Pascal Geenens, VP Cyber Threat Intelligence, Radware – Interviewreeks

Pascal Geenens, VP Cyber Threat Intelligence, Radware, is een cybersecurity onderzoeker en technologie leider met meer dan twee decennia ervaring in informatie technologie, netwerkbeveiliging en threat intelligence. Bij Radware helpt hij het bedrijf bij het onderzoek en de thought leadership over de evoluerende cyberdreigingslandschap, met een speciale focus op distributed denial-of-service aanvallen, Internet of Things malware, geautomatiseerde dreigingen en het groeiende gebruik van kunstmatige intelligentie door zowel aanvallers als verdedigers. Geenens ontwikkelt en onderhoudt IoT honeypots als onderdeel van Radware’s security research team en heeft uitgebreid onderzoek gedaan naar dreigingen zoals BrickerBot en Hajime. Voordat hij bij Radware kwam, werkte hij als consulting engineer bij Juniper Networks , waar hij grote cloud- en communicatiedienstverleners in Europa, het Midden-Oosten en Afrika adviseerde over software-defined networking, netwerkfuncties virtualisatie en datacenter automatiseringsstrategieën.

Radware is een beursgenoteerd cybersecurity- en applicatiebeveiligingsbedrijf dat bedrijven helpt bij het beveiligen van netwerken, websites, applicaties en API’s in fysieke, cloud-, hybride en software-gedefinieerde omgevingen. Het portfolio omvat AI-gebaseerde distributed denial-of-service bescherming, webapplicatie firewalls, botbeheer, API-beveiliging, applicatiebeveiligingscontrollers en beheerde noodhulpdiensten. Door het combineren van gedragsanalyse, machine learning, cloud-schaal threat intelligence en geautomatiseerde mitigatie is Radware’s technologie ontworpen om kwaadwillige activiteit in real-time te identificeren terwijl toegang voor legitieme gebruikers en de beschikbaarheid en prestaties van kritieke digitale diensten worden behouden.

U heeft bijna drie decennia in cybersecurity doorgebracht, van IBM AIX kernel ondersteuning en infrastructuur engineering tot het ontdekken van botnets zoals BrickerBot, JenX en Demonbot, en nu leidt u Threat Intelligence bij Radware. Kijkend terug, wat zijn de grootste verschuivingen die u heeft gezien in hoe aanvallers innovatieve aanvallen uitvoeren, en hoe heeft AI uw verwachtingen veranderd voor wat de volgende generatie cyberdreigingen zal zijn?

Het dreigingslandschap is fundamenteel veranderd van solitaire hackers die hoogtechnologische enthousiastelingen waren naar cybercriminelen die hoog georganiseerd en gesofisticeerd zijn. In het verleden was een hacker meestal gemotiveerd door de technische uitdaging zelf. Tegenwoordig heeft de combinatie van digitale versnelling en generatieve AI de hele operatie gecommercialiseerd, waardoor een volwassen Crime-as-a-Service (CaaS) economie is ontstaan. Kwaadwillige actoren hebben in wezen het corporate Software-as-a-Service (SaaS) model gemodelleerd, waarbij geavanceerde tools aan iedereen worden verkocht. Dit stelt complete beginners in staat om geavanceerde aanvallen op grote schaal uit te voeren. Naarmate onze digitale voetafdruk elk jaar groeit, groeit het beschikbare aanvalsoppervlak en de kansen voor financiële exploitatie mee.

AI drijft het volgende hoofdstuk van deze evolutie op twee verschillende manieren.

Ten eerste democratiseert het cybercrime. Het geeft amateur-aanvallers een onmiddellijke capaciteitsboost en helpt grote syndicaten hun operaties te stroomlijnen, hun gebruikersinterfaces te polijsten en hun kwaadwillige diensten veel efficiënter te marketen.

Ten tweede, en kritischer, zorgt de opkomst van agentic AI in combinatie met de nieuwste frontier-modellen voor de automatisering van de kwetsbaarheidslevenscyclus. We bewegen ons in de richting van een operationele realiteit waarin machines autonomously netwerken kunnen scannen, kwetsbaarheden kunnen ontdekken en exploits kunnen wapenen, bijna geheel op zichzelf, 24/7 en met een snelheid die vele malen groter is dan die van elke menselijke verdediger.

