GenAI verandert de cybersecurity

De cybersecurity-industrie heeft altijd een zware strijd gevoerd, en de uitdagingen van vandaag zijn steiler en wijder verspreid dan ooit tevoren.

Hoewel organisaties steeds meer digitale tools adopteren om operaties te optimaliseren en efficiëntie te verhogen, vergroten ze tegelijkertijd hun aanvalsoppervlak – de omvang van kwetsbare toegangspunten die hackers kunnen exploiteren – waardoor ze gevoeliger worden voor stijgende cyberdreigingen, zelfs als hun verdediging verbetert. Nog erger, organisaties moeten deze snel groeiende reeks dreigingen het hoofd bieden te midden van een tekort aan geschoolde cybersecurity-professionals.

Gelukkig bieden innovaties in kunstmatige intelligentie, vooral Generative AI (GenAI), oplossingen voor enkele van de meest complexe problemen van de cybersecurity-industrie. Maar we hebben nog maar het oppervlak geschampt – terwijl de rol van GenAI in cybersecurity naar verwachting exponentieel zal groeien in de komende jaren, blijven er ongebruikte kansen over waar deze technologie de vooruitgang verder kan verbeteren.

Huidige toepassingen en voordelen van GenAI in cybersecurity

Een van de meest significante gebieden waarop GenAI een impact heeft op de cybersecurity-industrie, is de mogelijkheid om geautomatiseerde inzichten te bieden die voorheen niet haalbaar waren.

De initiële stadia van gegevensverwerking, filtering en labeling worden nog vaak uitgevoerd door oudere generaties van machine learning, die uitblinken in het verwerken en analyseren van grote hoeveelheden gegevens, zoals het sorteren van grote sets van kwetsbaarheidsalerts en het identificeren van potentiële afwijkingen. GenAI’s ware voordeel ligt in wat daarna gebeurt.

Nadat gegevens zijn voorbewerkt en gespecificeerd, kan GenAI ingrijpen om geavanceerde redeneercapaciteiten te bieden die verder gaan dan wat eerdere generaties AI kunnen bereiken. GenAI-tools bieden diepere contextualisatie, nauwkeurigere voorspellingen en verfijnde inzichten die onhaalbaar zijn met oudere technologieën.

Bijvoorbeeld, nadat een grote dataset – zeg, miljoenen documenten – is verwerkt, gefilterd en gelabeld via andere middelen, biedt GenAI een extra laag van analyse, validatie en context op basis van de gecureerde gegevens, waarbij de relevantie, urgentie en potentiële beveiligingsrisico’s worden bepaald. Het kan zelfs itereren op zijn begrip, door naar andere gegevensbronnen te kijken, zijn besluitvormingscapaciteiten over tijd te verfijnen. Deze gelaagde aanpak gaat verder dan het simpelweg verwerken van gegevens en verschuift de focus naar geavanceerd redeneren en adaptieve analyse.

Uitdagingen en beperkingen

Ondanks de recente verbeteringen, blijven er veel uitdagingen bestaan bij het integreren van GenAI in bestaande cybersecurity-oplossingen.

Ten eerste worden de capaciteiten van AI vaak omarmd met onrealistische verwachtingen, waardoor het risico van over-afhankelijkheid en onder-ontwikkeling ontstaat. AI is noch magisch noch perfect. Het is geen geheim dat GenAI vaak onnauwkeurige resultaten produceert vanwege bevooroordeelde gegevensinvoer of onjuiste uitvoer, bekend als hallucinaties.

Deze systemen vereisen rigoureuze engineering om nauwkeurig en effectief te zijn en moeten worden beschouwd als één element van een breder cybersecurity-kader, in plaats van een totale vervanging. In meer informele situaties of niet-professionele gebruiken van GenAI, kunnen hallucinaties onbeduidend zijn, zelfs komisch. Maar in de wereld van cybersecurity, kunnen hallucinaties en bevooroordeelde resultaten catastrofale gevolgen hebben die kunnen leiden tot onopzettelijke blootstelling van kritieke activa, inbreuken en uitgebreide reputatie- en financiële schade.

Ongebruikte kansen: AI met agency

Uitdagingen moeten organisaties niet weerhouden van het omarmen van AI-oplossingen. Technologie evolueert nog steeds en kansen voor AI om cybersecurity te verbeteren zullen blijven groeien.

GenAI’s capaciteit om te redeneren en inzichten te trekken uit gegevens zal in de komende jaren verder verbeteren, waaronder het herkennen van trends en het suggereren van acties. Vandaag zien we al de impact van geavanceerde AI door processen te vereenvoudigen en te versnellen door proactief acties en strategische volgende stappen voor te stellen, waardoor teams minder tijd besteden aan planning en meer aan productiviteit. Naarmate GenAI’s redeneercapaciteiten verder verbeteren en beter de denkwijze van beveiligingsanalisten kunnen nabootsen, zal het dienen als een uitbreiding van menselijke expertise, waardoor complexe cybersecurity efficiënter wordt.

