 시스템에 액세스할 수 있는 경우, 공격자는 간접적인 프롬프트 주입 공격을 통해 에이전트를 조작할 수 있습니다. 공격자는 이메일, PDF 또는 웹페이지에 악의적인 지시를 심을 수 있으며 에이전트는 사용자의 인식 없이 이러한 지시를 명령으로 처리합니다. 이렇게 하면 간단한 도구가 기업 데이터를 유출, 변경 또는 파괴하거나 악의적인 패키지를 설치할 수 있습니다.

IoT 악성 코드와 봇넷을 연구한 경험을 바탕으로, AI가 다음 세대의 봇넷을 어떻게 변환시킬지 보십니까? 자율 봇넷이 직접적인 인간 개입 없이 전략을 변경할 수 있습니까?

봇넷 운용자는 결코 сид지 않습니다. 운용자는 페이로드를 회전시키고, 새로운 취약점을 구현하며, 구식 장치를 지속적으로 스캔하며, 명령 인프라를 변경합니다. AI 에이전트는 이러한 주기를 크게 가속화할 수 있습니다. 취약점 분류, 악용 생성 또는 인프라 관리에서 도움을 줄 수 있습니다.

자율 봇넷은 허구가 아닙니다. BrickerBot은 최초의 자율 봇 중 하나였습니다. 그것은 Mirai에 감염된 IoT 장치가 자신의 호스트 장치를 공격하려고 할 때 조용히 기다렸다가 반격하여 장치를 공격하려고 시도하는 취약점을 사용하여 장치를 파괴했습니다. 봇은 규칙 기반 전문가 시스템으로 작동하여 초기 AI 시스템과 유사했습니다. 또 다른 관련 봇넷은 Hajime였습니다. 그것은 최초의 피어 투 피어 봇넷 중 하나였습니다. 토렌트의 분산 해시 테이블을 활용하여 Hajime는 중앙 명령 및 제어 인프라가 필요하지 않으며 따라서 거의 제거할 수 없었습니다.

보안 커뮤니티는 로컬 AI 에이전트 프레임워크인 OpenClaw를 기반으로 하는 에이전트 봇넷에 대한 논의를하고 있습니다. 이러한 봇넷은 전통적인 코드 기반 악성 코드가 아닌, 컨텍스트 조작에 의해 구동됩니다. 외부 데이터를 처리할 때 공격자는 명령을 데이터에 삽입할 수 있습니다. 사용자의 로컬 에이전트가 이러한 데이터를 처리하면, 주입된 프롬프트는 시스템 지시를 재정의하고 에이전트를 공격자 제어의 명령 및 제어 서버에 연결하도록 명령할 수 있습니다.

공동체는 다음과 같은 몇 가지 핵심 요소를 논의하고 있습니다.

• OpenClaw는 GitHub 문제, Slack/Telegram 메시지, 웹페이지를 지속적으로 수신하므로 공격자는 이러한 데이터에 악의적인 지시를 삽입할 수 있습니다. 사용자의 로컬 에이전트가 이러한 데이터를 처리하면, 공격자는 에이전트를 조작하여 기업 데이터를 유출, 변경 또는 파괴하거나 악의적인 패키지를 설치할 수 있습니다.
• 보안 연구원은 OpenClaw 에이전트가 피어 투 피어 또는 에이전트 투 에이전트 암호화된 채널을 사용할 수 있다고 지적했습니다. 사이버 범죄자는 이러한 채널을 악용하여 해킹된 에이전트가 서로 조용히 협력하여 전통적인 네트워크 방화벽 및 엔드포인트 모니터링을 우회할 수 있습니다.
• 보안 스캔은 수만 명의 사용자가 클라우드 서버에서 OpenClaw 인스턴스를 실행하고 인터넷에 관리 인터페이스를 직접 노출하고 있음을 보여주었습니다. 이러한 노출된 환경은 위협 행위자에게巨大한 공격 표면을 제공합니다.
• 공격자는 ClawHub와 같은 공용 저장소에서 숨겨진 지시를 포함하는 가짜 스킬을 업로드할 수 있습니다. 에이전트가 이러한 스킬을 설치하면, 에이전트는 사용자의 인식 없이 백그라운드에서 셸 명령을 실행하거나 악의적인 패키지를 설치할 수 있습니다.

궁극적으로, 공동체는 OpenClaw가 세계 최초의真正한 에이전트 봇넷의 주요 목표가 될 것이라고 합의합니다. 이것은 이전의 라우터 또는 IoT 장치에서 실행되는 DDoS 스크립트를 실행하는 봇넷이 아닌, 완전히 인증된 기계로 구성된 봇넷입니다. 이러한 기계는 자격 증명을 훔치거나 데이터를 변경하거나 공급망 공격을 조직하는 등 다양한 작업을 수행하도록 공격자에 의해 명령될 수 있습니다.