AI verlaagt de technische drempel voor aanvallers aanzienlijk. Welke offensieve AI-mogelijkheden maken u het meest bezorgd over de komende drie tot vijf jaar, en welke ontvangen volgens u op dit moment meer aandacht dan ze verdienen?

Het gebied dat op dit moment de meeste aandacht vereist, is AI-gebaseerde kwetsbaarheidsontdekking en exploitatie. Zodra een zwakke plek wordt onthuld, begint een race. Aanvallers gebruiken AI om onmiddellijk de zwakke plek te analyseren, te bepalen waar deze van toepassing is en exploitatievariaties te genereren en te testen. Dit comprimeert de exploitatie-tijdlijn die al te snel was voor de meeste enterprise-patchbeheerprocessen.

Tegelijkertijd zien we een grote verschuiving naar lokale, continue AI-systemen. Met name de opkomst van “lokale agenten met een hartslag.” Een voorbeeld is OpenClaw en Microsoft’s (MSFT ) recente aankondiging dat ze OpenClaw in elke medewerkers taakbalk zullen integreren. In tegenstelling tot standaard cloud-gebaseerde assistenten, draaien deze lokale agenten constant op de achtergrond, rechtstreeks op de machine van de medewerker. Ze werken via continue lussen en imiteren menselijke acties, zoals typen en navigeren via browserautomatisering. Dit maakt het vrijwel onmogelijk voor standaard eindpuntbeveiligingssystemen om onderscheid te maken tussen de medewerker en de AI-agent. Omdat gebruikers onvermijdelijk brede systeemtoegang moeten geven aan deze agenten om hun werk te doen, kan de agent API-connectors omzeilen door lokaal browsers te gebruiken om links en knoppen te klikken. Als deze autonome lokale agenten worden geraakt door een directe of indirecte prompt-injectieaanval, kan een dreigingsactor de agent manipuleren om bedrijfsgegevens te extraheren, te wijzigen of te vernietigen met nul traditioneel spoor.

De overbelichte risico’s zijn de mogelijkheid voor volledig autonome, zero-day-exploiterende AI-swarms die complexe ondernemingen op grote schaal van scratch kunnen hacken. Dat kan in de toekomst gebeuren, maar het is niet vandaag het probleem. Vandaag is het probleem menselijke expert-aanvallers met veel verbeterde tools en automatisering en een toename van minder ervaren aanvallers die meer kunnen doen dan ze eerder konden.

Het tijdsvenster tussen kwetsbaarheidsbekendmaking en actieve exploitatie wordt steeds kleiner. Hoeveel heeft AI dit tijdsvenster versneld, en welke veranderingen moeten enterprise-beveiligingsteams doorvoeren om voor te blijven?

Het is een tweeledige race: aan de ene kant heb je de race om kwetsbaarheden te ontdekken, te repareren en bekend te maken voordat de slechteriken dat doen, en aan de andere kant de race om kwetsbare software-implementaties te patchen voordat de slechteriken een exploit loslaten. AI staat centraal in beide races.

Verdedigers moeten een toenemend aantal kwetsbaarheden aanpakken en hebben steeds minder tijd om te reageren. Zodra een kwetsbaarheid openbaar wordt, bewegen aanvallers snel door de basis. Wat is het effect? Is het bereikbaar vanaf het internet? Kan de exploit worden gereproduceerd en aangepast om te werken in meer omgevingen? AI helpt bij al deze stappen, door de zwakke plek samen te vatten, proof-of-concept-code te bekijken, suggesties te doen en het scannen, exploiteren en verwerken van de resultaten te automatiseren.

Patchen kan niet langer de enige klok zijn die beveiligingsteams in de gaten houden. Het is noodzakelijk, maar het is meestal langzamer dan de tijdslijn van de aanvaller, vooral voor productieklare, internetgerichte applicaties en API’s. Teams moeten weten wat er blootgesteld is, wat in de praktijk exploiteerbaar is en welke bedrijfsdiensten en -bronnen worden beïnvloed wanneer ze worden geraakt.

