Alon Noy, CEO en medeoprichter van Astelia – interviewreeks

Alon Noy, CEO en medeoprichter van Astelia, is een leider op het gebied van cyberbeveiliging met meer dan 15 jaar ervaring in zowel offensieve als defensieve beveiliging. Eerder diende hij bij de Israëlische Unit 8200 en gaf hij leiding aan het Israëlische nationale red team voor cyberbeveiliging. Daar hield hij zich onder meer bezig met het testen van de weerbaarheid van kritieke infrastructuur en werkte hij samen met beveiligingsteams om aanvalsroutes uit de praktijk te identificeren en aan te pakken. Noy heeft ook leidinggegeven aan grote onderzoeks- en ontwikkelingsorganisaties, is afgestudeerd aan het Israëlische Talpiot-programma en heeft een masterdiploma in computerwetenschappen van Tel Aviv University. Zijn ervaring vanuit zowel het perspectief van aanvallers als dat van verdedigers heeft mee vormgegeven aan de aanpak van Astelia, die erop gericht is vast te stellen welke kwetsbaarheden binnen de omgeving van een organisatie daadwerkelijk bereikbaar en uit te buiten zijn.

Astelia is een AI-gedreven cyberbeveiligingsbedrijf dat zich richt op beheer van blootstelling en kwetsbaarheden. Het bedrijf is opgericht door veteranen en voormalige leiders van het nationale red team van Israël en gebruikt AI en netwerkspecifieke analyses om vast te stellen welke kwetsbaarheden daadwerkelijk aanvalsroutes vormen, in plaats van voornamelijk af te gaan op algemene ernstscores. Het platform brengt de omgeving van een organisatie in kaart via integraties die alleen-lezen toegang hebben, analyseert de vereisten voor misbruik in relatie tot de netwerktopologie en helpt beveiligingsteams prioriteit te geven aan aantoonbaar bereikbare kwetsbaarheden. Ook brengt het mogelijke oplossingen in kaart, zoals patches, configuratiewijzigingen, netwerksegmentatie of compenserende maatregelen. Het bredere doel van het bedrijf is ondernemingen te helpen het aantal kwetsbaarheidsmeldingen dat ze moeten onderzoeken terug te dringen en hun middelen te richten op blootstellingen die aanvallers in de praktijk zouden kunnen misbruiken.

Voordat je Astelia oprichtte, werkte je meer dan tien jaar in de Israëlische nationale veiligheid, onder meer bij Unit 8200 en als leider van Israëls nationale red team voor cyberbeveiliging. Daarbij moest je denken en handelen als een aanvaller. Wat hebben die ervaringen je geleerd over hoe geavanceerde aanvallen zich in werkelijkheid ontvouwen, en welke leemte in de cyberbeveiligingsmarkt bracht je er uiteindelijk toe Astelia mede op te richten?

Ruim tien jaar lang bestond mijn werk er in feite uit te denken als iemand die probeert binnen te dringen, niet als iemand die dat probeert te voorkomen. De duidelijkste les uit die ervaring is dat geavanceerde aanvallen bijna nooit neerkomen op één groot gat in de muur. Meestal gaat het om twee of drie kleine dingen waarvan niemand dacht dat ze op zichzelf belangrijk waren: een account dat nooit is gedeactiveerd, een deel van het netwerk dat geïsoleerd had moeten zijn maar dat niet was, een machtiging die ruimer was dan nodig, enzovoort. Toen ik leiding gaf aan het nationale red team, besteedden we veel meer tijd aan het begrijpen van de werking van het netwerk van een doelwit dan aan het bouwen van de exploit zelf. Als je eenmaal weet waar de routes lopen, is het misbruiken ervan bijna het makkelijke deel. Toen ik overstapte naar de defensieve kant, begon ik een patroon te zien. Er was een lange lijst met ‘kritieke’ kwetsbaarheden, maar geen goede manier om te weten welke daarvan een aanvaller daadwerkelijk kon bereiken. Astelia is opgericht om die leemte te dichten: we nemen bereikbaarheidsonderzoek, het proces dat aanvallers gebruiken om hun weg naar binnen te vinden, en zetten dat in voor verdedigers.

Astelia hanteert een andere aanpak voor kwetsbaarheidsbeheer: het brengt de werkelijke netwerktopologie van een organisatie in kaart en gebruikt agentische AI om te bepalen welke kwetsbaarheden daadwerkelijk bereikbaar zijn en kunnen worden misbruikt. Hoe werkt dit in de praktijk, en waarom denk je dat traditionele scores voor kwetsbaarheden verdedigers vaak verkeerde prioriteiten geven?