자율 봇넷이 작동하는 방식에 대해서는 논의가 있습니다. 그러나 자동화가 잘못되면 인프라를 노출시키거나 공격자에게주의를 끌거나 이익을 손상시킬 수 있으므로, 봇넷 운용자는 제어를 포기하지 않을 것입니다. 공격자는 자동화를 사용하여 속도를 높이지만, 접근이나 이익을 손상시킬 수 있는 결정에 대한 제어를 유지할 것입니다.

그러나 나는 이러한 위험을 완전히 무시하거나 제거하지는 않을 것입니다. 에지 AI와 새로운 스마트 기기가 더 자주 로컬 소프트웨어 언어 모델(SLM)을 장착함에 따라, 기회주의적 위협 행위자가 저지르는 프롬프트 지원 봇 기능을 포함하는 봇넷을 볼 수 있습니다. 적어도 토큰 사용에 대한 과도한 비용 없이 이러한 봇넷을 실행할 수 있습니다.

해커 캠페인과 대규모 DDoS 공격이 점점 더 흔해지고 있습니다. 이러한 그룹이 더 정교해지고 있습니까, 아니면 AI와 쉽게 사용할 수 있는 공격 도구로 인해 더 많은 사람들이 고급 공격을 수행할 수 있습니까?

둘 다 그렇습니다. 일부 해커 그룹은真正로 더 조직화되었습니다. 일부 그룹, 예를 들어 NoName057(16),는 2022년 2월부터 매일 DDoS 공격을 수행했습니다. 그들은 도구를 개선하고 忠実한 추종자를 구축하며 유럽, 중동, 아프리카의 주요 클라우드 및 통신 서비스 제공업체를 대상으로 소프트웨어 정의 네트워킹, 네트워크 기능 가상화, 데이터 센터 자동화 전략에 대한 자문을 제공할 수 있는 시간을 가졌습니다. 해커에게는 메시지가 혼란 자체보다 더 중요합니다.

同時, 도구가 이전보다 더 쉽게 얻을 수 있게 되었습니다. DDoS-대여 서비스, 봇넷, 프록시 네트워크, 유출된 스크립트, 튜토리얼은 제한된 기술을 가진 누구나 캠페인에 참여하고 더 큰 무리의 일부가 될 수 있게 해주었습니다. AI는 코딩 지원, 대상 연구, 캠페인 메시징, 기본 자동화를 이러한 것에 추가합니다.

대상은 어느 쪽이든 영향을 받습니다. 공격이 숙련된 그룹에서 비롯되었는지, 또는 경쟁사에 의해雇用된 혼자있는 늑대에서 비롯되었는지에 관계없이, 다운된 웹 사이트는 고객에게 영향을 미치며, 이용할 수 없는 공공 서비스는 시민들이 인식합니다. 충분한 소음이 있으면, 경영진과 커뮤니케이션 팀은誰ever이 키보드 뒤에 있는지에 관계없이 반응해야 합니다.

기업이 운영에 AI를 통합하려는 속도에 따라, 보안 리더에게 아직 충분히 평가되지 않은 새로운 공격 표면이 나타납니까? 그리고 어떤 것입니까?

답은 AI 에이전트가 접근할 수 있는 것에 의해 정의됩니다. 일단 에이전트가 내부 문서, 코드, CI/CD 파이프라인, API 키 또는 DevOps 도구에 액세스할 수 있으면, 공격 표면은 빠르게 확장합니다. 유용하기 위해서는 에이전트가 에이전시가 필요합니다. 그렇지 않으면, 그것은 단순한 채팅봇에 불과합니다. 질문은 에이전트가 무엇을 할 수 있는지입니다. 어떤 기밀 정보를 읽을 수 있습니까? 고객의 티켓이나 CRM의 은행 계정을 변경할 수 있습니까? 코드를 실행할 수 있습니까? 외부 서비스를 호출할 수 있습니까? 도구 호출을 통해 데이터를 노출할 수 있습니까?

간접적인 프롬프트 주입이 이러한 환경에서 더 심각해집니다. 에이전트가 신뢰할 수 없는 콘텐츠를 처리하고 행동하면, 프롬프트는 워크플로에 대한 경로가 될 수 있습니다. 이것은 채팅봇이 질문에 대답하는 것과는 다릅니다.

AI는 공격자와 수비수 모두에게 사용되고 있습니다. 방어적 AI가 공격적 AI와 동등한 속도로 발전할 수 있다고 생각합니까, 아니면 조직은 향후 몇 년 동안 점점 더 비대칭적인 전투를 맞이할 것이라고 생각합니까?