Om dit kritieke blootstellingsvenster te sluiten, moeten verdedigers overschakelen van een reactieve, patch-gebaseerde mentaliteit naar een geautomatiseerde, beschermings-gebaseerde model door omgevingspecifieke real-time verdedigingen te implementeren. In plaats van te vertrouwen op generieke, one-size-fits-all handtekeningen of operatieteams te dwingen ongevalideerde software-updates in productie te brengen, zouden organisaties moeten beginnen met het vertrouwen op continue, geautomatiseerde ontdekking van API-eindpunten en online applicatiebusinesslogica, naast een geautomatiseerde software-bill of materials (SBOM), in combinatie met threat intelligence over de nieuwste kwetsbaarheden en dreigingen om dynamisch aangepaste virtuele patches te genereren. Het implementeren van deze context-gebaseerde beschermingen op webapplicaties en API-eindpunten blokkeert exploitatiepogingen op het runtime-laag voordat ze kwetsbare applicatielogica kunnen bereiken. Deze geautomatiseerde interceptie biedt beveiligingsteams een herstelvenster, waardoor ze software-updates grondig kunnen testen en veilig kunnen implementeren zonder het bedrijf aan onmiddellijk risico of downtime bloot te stellen.

Organisaties implementeren AI-gebaseerde applicaties en AI-agents die zwaar vertrouwen op API’s. Onderschatten ondernemingen de beveiligingsrisico’s die dit creëert, en wat zijn de grootste fouten die u op dit moment ziet?

Ja, veel ondernemingen onderschatten de risico’s nog steeds omdat ze AI-agents nog steeds behandelen als applicaties om te beveiligen en AI-beveiliging als een kwestie van gegevensbescherming in plaats van een operationele dreiging. Het probleem dat we op dit moment het meest zien, is een fundamenteel misverstand van agent-agentschap. Voor een lokale AI-agent om echt effectief te zijn en een medewerker tijd te besparen, moet de gebruiker alle toegangsrechten van de agent overdragen. Dit betekent dat de agent effectief de identiteit en vertrouwde toegang van de medewerker overneemt tot corporate-applicaties, browsersessies en lokale bestanden. Omdat gebruikers onvermijdelijk brede systeemtoegang moeten geven aan deze agenten om hun werk te doen, kan de agent API-connectors omzeilen door lokaal browsers te gebruiken om links en knoppen te klikken. Als deze autonome lokale agenten worden geraakt door een directe of indirecte prompt-injectieaanval, kan een dreigingsactor de agent manipuleren om bedrijfsgegevens te extraheren, te wijzigen of te vernietigen met nul traditioneel spoor.

U heeft jarenlang onderzoek gedaan naar IoT-malware en botnets. Hoe ziet u AI de volgende generatie botnets transformeren? Kunnen we uiteindelijk autonome botnets zien die hun tactieken zonder directe menselijke interventie kunnen aanpassen?

Botnet-herders hebben nooit stilgezeten. Operatoren roteren payloads, implementeren nieuwe kwetsbaarheden, scannen continu naar verouderde apparaten en schakelen hun commando-infrastructuur over wanneer verdedigers bijhouden. AI-agents kunnen deze cycli ernstig versnellen, of het nu gaat om kwetsbaarheidstriage, exploitgeneratie of infrastructuurbeheer.

Autonome botnets zijn geen fictie. Brickerbot was een van de eerste autonome bots. Het zou stilzitten en wachten tot Mirai geïnfecteerde IoT-apparaten probeerden de host-apparaat te compromitteren en zou dan terugslaan door de aanvallende apparaten te counter-attacken met behulp van apparaatfingerprinting en het selecteren van de meest geschikte kwetsbaarheden om een voet tussen de deur te krijgen. Uiteindelijk vernietigde Brickerbot het geïnfecteerde apparaat. De bot fungeerde als een regelgebaseerd expertsysteem, vergelijkbaar met vroege AI-systemen. Een andere relevante botnet die indruk maakte op de beveiligingsgemeenschap meer dan een decennium geleden, was Hajime. Het was een van de eerste peer-to-peer botnets. Door Torrent’s gedistribueerde hash-tabellen te gebruiken, kon Hajime decentraal worden gecontroleerd en bijgewerkt, zonder een centraal commando- en controle-infrastructuur, en was het bijna onmogelijk om uit te schakelen.