Met integraties die alleen-lezen toegang hebben, brengen we het werkelijke netwerk van een organisatie in kaart: hoe systemen daadwerkelijk met elkaar verbonden zijn en waar bestaande netwerkbeveiligingsmaatregelen een aanvaller al in de weg staan. Zodra we dat beeld hebben, doorloopt de AI elke kwetsbaarheid en bepaalt ze wat er daadwerkelijk nodig zou zijn om die te misbruiken, zoals de vereiste toegang, de route door het netwerk en de voorwaarden waaraan moet zijn voldaan. Vervolgens toetst ze dat alles aan de werkelijke topologie en de bestaande beveiligingsmaatregelen. Van alles wat een scanner markeert, blijkt doorgaans minder dan 1% daadwerkelijk bereikbaar. CVSS en EPSS lopen allebei tegen hetzelfde onderliggende probleem aan: ze kennen een score toe aan een kwetsbaarheid alsof elk netwerk hetzelfde is, alsof het systeem onbeschermd op het openbare internet staat of alsof trends in misbruik op brancheniveau iets zeggen over jouw specifieke omgeving. In de meeste omgevingen gaat geen van beide aannames op. Een als kritiek beoordeelde fout die zich drie netwerkhops achter een gesegmenteerd netwerk bevindt, vormt niet hetzelfde risico als een fout op een server die vanaf het openbare internet bereikbaar is. En een kwetsbaarheid met een hoge EPSS-score op brancheniveau is in jouw netwerk misschien helemaal niet bereikbaar. Die scores zijn momentopnamen en geven jouw netwerk niet weer. De bereikbaarheid verandert voortdurend, omdat netwerken en de beveiligingsmaatregelen die ze beschermen dat ook doen.

Je hebt betoogd dat veel van waar verdedigers zich zorgen over maken, niet relevant is voor de manier waarop aanvallers in de praktijk te werk gaan. Wat begrijpen beveiligingsteams, vanuit jouw ervaring met het uitvoeren van goedgekeurde aanvallen op sterk beveiligde omgevingen, het vaakst verkeerd over de manier waarop aanvallers zwakke plekken opsporen en met elkaar combineren?

Vaak wordt aangenomen dat aanvallers afgaan op wat als het meest ernstig is beoordeeld. In de praktijk doen we dat zelden. We richten ons op wat ons het snelst het dichtst bij ons doel brengt, en dat is vaak iets wat de scanner als gemiddeld of laag had beoordeeld: een gedeelde bestandsmap met verkeerde machtigingen, inloggegevens die zijn achtergebleven van een project dat zogenaamd was stopgezet, of een kleine voet aan de grond die pas gevaarlijk werd toen die werd gecombineerd met iets waarvan niemand dacht dat het ermee te maken had. Scanners beoordelen bevindingen afzonderlijk. Zo werken aanvallen niet: een aanvaller kijkt altijd naar de verbanden. Iets wat op zichzelf onschuldig lijkt, kan precies zijn wat een aanvaller nodig heeft om van een account met beperkte bevoegdheden volledige controle te krijgen. De meeste verdedigers zijn nog steeds ingericht op het beoordelen van risico’s per bevinding, en daarom missen ze steeds de aanvalsroutes die er echt toe doen.

AI verkort drastisch de tijd en vermindert de expertise die nodig zijn om nieuw bekendgemaakte kwetsbaarheden om te zetten in werkende exploits. Hoe verandert dit de economische aspecten van cyberaanvallen, en welke typen aanvallers hebben het meeste baat bij steeds krachtigere AI-modellen?

Het kostbare onderdeel van het bouwen van een exploit was vroeger de benodigde expertise: de bug vinden, precies uitzoeken hoe je die kunt activeren en de exploit betrouwbaar maken. Wat een team van experts vaak maanden kostte, kan een doorsnee aanvaller met toegang tot de meest geavanceerde modellen nu in enkele uren doen. Dat verandert de economische aspecten wezenlijk. Voor het bewapenen van een nieuwe CVE was vroeger een flinke investering nodig; nu nauwelijks nog, en de tijd tussen de bekendmaking van een kwetsbaarheid en het beschikbaar komen van een werkende exploit wordt steeds korter. De meeste patchcycli zijn nooit ontworpen om dat tempo bij te houden. De aanvallers die hier het meeste voordeel van hebben, zijn niet de meest geavanceerde statelijke actoren, die al over sterke offensieve capaciteiten beschikten. Het zijn kleinere groepen en opportunistische criminelen die dit soort expertise nooit zelf in huis hadden; AI geeft die hun nu in feite in handen.

