Carl Froggett, CIO van Deep Instinct – Interviewreeks

Carl Froggett, is de Chief Information Officer (CIO) van Deep Instinct, een onderneming die is opgericht op een eenvoudige premisse: dat diepe leer, een geavanceerd onderdeel van AI, kan worden toegepast op cybersecurity om meer bedreigingen te voorkomen, sneller.

De heer Froggett heeft een bewezen trackrecord in het opbouwen van teams, systeemarchitectuur, implementatie van grote ondernemingssoftware, evenals het afstemmen van processen en tools op bedrijfsvereisten. Froggett was eerder hoofd van Global Infrastructure Defense, CISO Cyber Security Services bij Citi.

Uw achtergrond ligt in de financiële sector, kunt u uw verhaal vertellen over hoe u daarna overging naar cybersecurity?

Ik begon te werken in de cybersecurity in de late jaren 90, toen ik bij Citi was, en maakte de overstap van een IT-functie. Ik kwam snel in een leiderschapspositie terecht, waarbij ik mijn ervaring in IT-operaties toepaste op de evoluerende en uitdagende wereld van cybersecurity. Door te werken in de cybersecurity had ik de kans om me te richten op innovatie, terwijl ik ook technologie en cybersecurity-oplossingen implementeerde en uitvoerde voor verschillende bedrijfsbehoeften. Tijdens mijn tijd bij Citi omvatten mijn verantwoordelijkheden innovatie, engineering, levering en operaties van wereldwijde platforms voor de bedrijven en klanten van Citi wereldwijd.

U was meer dan 25 jaar lang verbonden aan Citi en bracht een groot deel van deze tijd door als leider van teams die verantwoordelijk waren voor beveiligingsstrategieën en technische aspecten. Wat was het dat u ertoe aanzette om de startup Deep Instinct te joinen?

Ik sloot me aan bij Deep Instinct omdat ik een nieuwe uitdaging wilde aangaan en mijn ervaring op een andere manier wilde gebruiken. Gedurende 15+ jaar was ik zwaar betrokken bij cybersecurity-startups en FinTech-bedrijven, waarbij ik teams begeleidde en liet groeien om bedrijfsontwikkeling te ondersteunen, en sommige bedrijven doorbracht tot aan het IPO-stadium. Ik was bekend met Deep Instinct en zag hun unieke, innovatieve diepe leer technologie (DL) resultaten produceren die geen enkele andere leverancier kon. Ik wilde deel uitmaken van iets dat een nieuwe tijdperk van bescherming van bedrijven tegen de kwaadwillige bedreigingen zou brengen die we elke dag tegenkomen.

Kunt u bespreken waarom de toepassing van diepe leer op cybersecurity zo’n game-changer is?

Toen Deep Instinct voor het eerst werd opgericht, stelde het bedrijf een ambitieus doel om de cybersecurity-industrie te revolutioneren door een preventie-voor-het-eerst-filosofie in te voeren in plaats van een reactieve “detecteer, reageer, beperk”-aanpak. Met de toename van cyberaanvallen, zoals ransomware, zero-day-exploitatie en andere nooit eerder gezien bedreigingen, werkt het status quo-reactionaire beveiligingsmodel niet. Nu, terwijl we blijven zien dat bedreigingen in volume en snelheid toenemen vanwege Generatieve AI, en terwijl aanvallers opnieuw uitvinden, innoveren en bestaande controles ontwijken, hebben organisaties een voorspellende, preventieve capaciteit nodig om een stap voor de slechteriken te blijven.

Adversarial AI is in opkomst met slechteriken die WormGPT, FraudGPT, muterend malware en meer gebruiken. We zijn een cruciaal moment ingegaan, een moment dat vereist dat organisaties AI bestrijden met AI. Maar niet alle AI is gelijk. Het verdedigen tegen adversarial AI vereist oplossingen die worden aangedreven door een meer geavanceerde vorm van AI, namelijk diepe leer (DL). De meeste cybersecurity-hulpmiddelen gebruiken machine learning (ML)-modellen die verschillende tekortkomingen vertonen voor beveiligingsteams als het gaat om het voorkomen van bedreigingen. Bijvoorbeeld, deze aanbiedingen worden getraind op beperkte subsets van beschikbare gegevens (typisch 2-5%), bieden slechts 50-70% nauwkeurigheid met onbekende bedreigingen en introduceren veel valse positieven. ML-oplossingen vereisen ook veel menselijke interventie en worden getraind op kleine gegevenssets, waardoor ze gevoelig zijn voor menselijke vooroordelen en fouten. Ze zijn langzaam en onreactief, zelfs op het eindpunt, waardoor bedreigingen kunnen blijven bestaan totdat ze worden uitgevoerd, in plaats van ze te behandelen terwijl ze nog inactief zijn. Wat DL effectief maakt, is de mogelijkheid om zelf te leren terwijl het gegevens verwerkt en autonoom werkt om complexe bedreigingen te identificeren, detecteren en voorkomen.