Er zijn verschillende discussies in de beveiligingsgemeenschap over de mogelijkheid van een Agentic Botnet gebouwd op lokale AI-agentframeworks zoals OpenClaw. Deze zijn niet de traditionele code-gebaseerde malwarebotnets, maar botnets die volledig worden aangedreven door contextmanipulatie. Wanneer lokale agenten externe gegevens verwerken, hoeven aanvallers geen traditionele software-exploit meer te vinden om deze machines te kapen; ze hoeven alleen de onderliggende LLM te misleiden. Hierdoor krijgen aanvallers toegang tot krachtige terminal-uitvoering, browserautomatisering en mogelijk een reeks andere “vaardigheden”.

De gemeenschap spreekt in het bijzonder over een aantal sleutelonderdelen die een wijdverspreide “OpenClaw-botnet” mogelijk maken:

• OpenClaw neemt continu externe gegevens op (zoals het monitoren van GitHub-problemen, het lezen van inkomende Slack/Telegram-berichten of het samenvatten van webpagina’s). Aanvallers kunnen kwaadwillige instructies in openbare gegevens insluiten. Als een gebruikerslokale agent deze gegevens verwerkt, kan de geïnjecteerde prompt het systeeminstructies overschrijven en de agent opdragen om verbinding te maken met een door de aanvaller gecontroleerde commando- en controle-server.
• Beveiligingsonderzoekers hebben opgemerkt dat OpenClaw-agents de mogelijkheid hebben om peer-to-peer of agent-tot-agent versleutelde communicatiekanalen te gebruiken (zoals community-gebouwde vaardigheden zoals ClaudeConnect). Cybercriminelen realiseren zich dat ze deze communicatiekanalen kunnen exploiteren om gekaapte agenten te laten communiceren met elkaar, volledig buiten traditionele netwerkfirewalls en eindpuntbewaking om.
• Beveiligingsscans hebben aangetoond dat tienduizenden onervaren gebruikers OpenClaw-exemplaren op cloud-servers opstarten en per ongeluk de HTTP-beheerinterfaces rechtstreeks aan het internet blootstellen. Deze enorme hoeveelheid blootgestelde, hoogbevoorrechte omgevingen biedt dreigingsactoren een enorme, bestaande voetafdruk om te richten.
• OpenClaw is afhankelijk van “vaardigheden” die worden gedownload van openbare repositories zoals ClawHub. Aanvallers uploaden ogenschijnlijk onschadelijke vaardigheden (zoals “What Would Elon Do”) die verborgen instructies bevatten. Zodra de agent is geïnstalleerd, wordt de agent stilzwijgend opgedragen om achtergrondshell-opdrachten uit te voeren of malware te installeren, waardoor de hostmachine effectief wordt gerekruteerd voor een botnet zonder dat de gebruiker ooit een verdachte bestandswaarschuwing ziet.

Uiteindelijk is de consensus in de gemeenschap dat OpenClaw een primaire doelwit is voor ‘s werelds eerste echte Agentic Botnet. In plaats van een botnet dat bestaat uit gecompromitteerde routers of IoT-apparaten die DDoS-scripts draaien, zou een OpenClaw-botnet bestaan uit hoogcapaciteits-, volledig geauthenticeerde machines die dreigingsactoren kunnen opdragen om referenties te stelen, gegevens te wijzigen of massale toeleveringsketenaanvallen uit te voeren op machinesnelheid.

Hacktivist-campagnes en grootschalige DDoS-aanvallen zijn steeds vaker voorkomend. Worden deze groepen geavanceerder, of maken AI en gemakkelijk beschikbare aanvalstools geavanceerde aanvallen toegankelijker voor een veel bredere doelgroep?