Het initiatief GOLD EAGLE van het Witte Huis is gericht op nauwere samenwerking tussen de overheid, technologiebedrijven en beheerders van kritieke infrastructuur, waarbij geavanceerde AI wordt ingezet om kwetsbaarheden sneller op te sporen en te verhelpen. Wat doet dit model volgens u, vanuit het perspectief van een aanvaller, goed en waar kan het nog tekortschieten?

GOLD EAGLE brengt terecht in beeld hoeveel tijd verloren gaat aan dubbel werk: verschillende organisaties scannen en beoordelen onafhankelijk van elkaar dezelfde bekendgemaakte kwetsbaarheid voordat iemand daadwerkelijk actie onderneemt. Door die inspanningen te centraliseren en AI in te zetten om de coördinatie tussen overheids- en infrastructuurbeheerders te versnellen, wordt de tijd die een aanvaller heeft om zijn slag te slaan daadwerkelijk korter. Vanuit het perspectief van een aanvaller is dat het belangrijkste. In dit spel draait alles om snelheid. Waar het initiatief volgens mij tekortschiet, is dat coördinatie binnen de hele sector geen enkel bedrijf vertelt of een bepaalde kwetsbaarheid binnen het eigen netwerk bereikbaar is. Een organisatie kan toegang hebben tot een goed geprioriteerde dreigingsfeed en toch niet weten of die op haar van toepassing is. Die laatste stap, nagaan hoe de kwetsbaarheid zich verhoudt tot de eigen netwerktopologie, blijft de verantwoordelijkheid van elke organisatie afzonderlijk.

Meer dan 100 organisaties uit de technologie-, cyberbeveiligings-, financiële en infrastructuursector hebben gewaarschuwd dat er mogelijk maar een beperkte periode is om de verdediging te versterken voordat aanvallen met behulp van AI veel wijdverspreider worden. Deelt u dat gevoel van urgentie, en wat moeten organisaties in deze „periode waarin verdedigers aan zet zijn” realistisch gezien voor elkaar krijgen?

Ik deel dat gevoel van urgentie, al zou ik de reden iets anders formuleren. Aanvallen met behulp van AI zijn geen toekomstig risico: de tijd tussen de bekendmaking van een kwetsbaarheid en het beschikbaar komen van een werkende exploit wordt nu al korter dan de meeste organisaties hun systemen kunnen patchen. Alleen door sneller te patchen die race proberen te winnen, is niet realistisch. Wat wel haalbaar is, is deze periode benutten om de eigen omgeving goed te begrijpen. Dat betekent dat organisaties de daadwerkelijke netwerktopologie kennen, weten welke kwetsbaarheden echt bereikbaar zijn en hun inspanningen richten op die kleinere groep in plaats van die te verspreiden over duizenden theoretische bevindingen. Het is ook verstandig deze tijd te gebruiken om naast patchen andere mogelijkheden voor herstel uit te werken, zoals netwerksegmentatie of configuratiewijzigingen, omdat alleen een hoger patchtempo de door AI versnelde ontwikkeling van exploits niet kan bijhouden.

Collectieve cyberverdediging is sterk afhankelijk van organisaties die informatie over kwetsbaarheden en dreigingen met elkaar delen. Wat moet er technisch of cultureel veranderen zodat overheden en particuliere bedrijven snel genoeg bruikbare informatie kunnen delen om effect te hebben, zonder daarbij nieuwe beveiligingsrisico’s te creëren?

De technische uitdaging is gemakkelijker op te lossen. Het moeilijkere probleem is vertrouwen. Geen enkele organisatie wil een zwakke plek in de eigen omgeving bekendmaken en het risico lopen dat die naar haar wordt herleid, vooral als die later in een rapport over een datalek opduikt. Wat werkt, is informatie delen die nuttig is zonder naar een specifieke organisatie te verwijzen: het patroon van hoe iets kan worden misbruikt, in plaats van een beschrijving die specifiek genoeg is om één bedrijf aan te wijzen. Daarvoor is betere infrastructuur nodig, met machinaal leesbare dreigingsgegevens die via geautomatiseerde kanalen worden uitgewisseld in plaats van via pdf’s en mailinglijsten. Maar infrastructuur is nooit echt het obstakel geweest. Het obstakel is dat de meeste organisaties delen nog steeds zien als een juridisch risico, in plaats van als iets wat hen beschermt. Een neutrale, vertrouwde tussenpersoon is een van de dingen die GOLD EAGLE wil bieden, en dat zou er veel aan kunnen bijdragen om die houding te veranderen.

Astelia benadrukt ‘bereikbaarheid’ in plaats van alleen de ernst van een kwetsbaarheid of het bestaan van een bekende exploit. Nu AI het ontwikkelen van exploits versnelt en mogelijk gebruikelijker maakt, wordt bereikbaarheid dan een belangrijkere maatstaf voor risico, en hoe moeten CISO’s de prioritering van kwetsbaarheden vanuit dat concept herzien?