AI는 공격자에게 불균형을 만듭니다. 이것은 방어적 AI 모델이 열등하다는 것을 의미하지 않습니다. 실제로, 방어에서 AI의 사용은 일일 노이즈를 필터링하고 사건 반응을 가속화하는 데 매우 효과적입니다. 그러나 구조적인 속도 격차가 있습니다.

과거에는 취약점이 발견되면 보안 팀이 이를 패치하기 전에 짧은 시간의 창이 있었습니다. 오늘날, 에이전트 AI는 이 창을 거의 제로로 압축했습니다. 자동화된 도구는 결점을 찾고 즉시 대상화된 악용을 생성할 수 있습니다. 전통적인 인간 주도 패치 관리 프로세스는 자동화된 파이프라인과 경쟁할 수 없습니다.

또한, 양측은 완전히 다른 규칙으로 운영됩니다. 공격자는 규제, 윤리, 운영 중단에 대한 제약을 받지 않습니다. 그들은 제한없는 대규모 캠페인을 시작하는 사용자 정의 AI 에이전트를 배포할 수 있습니다. 수비수는 결정적으로 작동해야 합니다. 방어적 AI는 단순히 높은 확률의 이상에 기반하여 핵심 프로덕션 데이터베이스를 분리하거나 임원의 자격 증명을 취소할 수 없습니다. 수비수는 비즈니스 연속성을 보호하기 위해 검증이 필요합니다. 이러한 필수적인 가드레일에 의해 도입되는 지연은 자동화된 공격이 악용하는 것입니다.

궁극적으로, 보안 리더십은谁가 더 “지능적인” AI를 sở hữu하는지에 의해 정의되지 않을 것입니다. 그것은谁가 이 구조적인 속도 격차를 해결하는지에 의해 정의될 것입니다. AI를 단순한 표준 보안 도구로 취급하는 조직은 현대의 위협 속도에 압도될 것입니다. 성공은 인프라를 재설계하여 방어적 AI가 위협을 자율적으로 격리하고 포함할 수 있도록 하는 것입니다.

많은 보안 팀은 여전히 전통적인 보안 메트릭과 탐지 방법을 사용하고 있습니다. 공격이 더 빠르고 자동화됨에 따라, 조직은 어떤 지표 또는 행동을 우선적으로 고려해야 합니까?

대부분의 보안 메트릭은 여전히 활동에 중점을 두고 있습니다. 트리거된 경고, 차단된 공격, 발견된 취약점 등이 있습니다. 이러한 숫자는 사건 반응을 측정하는 데 유용하지만, 조직의 실제 노출에 대한 통찰력을 제공하지 않습니다. 그들은 무엇을 잡았는지 보여주지만, 공격자가 악용할 수 있는 블라인드 스폿을 보여주지 않습니다.

자동화된 위협의 시대에는 반응형 메트릭에 의존하는 것이 더 이상 가능하지 않습니다. 한 번 조직이 대상이 되면, 공격의 속도는 프로액티브 관리를 필요로 합니다. 실시간 공격 표면 관리는 이제 필수입니다. 수비수는 특정 운영 위험에 대한 지속적인 가시성을 필요로 합니다. 어떤 중요한 애플리케이션과 API가 인터넷에 노출되어 있습니까? 어떤 취약점이 존재합니까?

真正한 탄력성은 이 공격 표면 컨텍스트를 행동 탐지와 위협 인텔리전스와 연결하는 것입니다. 어떤 것이 노출되어 있는지 그리고 어떻게 행동하는지 이해함으로써, 보안 팀은 이전에 알려지지 않은 공격을 예측하고 차단할 수 있습니다.

궁극적으로, 속도는 성공의 真正한 측정 지표입니다. 그러나 수비수는 正しい 시간 창을 측정해야 합니다. 새로운 취약점이 노출된 시스템을 식별하는 데 얼마나 걸리고, 취약점을 보호하기 위한 보완적인 제어가 얼마나 빠르게 배포될 수 있습니까? 이 특정 속도는 보안 프로그램이 대규모에서高速 공격에 대응할 수 있는지 여부를 결정하는真正한 측정 지표입니다.

5년 후, AI 시대에 대한 결정적인 사이버 보안 도전은 무엇이라고 생각합니까? 그리고 CISO와 보안 팀은 오늘날 무엇을 시작해야 합니까?