Beide. Sommige hacktivist-groepen zijn echt geavanceerder geworden. Sommige groepen, zoals de iconische NoName057(16), voeren al sinds februari 2022 dagelijks DDoS-aanvallen uit. Ze hadden de tijd om hun tooling te verbeteren, een loyale aanhang op te bouwen en te leren hoe ze doelen moeten kiezen die aandacht trekken, hun aanvallen rond politieke evenementen timen en publieke claims gebruiken om druk op te bouwen. Voor hacktivisten is de boodschap belangrijker dan de verstoring zelf.

Tegelijkertijd zijn tools gemakkelijker te krijgen dan ze ooit waren. DDoS-huurdiosten, botnets, proxy-netwerken, gelekte scripts en tutorials stelden iedereen met beperkte vaardigheden in staat om deel te nemen aan een campagne en zich onderdeel te voelen van iets groters. AI voegt coderingsondersteuning, doelonderzoek, vertaling, campagnemessaging en basisautomatisering toe aan deze mogelijkheden.

De doelen voelen de impact van beide kanten. Of de aanval afkomstig is van een vaardige groep die door ideologie wordt gedreven of van een eenzame wolf die DDoS-aanvalsinfrastructuur huurt van een concurrent, een uitgevallen website heeft gevolgen voor klanten. Een onbeschikbare openbare dienst wordt opgemerkt door burgers. Voldoende lawaai, en executives en communicatieteams moeten reageren, ongeacht wie achter de knoppen zit.

Terwijl ondernemingen generatieve AI in hun operaties integreren, welke nieuwe aanvalsoppervlakken ontstaan die beveiligingsleiders mogelijk nog niet volledig waarderen?

Het antwoord wordt bepaald door wat de AI-agent kan bereiken. Zodra het toegang heeft tot interne documenten, code, CI/CD-pijplijn, API-sleutels of DevOps-hulpmiddelen, breidt het aanvalsoppervlak snel uit. Om nuttig te zijn, moet een agent agentschap hebben, anders is het niets meer dan een glorified chatbot. De vraag wordt dan wat de agent mag doen. Welke vertrouwelijke informatie kan het lezen? Kan het een ticket of de bankrekening van een klant in de CRM wijzigen? Kan het code uitvoeren? Kan het een externe service aanroepen? Kan het gegevens via toolaanroepen blootstellen?

Indirecte prompt-injectie wordt serieuzer in een dergelijke omgeving. Als een agent onbetrouwbare inhoud verwerkt en vervolgens handelt, kan de prompt een pad naar de workflow worden. Dat is anders dan een chatbot die een vraag beantwoordt.

AI wordt nu gebruikt door zowel aanvallers als verdedigers. Gelooft u dat defensieve AI uiteindelijk de pas zal houden met offensieve AI, of zullen ondernemingen in de komende jaren een steeds asymmetrischere strijd tegemoet zien?

AI creëert een onevenwichtigheid die de aanvaller bevoordeelt. Dit is niet omdat defensieve AI-modellen inferieur zijn. In feite is het gebruik van AI in de verdediging zeer effectief bij het filteren van dagelijkse ruis en het versnellen van incidentrespons. Het probleem is echter een structurele kloof in operationele snelheid en beperkingen.

Historisch gezien hadden beveiligingsteams een kleine tijdswinst om een patch te implementeren voordat dreigingsactoren deze konden exploiteren. Tegenwoordig heeft agentic AI dit venster tot bijna nul gecomprimeerd. Geautomatiseerde tools kunnen een zwakke plek vinden en onmiddellijk een gerichte exploit genereren. Een traditioneel, door mensen geleid patchbeheerproces kan eenvoudigweg niet concurreren met een geautomatiseerde pijplijn die continue aanvalslussen uitvoert.

