Paul Reid, VP van Adversary Research bij AttackIQ – Interviewreeks

Paul Reid, VP van Adversary Research bij AttackIQ, is een ervaren veteran van de snel veranderende wereld van cybersecurity. Met meer dan twee decennia ervaring als technisch strateeg voor toonaangevende technologiebedrijven, heeft Paul klanten, partners, analisten en journalisten door de evoluerende cybersecurity-landschap geleid. Zijn expertise omvat cybersecurity, biometrie, netwerkbeveiliging en cryptografie.

Onlangs heeft hij een team van Cyber Threat Hunters geleid dat zich richt op het gebruik van gedragsanalyse om opkomende bedreigingen in klantomgevingen te detecteren. Paul is een gepubliceerde auteur in de Prentice Hall Series in Computer Networking and Distributed Systems en heeft meerdere octrooien in cybersecurity.

AttackIQ is een toonaangevend cybersecuritybedrijf dat zich specialiseert in breach- en aanvalsimulatie (BAS) en continue beveiligingsvalidatie. Het Adversarial Exposure Validation-platform van het bedrijf gebruikt MITRE ATT&CK-gebaseerde emulatie om beveiligingscontroles te testen, kwetsbaarheden te identificeren en herstel te prioriteren. Opgericht in 2013, helpt AttackIQ organisaties hun defensieve houding te verbeteren, de efficiëntie van de SOC te verhogen en het risico te verminderen.

U hebt leiderschapsrollen gehad in een reeks cybersecurity-domeinen gedurende meer dan twee decennia. Wat heeft uw interesse in adversary research gewekt, en hoe heeft die reis u uiteindelijk naar AttackIQ geleid?

Mijn reis in cybersecurity begon meer dan 25 jaar geleden, met het opzetten van Novell-netwerken en werken in de wereld van directory services — Novell, Microsoft Active Directory, LDAP. Die vroege ervaring leerde me het belang van identiteit, authenticatie en toegang, de fundamenten van elke beveiligingsstrategie.

Van daaruit ging ik over naar slimme kaartauthenticatie, waar ik de kans had om PKCS #11-bibliotheken te schrijven en mezelf onder te dompelen in openbare sleutelinfrastructuur (PKI) tijdens zijn snelle opkomst. Werken met symmetrische en asymmetrische cryptografie in die tijd gaf me een echte waardering voor hoe encryptie vertrouwen in digitale omgevingen vormt.

Later in mijn carrière ging ik over naar gegevensclassificatie, waar ik organisaties hielp om de waarde van hun gegevens te begrijpen, zodat ze konden beschermen wat het meest belangrijk is. Die ervaring leidde natuurlijk tot werk in gebruikers- en entiteitsgedragsanalyse (UEBA), waar ik hands-on ervaring kreeg met datascience en machine learning, inclusief programmeren in R.

Uiteindelijk had ik het geluk om een wereldwijd team van bedreigingsjagers te leiden waar we in real-time nationale staatvijanden volgden. Dat was een intens en openbaring gevend tijdperk. Er is geen betere manier om de tactieken, technieken en procedures (TTP’s) van vijanden te begrijpen dan om dagelijks tegen hen te opereren.

Er kwam een terugkerend frustratie naar voren: we zouden vaak zeggen: “Als ze alleen maar X hadden gedaan of Y-controle hadden ingesteld…” Er was een kloof tussen bedreigingsbewustzijn en operationele defensieve paraatheid.

Dat is wat me uiteindelijk naar AttackIQ bracht. De kans om toe te passen wat ik had geleerd — om echte wereldwijde vijanden te emuleren via breach- en aanvalsimulatie en om te valideren of verdedigingen echt effectief zijn — was te verleidelijk om te weerstaan. Hier theorieën we niet over bedreigingen; we testen, meten en verbeteren ertegen elke dag.

Ons team werkt onder een leidende principe: “Denk slecht, doe goed.” We denken als vijanden niet om te schaden, maar om onze klanten te helpen zich voor te bereiden en hen te verslaan.

Na het leiden van teams bij TITUS, Interset en Micro Focus, hoe heeft uw ervaring in bedreigingsinlichtingen en partnerenablement uw huidige aanpak voor het operationaliseren van adversary-emulatie gevormd?

Na het werken in zowel technische als go-to-market-rollen bij bedrijven als TITUS, Interset en Micro Focus, heb ik een holistische kijk ontwikkeld op hoe bedreigingsinlichtingen moeten worden omgezet in operationele resultaten, niet alleen inzichten. Partnerenablement leerde me in het bijzonder hoe ik complexe cybersecurity-problemen kan communiceren op een manier die actiegericht en zinvol is voor diverse publieken, van CISO’s tot frontline SOC-analisten.

Bij AttackIQ is adversary-emulatie niet alleen het afspelen van bedreigingsgedrag. Het gaat erom om in overeenstemming te zijn met het MITRE ATT&CK-kader, vijanden met geloofwaardigheid te emuleren en organisaties te helpen testen of hun verdedigingen in een real-world scenario zullen standhouden. Dat vereist meer dan technische strengheid; het vereist educatie, samenwerking en het inschakelen van stakeholders in de hele beveiligingsecosystem.

Mijn eerdere rollen hebben me geholpen om te begrijpen hoe ik de kloof tussen inlichtingen en uitvoering kan overbruggen — hoe ik de bedreigingslandschap operationeel kan maken op een manier die proactief, meetbaar en verdedigbaar is. Dat is de essentie van onze missie bij AttackIQ.

U leidt nu adversary research op een moment waarop aanvallers AI op grote schaal aan het adopteren zijn. Hoe heeft u de evolutie van offensieve AI-tactieken in recente jaren gezien — en hoe worstelen verdedigers om gelijke tred te houden?

