Beelzebub haalt 3 miljoen euro op om AI-gestuurde deceptie over heel het bedrijfsnetwerk uit te breiden

De Italiaanse cybersecurity-startup Beelzebub heeft 3 miljoen euro aan seedfinanciering opgehaald om zijn AI-gestuurde platform voor het detecteren en vangen van aanvallers binnen bedrijfsnetwerken uit te breiden.

De ronde werd exclusief geleid door het Italiaanse deep-tech venture capital bedrijf United Ventures. Beelzebub plant om het kapitaal te gebruiken om zijn onderzoeksteam uit te breiden, klanten over heel Europa te verwerven en commerciële kantoren in Rome en San Francisco te openen tegen het einde van 2026.

Het in Milaan gevestigde bedrijf richt zich op organisaties die te maken krijgen met steeds meer geautomatiseerde cyberaanvallen, met name operators die onderworpen zijn aan de Europese Unie’s Netwerk- en Informatieveiligheidsrichtlijn, algemeen bekend als NIS2.

In plaats van zich volledig te concentreren op het buiten het netwerk houden van aanvallers, werkt Beelzebub op basis van de veronderstelling dat een inbraak al heeft plaatsgevonden. Zijn platform plant realistische deceptiesystemen over de hele infrastructuur van een organisatie, waardoor aanvallers kunnen worden blootgelegd voordat ze echte activa bereiken.

Bedrijfsinfrastructuur omzetten in een val

Beelzebubs technologie behoort tot een categorie van cybersecurity bekend als deceptietechnologie. In plaats van te wachten tot malafide activiteit een alarm activeert op een productiesysteem, creëert het platform overtuigende replica’s van servers, databases, application programming interfaces, cloudomgevingen en andere infrastructuur.

Deze decepties zijn ontworpen om waardevol te lijken voor aanvallers, terwijl ze afgezonderd blijven van echte bedrijfssystemen. Omdat legitieme medewerkers en applicaties weinig reden hebben om met hen te communiceren, kan activiteit binnen een deceptie een sterke indicatie geven dat een indringer door het netwerk beweegt.

De aanpak is bedoeld om een van de moeilijkste fasen van een cyberaanval aan te pakken: de periode na de initiële toegang, maar voordat de definitieve payload wordt geïmplementeerd.

Aanvallers brengen vaak tijd door met het verkennen van systemen, het escaleren van privileges, het verzamelen van referenties en het identificeren van waardevolle gegevens. Beelzebub probeert dat proces te onderbreken door verdachte activiteit naar gecontroleerde omgevingen te leiden waar het kan worden geobserveerd en beperkt.

Het bedrijf zegt dat zijn valstrikken grote taalmodellen gebruiken om meer te lijken op echte infrastructuur. Ze kunnen realistische antwoorden genereren en hun gedrag aanpassen, waardoor het moeilijker wordt voor een aanvaller om te bepalen of hij een deceptie is binnengegaan.

Automatische aanval- en verdedigingslus

Het platform combineert drie producten die zijn ontworpen om verschillende fasen van cybersecuritytesting en incidentrespons af te dekken.

Arcangelo fungeert als het offensieve component. Het simuleert gerichte aanvallen op de infrastructuur van een organisatie, waardoor beveiligingsteams zwakheden kunnen identificeren en testen hoe hun controles reageren.

Beelzebub Managed vormt de defensieve laag. Het distribueert AI-gestuurde valstrikken over de omgeving van een organisatie en bewaakt ze op verdachte activiteit. Wanneer een aanvaller interacteert met een van de decepties, kan het systeem het getroffen apparaat isoleren, de activiteit blokkeren en vooraf gedefinieerde reactieacties initiëren.

Het bedrijf beschrijft deze combinatie als een geautomatiseerd paars-teammodel. In cybersecurity simuleren rode teams typisch aanvallers, terwijl blauwe teams systemen verdedigen. Paars-teamoperaties proberen de twee functies samen te brengen, zodat de resultaten van offensieve tests rechtstreeks de defensieve controles kunnen verbeteren.

Door aanvals simulaties te koppelen aan live deceptiesystemen, probeert Beelzebub de overdrachten die vaak plaatsvinden tussen afzonderlijke beveiligingstools, externe consultants en interne teams te verminderen.

Het bedrijf zegt dat zijn valstrikken ook kunnen worden bijgewerkt om nieuwe, openbaar gemaakte kwetsbaarheden en blootstellingen weer te geven. Dit stelt het platform in staat om systemen na te bootsen die zijn beïnvloed door opkomende kwetsbaarheden en potentiële aanvallers aan te trekken die op zoek zijn naar die zwakheden.

AI-ondersteunde malwareanalyse

Het derde component, Caronte, is een AI-gestuurd malwareanalyse systeem.

Nadat kwaadwillige software is gedetecteerd, kan Caronte de sample omkeren en een incidentrapport produceren dat zijn gedrag beschrijft. Het doel is om de tijd tussen het ontdekken van een aanval en het begrijpen van hoe het werkt te verkorten.

Malwareanalyse is traditioneel een gespecialiseerd en tijdrovend proces. Analisten moeten mogelijk code inspecteren, observeren hoe een programma zich gedraagt in een gecontroleerde omgeving en bepalen of het communiceert met externe infrastructuur of probeert zich te verspreiden naar andere machines.