In een beveiligingsposture-evaluatie kan een AI-agent met echte agency handelen, autonoom contextuele beslissingen nemen terwijl het door verbonden systemen navigeert – zoals Okta, GitHub, Jenkins en AWS. In plaats van te vertrouwen op statische regels, maakt de AI-agent dynamisch zijn weg door het ecosysteem, patronen identificerend, prioriteiten aanpassend en zich concentrerend op gebieden met verhoogde beveiligingsrisico’s. Bijvoorbeeld, de agent kan een vector identificeren waarbij machtigingen in Okta ontwikkelaars brede toegang geven via GitHub tot Jenkins en uiteindelijk tot AWS. Door te erkennen dat deze route een potentieel risico vormt voor onveilige code die productie bereikt, kan de agent autonoom besluiten om verder te onderzoeken, zich concentrerend op specifieke machtigingen, workflows en beveiligingscontroles die zwakke punten kunnen zijn.

Door retrieval-augmented generation (RAG) te incorporeren, maakt de agent gebruik van zowel externe als interne gegevensbronnen – putten uit recente kwetsbaarheidsrapporten, best practices en zelfs de specifieke configuraties van de organisatie om zijn onderzoek te vormen. Wanneer RAG inzichten over veelvoorkomende beveiligingsgaten in CI/CD-pijplijnen naar boven brengt, kan de agent deze kennis in zijn analyse integreren, zijn beslissingen in real-time aanpassend om die gebieden te benadrukken waar risicofactoren samenkomen.

Bovendien kan fine-tuning de autonomie van de AI-agent verhogen door zijn besluitvorming aan te passen aan de unieke omgeving waarin het opereert. Typisch wordt fine-tuning uitgevoerd met gespecialiseerde gegevens die van toepassing zijn op een breed scala aan use cases, in plaats van gegevens uit een specifieke klantomgeving. Echter, in bepaalde gevallen, zoals single-tenant-producten, kan fine-tuning worden toegepast op gegevens van een specifieke klant, waardoor de agent specifieke beveiligingsnuances kan internaliseren, zijn keuzes nog meer geïnformeerd en verfijnd over tijd heen makend. Deze aanpak stelt de agent in staat om te leren van eerdere beveiligingsbeoordelingen, zijn begrip van hoe bepaalde vectoren, zoals die welke directe verbindingen van ontwikkelomgevingen naar productie betreffen, te prioriteren te verfijnen.

Met de combinatie van agency, RAG en fine-tuning, gaat deze agent verder dan traditionele detectie naar proactieve en adaptieve analyse, spiegelend de besluitvormingsprocessen van ervaren menselijke analisten. Dit creëert een meer verfijnd, contextueel bewust benadering van beveiliging, waarbij AI niet alleen reageert maar risico’s voorziet en dienovereenkomstig aanpast, net als een menselijke expert zou doen.

AI-gestuurde waarschuwingsprioriteit

Een ander gebied waarop AI-gebaseerde benaderingen een significante impact kunnen hebben, is het verminderen van waarschuwingsmoeheid. AI kan helpen waarschuwingsmoeheid te verminderen door waarschuwingen samen te filteren en te prioriteren op basis van de specifieke structuur en risico’s binnen een organisatie. In plaats van een algemene aanpak toe te passen op alle beveiligingsgebeurtenissen, analyseren deze AI-agents elke activiteit in zijn bredere context en communiceren met elkaar om waarschuwingen naar boven te brengen die echte beveiligingsproblemen aanduiden.

Bijvoorbeeld, in plaats van waarschuwingen te activeren voor alle wijzigingen in toegangsrecht, kan één agent een gevoelig gebied identificeren dat wordt beïnvloed door een wijziging, terwijl een andere de geschiedenis van soortgelijke wijzigingen beoordeelt om het risico te bepalen. Samen richten deze agents zich op configuraties of activiteiten die de beveiligingsrisico’s echt verhogen, waardoor beveiligingsteams kunnen vermijden om last te hebben van ruis van minder prioritaire gebeurtenissen.

Door voortdurend te leren van zowel externe dreigingsinformatie als interne patronen, past dit systeem van agents zich aan aan opkomende risico’s en trends binnen de organisatie. Met een gedeelde kennis van contextuele factoren, kunnen de agents waarschuwingen in real-time verfijnen, verschuivend van een overvloed aan meldingen naar een gestroomlijnde stroom die kritieke inzichten naar boven brengt.

Deze collaboratieve, contextgevoelige aanpak stelt beveiligingsteams in staat om zich te concentreren op hoge prioriteitskwesties, het cognitieve belasting van het beheer van waarschuwingen vermindert en de operationele efficiëntie verhoogt. Door een netwerk van agents te adopteren die communiceren en zich aanpassen op basis van verfijnde, real-time factoren, kunnen organisaties significante stappen zetten in het mitigeren van de uitdagingen van waarschuwingsmoeheid, uiteindelijk de effectiviteit van beveiligingsoperaties verhogend.

De toekomst van cybersecurity

Naarmate het digitale landschap groeit, groeit ook de complexiteit en frequentie van cyberdreigingen. De integratie van GenAI in cybersecurity-strategieën is al transformatief in het tegengaan van deze nieuwe dreigingen.

Maar deze tools zijn geen oplossing voor alle uitdagingen van de cyberindustrie. Organisaties moeten zich bewust zijn van de beperkingen van GenAI en daarom een aanpak kiezen waarbij AI menselijke expertise aanvult in plaats van vervangt. Diegenen die AI-beveiligingstools adopteren met een open geest en een strategisch oog, zullen helpen de toekomst van de industrie te vormen tot iets effectievers en veiligers dan ooit tevoren.