Bovendien opereren beide partijen onder volledig verschillende regels. Aanvallers hebben geen beperkingen met betrekking tot compliance, ethiek of operationele downtime. Ze kunnen aangepaste AI-agents implementeren om onbeperkte, grootschalige campagnes te lanceren. Verdedigers moeten daarentegen deterministisch opereren. Een defensieve AI kan niet zomaar een kernproductiedatabase isoleren of de referenties van een executive intrekken op basis van een hoogwaarschijnlijkheidsanomalie. Verdedigers hebben verificatie nodig om bedrijfscontinuïteit te beschermen, en de latentie die door deze noodzakelijke beveiligingsmaatregelen wordt geïntroduceerd, is precies wat geautomatiseerde aanvallen exploiteren.

Uiteindelijk zal beveiligingsleiderschap niet worden gedefinieerd door wie de “slimme” AI bezit, maar door wie deze architecturale snelheidskloof oplost. Ondernemingen die AI behandelen als alleen maar een standaardbeveiligingsinstrument, zullen worden overweldigd door de snelheid van moderne dreigingen. Succes vereist het opnieuw ontwerpen van de infrastructuur om defensieve AI in staat te stellen om dreigingen autonomously te isoleren en te bevatten.

Veel beveiligingsteams vertrouwen nog steeds op traditionele beveiligingsmetrieken en detectiemethoden. Terwijl aanvallen sneller en geautomatiseerder worden, welke indicatoren of gedragingen zouden ondernemingen in plaats daarvan moeten prioriteren?

De meeste beveiligingsmetrieken focussen nog steeds zwaar op activiteit: geactiveerde waarschuwingen, geblokkeerde aanvallen of gevonden kwetsbaarheden. Hoewel deze cijfers nuttig zijn voor het meten van incidentrespons, bieden ze geen inzicht in de werkelijke blootstelling van de organisatie. Ze vertellen verdedigers wat ze hebben gevangen, maar ze laten niet zien welke blinde vlekken open blijven totdat een aanvaller ze exploiteert.

In een tijdperk van geautomatiseerde dreigingen is het vertrouwen op reactieve metrieken niet langer haalbaar. Zodra een onderneming wordt gericht, vereist de snelheid van de aanval proactief beheer. Real-time aanvalsoppervlaktebeheer is nu imperatief. Verdedigers moeten continue zicht hebben op specifieke operationele risico’s: welke kritieke applicaties en API’s zijn blootgesteld aan het internet? Welke kwetsbaarheden bestaan er binnenin?

Echte veerkracht komt voort uit het verbinden van deze aanvalsoppervlakcontext met gedragsdetectie en threat intelligence. Door precies te begrijpen wat er blootgesteld is en hoe het zich gedraagt, kunnen beveiligingsteams onbekende aanvallen anticiperen en blokkeren.

Uiteindelijk blijft operationele snelheid een kritische indicator van succes, maar verdedigers moeten de juiste tijdsvenster meten: hoe snel kunnen we identificeren dat een nieuwe kwetsbaarheid een blootgestelde systeem beïnvloedt, en hoe snel kunnen we een compenserende controle implementeren om het te beschermen? Die specifieke snelheid is de ware maatstaf van of een beveiligingsprogramma in staat is om grootschalige, hoge-snelheidsaanvallen te weerstaan.

Als we vooruitkijken naar de komende vijf jaar, wat zal de bepalende beveiligingsuitdaging zijn in het AI-tijdperk, en wat moeten CISO’s en beveiligingsteams vandaag beginnen te doen om zich voor te bereiden?

Als we vooruitkijken naar de komende vijf jaar, zal de bepalende beveiligingsuitdaging in het AI-tijdperk het besturen en beveiligen van autonome, niet-menselijke relaties zijn. Naarmate ondernemingen overstappen van standalone chatbots naar geïnterconnecteerde, multi-agent systemen die het agentschap hebben om financiële transacties uit te voeren, broncode te wijzigen en cloud-infrastructuur te wijzigen, zullen traditionele beveiligingsgrenzen afbreken. Over vijf jaar zal een onderneming niet alleen menselijke werknemers en statische software beheren, maar ook duizenden autonome AI-agents die met elkaar, bedrijfsgegevens en externe derde partijen systemen communiceren.