Hoe kan diepe leer onbekende malware voorspellend voorkomen die nog nooit eerder is ontmoet?

Onbekende malware wordt op verschillende manieren gemaakt. Een veelvoorkomende methode is het wijzigen van de hash in het bestand, wat zo klein kan zijn als het toevoegen van een byte. Endpoint-beveiligingsoplossingen die vertrouwen op hash-blacklisting zijn kwetsbaar voor dergelijke “mutaties” omdat hun bestaande hashesignaturen niet overeenkomen met de hashes van deze nieuwe mutaties. Verpakking is een andere techniek waarbij binaire bestanden worden verpakt met een verpakkingsprogramma dat een generische laag op het oorspronkelijke bestand biedt – denk aan het als een masker. Nieuwe varianten worden ook gemaakt door het oorspronkelijke malware-binaire bestand zelf te wijzigen. Dit gebeurt op de functies die beveiligingsleveranciers kunnen ondertekenen, vanaf hardcoded strings, IP/domeinnamen van C&C-servers, registerkeys, bestandspaden, metadata of zelfs mutexes, certificaten, offsets, evenals bestandsextensies die correleren met de versleutelde bestanden door ransomware. De code of delen van de code kunnen ook worden gewijzigd of toegevoegd, waardoor traditionele detectietechnieken worden ontweken.

Een preventie-voor-het-eerst-mentaliteit is vaak de sleutel tot cybersecurity, hoe richt Deep Instinct zich op het voorkomen van cyberaanvallen?

Gegevens zijn de levensader van elke organisatie en deze moeten beschermd worden. Het enige wat nodig is, is één kwaadwillig bestand om te worden gehackt. Gedurende jaren is “aanname van een inbraak” de feitelijke beveiligingsmentaliteit geweest, waarbij wordt aangenomen dat gegevens toegankelijk zullen zijn voor bedreigingsactoren. Echter, deze mentaliteit en de tools die op deze mentaliteit zijn gebaseerd, hebben gefaald om adequate gegevensbeveiliging te bieden, en aanvallers maken volop gebruik van deze passieve aanpak. Onze recente onderzoek toonde aan dat er meer ransomware-incidenten waren in de eerste helft van 2023 dan in heel 2022. Effectief omgaan met deze veranderende bedreigingslandschap vereist niet alleen een verandering van de “aanname van een inbraak”-mentaliteit, maar ook een geheel nieuwe aanpak en arsenaal van preventieve maatregelen. De bedreiging is nieuw en onbekend, en het is snel, waardoor we deze resultaten zien in ransomware-incidenten. Net zoals signatures de veranderende bedreigingslandschap niet konden bijhouden, kan geen enkele bestaande oplossing die is gebaseerd op ML dit doen.

Kunt u bespreken welke type trainingsgegevens wordt gebruikt om uw modellen te trainen?

Net als andere AI- en ML-modellen, wordt ons model getraind op gegevens. Wat ons model uniek maakt, is dat het geen gegevens of bestanden van klanten nodig heeft om te leren en te groeien. Deze unieke privacy-aspect geeft onze klanten een extra gevoel van veiligheid wanneer ze onze oplossingen implementeren. We abonneren op meer dan 50 feeds waarvan we bestanden downloaden om ons model te trainen. Vervolgens valideren en classificeren we de gegevens zelf met algoritmes die we intern hebben ontwikkeld.

Deep Instinct draait in een containeromgeving van de klant, waarom is dit belangrijk?