Aanvallers gebruiken AI om de snelheid, precisie en schaal van hun operaties te vergroten. We zien meer gepersonaliseerde en geloofwaardige phishing-lures, AI-gegenereerde sociale engineering en een grotere schaal en efficiëntie van aanvallen. Deze capaciteiten reduceren de tijd tussen verkenning en compromittering, waardoor de verdedigers een kleinere tijd hebben om te reageren. Veel organisaties zijn nog steeds afhankelijk van reactieve processen en statische detectieregels, die niet zijn ontworpen om aanvallers die leren en evolueren te hanteren. Verdedigers moeten continue validatie en blootstellingsbeheer adopteren om die kloof te dichten, hun verdedigingen onder realistische omstandigheden testen en snel reageren op nieuwe vijandelijke gedragingen.

Wat onderscheidt adversarial AI van traditionele cyberbedreigingen, en waarom denkt u dat een verschuiving in mentaliteit — en niet alleen tools — nodig is om effectief te reageren?

Traditionele bedreigingen volgen vaak bekende patronen die verdedigers kunnen volgen en mitigeren met regelgebaseerde detectie. Adversarial AI-tactieken introduceren een nieuw niveau van variabiliteit en adaptiviteit dat deze aannamen in twijfel trekt. Het kan nieuwe aanvalsroutes genereren en verdedigingen dynamisch ontwijken. Het aanpakken van deze verschuiving vereist meer dan het inzetten van nieuwe tools. Het vereist een strategische verandering in hoe organisaties over verdediging denken. In plaats van te reageren op incidenten na het feit, moeten beveiligingsteams simuleren en voorspellen van evoluerende bedreigingen door het gebruik van bekende tactieken, technieken en procedures (TTP’s), en proactief verdedigingscontroles valideren om te testen hoe hun systemen reageren. Een bedreigingsgeïnformeerde mentaliteit, ondersteund door real-world emulatie, is essentieel om deze nieuwe risico’s te anticiperen en te counteren.

Kunt u uitleggen hoe AttackIQ bedreigingsinlichtingen vertaalt in praktische verdediging via adversary-emulatie, en hoe dat proces is veranderd met de opkomst van generatieve AI?

De traditionele uitdaging met bedreigingsinlichtingen is operationalisatie, het overbruggen van de kloof tussen inzicht en actie. Adversary-emulatie lost dat op door bedreigingsgedrag te nemen en het om te zetten in uitvoerbare tests die beoordelen of huidige verdedigingen die gedragingen kunnen weerstaan. Met generatieve AI wordt het bedreigingslandschap vloeibaarder, met meer variabele gedragingen. Emulaties moeten nu niet alleen statische technieken weerspiegelen, maar ook adaptieve en context-gevoelige gedragingen. Bij AttackIQ worden live bedreigingsinlichtingen, afgestemd op MITRE ATT&CK en modelvijandelijke gedragingen, ingevoerd in emulatieplannen om echte aanvallen te spiegelen. Deze emulaties worden ingezet in productie-achtige omgevingen om te valideren of beveiligingscontroles detecteren, voorkomen of reageren zoals verwacht.

Continue Bedreigingsblootstellingbeheer (CTEM) wordt een kernelement van cyberweerbaarheidsstrategieën. Hoe moeten organisaties CTEM benaderen als ze worden geconfronteerd met snel evoluerende AI-gepowered bedreigingen?

CTEM vertegenwoordigt een verschuiving van statische risicobeoordelingen naar dynamische, inlichtingen-gedreven beveiligingsvalidatie. Bij het omgaan met AI-gepowered bedreigingen moeten organisaties blootstelling behandelen als een bewegend doelwit. Dat betekent het identificeren en prioriteren van blootstellingen op basis van actief testen, niet alleen theoretisch risico.

Rode en blauwe teams moeten samenwerken bij het simuleren van adaptieve vijanden en continue testen van detectie- en reactiecapaciteiten. Organisaties die deze aanpak omarmen, zijn beter uitgerust om snel te adapteren, hun investeringen en beveiligingscontroles te valideren en weerbaarheid te behouden in een snel veranderend landschap.

De “Foundations of AI Security” cursus van AttackIQ behandelt risicokaders zoals MITRE ATLAS en de AI RMF. Welke aspecten van deze kaders vindt u het meest onderbenut of verkeerd begrepen in enterprise-omgevingen?

Een van de meest voorkomende misverstanden die we zien, is de neiging om kaders zoals MITRE ATLAS en de AI Risk Management Framework (AI RMF) te behandelen als geïsoleerde referentiematerialen, in plaats van als operationele tools voor het opbouwen van weerbaarheid in AI-geactiveerde systemen.

MITRE ATLAS, net als ATT&CK in zijn vroege dagen, wordt vaak gezien als een statische catalogus van aanvalsTechnieken gericht op AI/ML-systemen. In werkelijkheid is ATLAS een tactisch vijandelijke emulatiekader ontworpen om beveiligingsteams te helpen simuleren AI-specifieke bedreigingen — van gegevensvergiftiging en modelontwijking tot inferentiemanipulatie — en om hun detectie-, log- en reactiecapaciteiten te valideren. Het probleem is dat de meeste ondernemingen nog niet de zichtbaarheid of controles hebben gebouwd om aanvallen tegen de ML-pijplijn te detecteren, waardoor de proactieve gebruik van ATLAS via breach- en aanvalsimulatiestrategieën nog kritieker wordt. Het is een onderbenut instrument voor het testen van hoe AI-systemen zich gedragen onder vijandelijke druk.