Bereikbaarheid wordt niet alleen steeds belangrijker, maar ook de maatstaf die daadwerkelijk bepalend is. Ernst was altijd een benadering van de schade die iets zou kunnen aanrichten; bereikbaarheid geeft aan of iets op dit moment in jouw omgeving kan worden misbruikt. Verdedigers gingen ervan uit dat de meeste bevindingen met een lage ernst maandenlang ongepatcht konden blijven, omdat niemand ze in de praktijk als wapen zou inzetten. Die aanname gaat niet langer op nu exploits snel en goedkoop kunnen worden ontwikkeld. De prioritering moet verschuiven van een achterstandslijst op basis van ernst naar het wegnemen van blootstellingen die daadwerkelijk bereikbaar zijn. Wat het kleine aantal kwetsbaarheden dat ertoe doet onderscheidt van de rest, is of een aanvaller er via jouw daadwerkelijke netwerk bij kan. CISO’s moeten om bewijs van bereikbaarheid vragen, niet om nog een score boven op CVSS.

Astelia zet AI-agenten ook in voor onderdelen van de levenscyclus van kwetsbaarheden, van het opsporen van nieuwe blootstellingen tot het coördineren van herstelmaatregelen. Hoeveel autonomie moeten cyberbeveiligingsagenten uiteindelijk krijgen wanneer ze wijzigingen kunnen aanbrengen in productieomgevingen, en op welke punten moeten mensen nadrukkelijk betrokken blijven?

Agenten moeten bij analyses echt zelfstandig kunnen werken: het netwerk in kaart brengen, vaststellen wat nodig is om een exploit te laten werken, nieuwe bekendmakingen met elkaar in verband brengen en zichtbaar maken wat bereikbaar is. Daar is snelheid het belangrijkst, en een fout leidt dan alleen tot een slecht advies dat een mens kan ondervangen. Ik trek een duidelijke grens bij wijzigingen in productie zonder toezicht. Zonder gegevens over de bereikbaarheid via het netwerk gokt een agent wanneer die een oplossing doorvoert, en een verkeerde firewallregel of wijziging in de netwerksegmentatie kan meer schade veroorzaken dan de kwetsbaarheid die ermee moest worden verholpen. Daarom komt het meeste van wat tegenwoordig als ‘autonome herstelmaatregelen’ wordt aangeprezen in werkelijkheid neer op het automatisch aanmaken van tickets. Bedrijven willen dat een mens zulke wijzigingen goedkeurt, zeker omdat er niet altijd meteen een patch beschikbaar is. Het juiste model is dat agenten onderbouwde oplossingen voorstellen, waarna een persoon goedkeuring geeft voordat er iets in productie wordt gewijzigd. Die controle kan worden versoepeld naarmate de gegevens over bereikbaarheid beter worden en het vertrouwen groeit in beperktere, goed geteste categorieën wijzigingen. Maar ongecontroleerde acties in productie zijn niet het vertrekpunt dat ik zou kiezen.

Hoe verwacht u dat de balans tussen offensieve en defensieve cybersecurity verandert nu zowel aanvallers als verdedigers toegang krijgen tot steeds krachtigere autonome AI-systemen? En wat onderscheidt organisaties die op die volgende fase zijn voorbereid van organisaties die dat niet zijn?

Aanvallers hebben in een vroeg stadium nog steeds een voorsprong met AI, omdat ze maar één werkende route nodig hebben en AI die snel kan vinden: verkenning verloopt sneller, de ontwikkeling van exploits gaat sneller en phishingberichten worden overtuigender. Verdedigers dichten die kloof niet door met AI dezelfde dingen sneller te doen. Dat doen ze door AI te gebruiken om kwetsbaarheden te ontdekken en weg te nemen die in hun eigen netwerk daadwerkelijk bereikbaar zijn, op basis van hun eigen situatie, in plaats van risico’s te beheren aan de hand van algemene dreigingsgegevens voor de hele sector. Wat voorbereide organisaties onderscheidt, is of ze die omslag hebben gemaakt voordat ze ertoe werden gedwongen, en of ze met bewijs kunnen aangeven welke van hun kwetsbaarheden daadwerkelijk in hun omgeving kunnen worden misbruikt, in plaats van te hopen dat hun patchplanning kan bijblijven. Organisaties die risico’s nog steeds vanuit een algemene context beheren, zullen onaangenaam worden verrast door iets dat hun eigen scanner een jaar eerder als lage prioriteit had aangemerkt.

Bedankt voor het mooie interview. Lezers die meer willen weten, kunnen terecht op Astelia.