5년 후, AI 시대에 대한 결정적인 사이버 보안 도전은 자율적이지 않은 비인간 관계를 관리하고 보호하는 것입니다. 조직이 단순한 채팅봇에서 멀어지고, 기계가 금융 거래를 실행하고, 소스 코드를 수정하며, 클라우드 인프라를 변경할 수 있는 다중 에이전트 시스템을 갖추게 될 때, 전통적인 보안 경계가 붕괴될 것입니다. 5년 후, 기업은 더 이상 인간 직원과 정적 소프트웨어만을 관리하지 않을 것입니다. 그것은 수천 개의 자율 AI 에이전트를 외부 제3자 시스템, 기업 데이터 및 다른 에이전트와 상호 작용하는 것을 관리할 것입니다.

에이전트 시스템 전반에 걸친 가시성이 필수적입니다. 에이전트가 普及하기 전에, CISO는 배포된 각 에이전트에 대한 중앙 등록을 설정해야 합니다. 등록에는 에이전트의 소유권, 에이전트가 읽을 수 있는 데이터 모델 및 저장소, 에이전트가 호출할 수 있는 도구 및 API가 정의되어야 합니다. CISO는 또한 에이전트 기술의 배포에서 표준화된 검증 가능한 연결 프로토콜을 사용하도록 지시해야 하며, 모든 도구 통합이 엄격하게 기록되도록 해야 합니다.

5년 후, API 및 온라인 애플리케이션을 보호하는 것은 더 이상 구성 관리, 알려진 시그니처 차단, 취약점 패치와 관련이 없을 것입니다. 그것은 논리 대 논리의 자동화된 전쟁이 될 것입니다. 공격자가 완전히 자동화된, 컨텍스트 인식 에이전트 파이프라인을 배포하여 애플리케이션의 비즈니스 논리를 몇 초 내에 역공학할 수 있을 때, 전통적인 웹 애플리케이션 방화벽(WAF)은 구식이 될 것입니다. 이러한 풍경을 방어하려면 자동화된, 컨텍스트 주도 아키텍처로의 전환을 필요로 합니다.

공격자는 프론티어 모델을 사용하여 API 논리 결점의 발견 및 악용 주기를 완전히 자동화할 것입니다. 알려진 소프트웨어 버그를 찾는 대신, 자동화된 공격 봇은 전체 애플리케이션의 API 스키마를 매핑하고, 데이터 흐름을 이해하며, 비즈니스 논리를 조작하기 위한 맞춤형 페이로드 시퀀스를 동적으로 생성할 것입니다. 이러한 공격은 유효한 구문과 정당한 API 호출을 사용하므로, 표준 임계값 기반 속도 제한 및 시그니처 감지는 이러한 공격에 완전히 눈이 먼 채로 남아 있을 것입니다.

자동화된 발견을 대응하기 위해, 수비수는 노출된 아키텍처에 실시간, 지속적인 가시성을 달성해야 합니다. 보안 팀은 정적 문서 또는 구식 API 카탈로그에 의존할 수 없습니다. 방어적 AI는 모든 활성 API 엔드포인트, 마이크로 서비스 관계 및 온라인 애플리케이션 워크플로우를 지속적으로 스캔하고 매핑해야 합니다. 이러한 자동화된 가시성을 동적 소프트웨어 청구서(SBOM)와 결합하여 새로운 글로벌 취약점 공개를 인터넷에 노출된 내부 코드 라인에 즉시 연결할 수 있습니다.

자동화된 공격은 정당한 사용자 트래픽과 혼동되므로, 방어는 완전히 컨텍스트 행동 분석으로 전환해야 합니다. 방어적 AI는 각 API 클라이언트, 토큰 및 사용자 ID의 표준 행동을 프로파일링해야 합니다. 그것은 API 호출의 의도와 순서를 입력과 함께 모니터링해야 합니다. 공격자의 자동화된 스크립트가 비즈니스 논리를 테스트하거나 데이터를 스크레이핑하기 위한 합법적인 API 호출을 비정상적인 순서로 조각하면, 시스템은 구조적인 변이를 즉시 인식하고 개입해야 합니다.

真正한 탄력성의 真正한 측정 지표는 취약점의 노출과 수정 사이의 시간 창을 얼마나 빠르게 압축할 수 있는지입니다. 개발 팀이 코드 업데이트를 작성하고 테스트하고 프로덕션에 배포하기를 기다리는 것은 치명적인 전략이 될 것입니다.真正한 보호는 런타임 레이어에서 자동화된, 컨텍스트 인식 가상 패치에 의존할 것입니다. 실시간 위협 인텔리전스와 API 발견 데이터를 방어적 AI 엔진에 직접 입력하여, 인프라는 자동으로 맞춤형 가상 패치를 생성하여 배포하여, 취약한 애플리케이션 논리에 도달하기 전에 악용 시도를 차단합니다.

감사합니다. 더 많은 정보를 원하는 독자는 Radware를 방문하십시오.