Zichtbaarheid in agentic systemen over de hele organisatie is imperatief. Voordat agents prolifereren, moeten CISO’s een centraal register instellen dat duidelijke eigenaarschap definieert voor elke geïmplementeerde agent, de datamodellen en repositories die de agent is geautoriseerd om te lezen en de tools, API’s en systeemopdrachten die het is toegestaan om aan te roepen. CISO’s moeten ook vereisen dat elke implementatie van agentic technologie gebruik maakt van gestandaardiseerde, verifieerbare connectiviteitsprotocollen om ervoor te zorgen dat alle toolintegraties strikt worden gelogd.

Over vijf jaar zal het beveiligen van API’s en online applicaties niet langer gaan over configuratiebeheer, bekende handtekeningen blokkeren en kwetsbaarheden patchen; het zal een geautomatiseerde oorlog van logica tegen logica zijn. Terwijl dreigingsactoren volledig geautomatiseerde, context-gebaseerde agentic pipelines implementeren die de bedrijfslogica van een applicatie binnen seconden na ontdekking kunnen reverse-engineeren, zullen traditionele webapplicatie-firewalls (WAF’s) verouderd raken. Het verdedigen van dit landschap zal een verschuiving naar autonome, context-gedreven architectuur vereisen.

Aanvallers zullen frontier-modellen gebruiken om de ontdekking en exploitatie van API-logicafouten (zoals Broken Object Level Authorization, of BOLA) volledig te automatiseren. In plaats van bekende softwarebugs te zoeken, zullen geautomatiseerde aanvalsrobots de volledige API-schematische kaart van een applicatie in kaart brengen, begrijpen hoe gegevens stromen en dynamisch aangepaste, hooguitgebreide payload-sequenties genereren om bedrijfslogica te manipuleren. Omdat deze aanvallen valide syntax en legitieme API-aanroepen gebruiken, zullen standaard drempelgebaseerde ratelimiting en handtekeningdetectie volledig blind zijn voor hen.

Om geautomatiseerde ontdekking te counteren, moeten verdedigers real-time, continue zichtbaarheid hebben in hun eigen blootgestelde architectuur. Beveiligingsteams kunnen niet vertrouwen op statische documentatie of verouderde API-catalogi. Defensieve AI moet elke enkele actieve API-eindpunt, microservice-relatie en online applicatie-workflow in hybride cloud-omgevingen continu scannen en in kaart brengen. Deze geautomatiseerde zichtbaarheid moet worden gecombineerd met een dynamische Software Bill of Materials (SBOM) om onmiddellijk een nieuwe wereldwijde kwetsbaarheidsbekendmaking te verbinden met de specifieke interne code-regels die zijn blootgesteld aan het internet.

Omdat geautomatiseerde aanvallen in legitieme gebruikersverkeer zullen opgaan, moet verdediging volledig verschuiven naar contextuele gedragsanalyse. Defensieve AI moet het standaardgedrag van elke API-client, token en gebruikersidentiteit profileren. Het moet de intentie en sequentie van API-aanroepen bewaken in plaats van alleen de invoer. Als een aanvalsautomatiseringsscript legitieme API-aanroepen in een afwijkende sequentie begint te combineren om gegevens te schrapen of een logicafout te testen, moet het systeem de structuuranomalie in intentie herkennen en onmiddellijk ingrijpen.

De ware maatstaf van veerkracht zal zijn hoe snel een onderneming het venster tussen kwetsbaarheidsexpositie en herstel kan comprimeren. Wachten tot dev-teams code schrijven, testen en naar productie brengen, zal een fatale strategie zijn. Ware bescherming zal afhankelijk zijn van geautomatiseerde, context-gebaseerde virtuele patching op het runtime-laag. Door real-time threat intelligence en API-ontdekkingsgegevens rechtstreeks in defensieve AI-motoren op de rand te voeden, zal de infrastructuur automatisch aangepaste virtuele patches genereren en implementeren om exploitatiepogingen te onderscheppen en te blokkeren voordat ze ooit kwetsbare applicatielogica kunnen bereiken.

Bedankt voor het geweldige interview, lezers die meer willen leren, moeten Radware bezoeken.