Een van onze platforms, Deep Instinct Prevention for Applications (DPA), biedt de mogelijkheid om onze DL-mogelijkheden te gebruiken via een API / iCAP-interface. Deze flexibiliteit stelt organisaties in staat om onze revolutionaire mogelijkheden binnen applicaties en infrastructuur te integreren, wat betekent dat we onze bereik kunnen uitbreiden om bedreigingen te voorkomen met een verdediging-in-diepte-cyberstrategie. DPA draait in een container (die we bieden), en past bij de moderne digitaliseringsstrategieën die onze klanten implementeren, zoals het migreren naar on-premises- of cloudcontaineromgevingen voor hun applicaties en diensten. Over het algemeen passen deze klanten ook een “shift left”-aanpak met DevOps toe. Ons API-georiënteerde servicemodel complementen dit door Agile-ontwikkeling en -diensten mogelijk te maken om bedreigingen te voorkomen.

Generatieve AI biedt het potentieel om cyberaanvallen te schalen, hoe zorgt Deep Instinct voor de benodigde snelheid om deze aanvallen af te weren?

Ons DL-kader is gebouwd op neurale netwerken, dus de “hersenen” van ons kader blijven leren en trainen op ruwe gegevens. De snelheid en nauwkeurigheid waarmee ons kader werkt, is het resultaat van de hersenen die getraind zijn op honderden miljoenen samples. Naarmate deze trainingsdatasets groeien, wordt het neurale netwerk continu slimmer, waardoor het meer granulair kan begrijpen wat een kwaadwillig bestand maakt. Omdat het de bouwstenen van kwaadwillige bestanden op een meer gedetailleerd niveau kan herkennen dan enige andere oplossing, stopt DL bekende, onbekende en zero-day-bedreigingen met meer nauwkeurigheid en snelheid dan andere gevestigde cybersecurity-producten. Dit, in combinatie met het feit dat onze “hersenen” geen cloud-gebaseerde analyses of opzoeken nodig hebben, maakt het uniek. ML op zich was nooit goed genoeg, waardoor we cloud-analyses nodig hebben om ML te ondersteunen – maar dit maakt het langzaam en reactief. DL heeft deze beperking niet.

Wat zijn enkele van de grootste bedreigingen die worden versterkt met Generatieve AI die ondernemingen moeten opmerken?

Phishing-e-mails zijn veel geavanceerder geworden dankzij de evolutie van AI. Eerder waren phishing-e-mails meestal gemakkelijk te herkennen omdat ze meestal grammaticale fouten bevatten. Maar nu gebruiken bedreigingsactoren tools als ChatGPT om diepgaandere, grammaticaal correcte e-mails in verschillende talen te maken die moeilijker zijn voor spamfilters en lezers om te detecteren.

Kunt u samenvatten welke type oplossingen Deep Instinct biedt voor applicatie-, eindpunt- en opslagoplossingen?

Het Deep Instinct Predictive Prevention Platform is de eerste en enige oplossing die is gebaseerd op een unieke DL-kader dat specifiek is ontworpen om vandaag de dag de cybersecurity-uitdagingen op te lossen – namelijk, het voorkomen van bedreigingen voordat ze kunnen worden uitgevoerd en op uw omgeving terechtkunnen. Het platform heeft drie pijlers:

1. Zonder agent, in een containeromgeving, verbonden via API of ICAP: Deep Instinct Prevention for Applications is een agentloze oplossing die ransomware, zero-day-bedreigingen en andere onbekende malware voorkomt voordat ze uw applicaties bereiken, zonder de gebruikerservaring te beïnvloeden.
2. Op basis van een agent op het eindpunt: Deep Instinct Prevention for Endpoints is een zelfstandig pre-execution preventie-first-platform – niet op-execution zoals de meeste oplossingen vandaag. Of het kan een daadwerkelijke dreigingspreventielaag bieden om bestaande EDR-oplossingen te complementeren. Het voorkomt bekende en onbekende, zero-day- en ransomware-bedreigingen pre-execution, voordat enige kwaadwillige activiteit plaatsvindt, waardoor het volume van waarschuwingen aanzienlijk wordt verlaagd en valse positieven worden verminderd, zodat SOC-teams zich kunnen concentreren op hoogwaardige, legitieme bedreigingen.
3. Een preventie-voor-het-eerst-aanpak voor opslagbescherming: Deep Instinct Prevention for Storage biedt een voorspellende preventie-aanpak om ransomware, zero-day-bedreigingen en andere onbekende malware te stoppen die opslagomgevingen binnendringen – of de gegevens nu opgeslagen zijn in een on-premises- of cloudomgeving. Het bieden van een snelle, extreem effectieve oplossing op de centrale opslag voor klanten voorkomt dat de opslag een verspreidingspunt voor bedreigingen wordt.

Bedankt voor de geweldige review, lezers die meer willen leren, moeten Deep Instinct bezoeken.