Beelzebub zegt dat Caronte delen van dit werk automatiseert, waardoor organisaties een initiële beoordeling sneller kunnen genereren.

Het systeem kan on-premise worden uitgevoerd, wat belangrijk kan zijn voor overheidsinstanties, gereguleerde bedrijven en ondernemingen die potentieel gevoelige malware-samples niet naar derde partijen cloudservices kunnen uploaden.

Beelzebubs bredere platform is beschikbaar als software as a service of als on-premise implementatie. Voor organisaties met striktere gegevensvereisten kan het bedrijf ook hardware leveren voor het lokaal uitvoeren van zijn grote taalmodelinference.

Opbouwen rondom live dreigingsinformatie

Beelzebub zegt dat meer dan 60 onafhankelijke beveiligingsonderzoekers dreigingsinformatie bijdragen aan het platform.

Deze netwerk biedt informatie over nieuwe malware, aanvalstechnieken en kwetsbaarheden zodra ze ontstaan. De inlichtingen kunnen vervolgens worden gebruikt om de decepties, aanvals simulaties en analysecapaciteiten van het platform bij te werken.

Het bedrijf trok eerder de aandacht door TeamPCP te documenteren, een dreigingsactor die is geassocieerd met aanvallen op cloudinfrastructuur en cryptojacking-campagnes. TeamPCP is ook gelinkt aan een inbreuk waarbij GitHub’s infrastructuur was betrokken.

Het ontdekken en bestuderen van dreigingsgroepen kan cybersecurityleveranciers praktische informatie geven over hoe aanvallers zich gedragen nadat ze een netwerk zijn binnengegaan. Die informatie kan worden gebruikt om decepties te ontwerpen die op systemen, referenties en services lijken die aanvallers het meest waarschijnlijk zullen richten.

Beelzebubs technologie is ook beschikbaar via een open-source communityeditie, waardoor onderzoekers en beveiligingsteams een manier hebben om te experimenteren met zijn honeypotbenadering.

De open-sourceproject ondersteunt meerdere protocollen en services, waaronder Secure Shell, File Transfer Protocol, databases en webapplicaties. Dit stelt organisaties in staat om decepties te implementeren die verschillende delen van hun infrastructuur lijken.

Reageren op snellere, meer geautomatiseerde aanvallen

De financiering komt op een moment dat generatieve AI en automatisering beide kanten van cybersecurity veranderen.

Aanvallers kunnen AI-hulpmiddelen gebruiken om phishingberichten te genereren, software te analyseren op kwetsbaarheden, kwaadwillige code te wijzigen en operaties uit te voeren over een groter aantal doelen. Deze mogelijkheden elimineren de behoefte aan technische expertise niet, maar ze kunnen kleinere groepen in staat stellen om sneller en groter te opereren.

Beveiligingsteams reageren door meer automatisering in detectie, onderzoek en incidentrespons in te voeren. Deceptietechnologie biedt een extra laag door omgevingen te creëren waarin aanvallers kunnen worden bestudeerd zonder echte gegevens of systemen bloot te stellen.

Beelzebub-oprichter en CEO Mario Candela betoogt dat defensieve tools steeds meer op machinesnelheid moeten werken om effectief te blijven tegen geautomatiseerde aanvallen.

Het bedrijf probeert bestaande eindpunt-, netwerk- of identiteitsbeveiligingsproducten niet te vervangen. In plaats daarvan probeert het een interne detectielaag toe te voegen voor situaties waarin een aanvaller al de perimeterverdediging heeft omzeild.

Dit aangenomen-breachmodel is relevanter geworden nu bedrijfsinfrastructuur zich uitbreidt over cloudplatforms, externe apparaten, application programming interfaces en softwareleveranciersketens. Het beschermen van elk mogelijk ingangspunt is moeilijk, waardoor snelle detectie binnen het netwerk steeds belangrijker wordt.

Waarom deceptie een kernlaag van cybersecurity kan worden

Naarmate aanvallers steeds meer AI gebruiken om verkenning, kwetsbaarheden en malware te automatiseren, kan deceptietechnologie een belangrijkere laag van bedrijfsbeveiliging worden. In plaats van te vertrouwen op perimetercontroles, kunnen organisaties realistische decepties implementeren die indringers blootleggen nadat ze een netwerk zijn binnengegaan en voordat ze kritieke systemen bereiken.

De sterkste platforms zullen waarschijnlijk deceptie combineren met continue aanvals simulatie en geautomatiseerd onderzoek. Dit kan de tijd tussen inbraak, detectie en beperking verkorten, terwijl het beveiligingsteams een duidelijker inzicht geeft in de tools, doelen en bewegingen van een aanvaller over het netwerk.

Deceptie zal eindpuntbeveiliging, identiteitscontroles of kwetsbaarheidsbeheer niet vervangen, maar het kan die systemen effectiever maken door hoge vertrouwensniveaus te bieden van activiteit die nooit zou mogen gebeuren. Beelzebubs uitdaging zal zijn om te bewijzen dat zijn aanpak betrouwbaar kan werken op bedrijfsniveau zonder excessieve complexiteit toe te voegen aan reeds drukke beveiligingsomgevingen.