Saryu Nayyar, CEO en oprichter van Gurucul – Interviewreeks

Saryu Nayyar is een internationaal erkende cybersecurity-expert, auteur, spreker en lid van de Forbes Technology Council. Ze heeft meer dan 15 jaar ervaring in de informatiebeveiliging, identiteits- en toegangsbeheer, IT-risico’s en compliance, en beveiligingsrisicobeheer.

Ze werd in 2017 genomineerd als EY Entrepreneurial Winning Women. Ze heeft leidinggevende functies gehad in de strategie voor beveiligingsproducten en -diensten bij Oracle (ORCL ), Simeio, Sun Microsystems, Vaau (overgenomen door Sun) en Disney. Saryu heeft ook meerdere jaren in seniorposities gewerkt bij de technische beveiligings- en risicobeheerpraktijk van Ernst & Young.

Gurucul is een cybersecurity-bedrijf dat zich specialiseert in gedragsgerichte beveiliging en risicoanalyse. Het platform maakt gebruik van machine learning, AI en big data om insiderbedreigingen, accountcompromissen en geavanceerde aanvallen te detecteren in hybride omgevingen. Gurucul is bekend om zijn Unified Security and Risk Analytics Platform, dat SIEM, UEBA (User and Entity Behavior Analytics), XDR en identiteitsanalyse integreert om real-time dreigingsdetectie en -respons te bieden. Het bedrijf serveert ondernemingen, overheden en MSSP’s, met als doel het aantal valse positieven te verminderen en de dreigingsremediëring te versnellen door middel van intelligente automatisering.

Wat inspireerde u om Gurucul in 2010 op te richten, en welk probleem probeerde u op te lossen in het cybersecurity-landschap?

Gurucul is opgericht om Security Operations- en Insider Risk Management-teams inzicht te geven in de meest kritieke cyberdreigingen die hun bedrijf treffen. Sinds 2010 hebben we een gedrags- en predictieve analytische aanpak gekozen, in plaats van een regelgebaseerde aanpak, waardoor we meer dan 4.000 machine learning-modellen hebben gegenereerd die gebruikers- en entiteitsanomalieën in context plaatsen in een verscheidenheid aan aanvals- en risicoscenario’s. We hebben hierop voortgebouwd als onze basis, van het helpen van grote Fortune 50-bedrijven om Insider Risk-uitdagingen op te lossen, tot het helpen van bedrijven om radicale inzichten te krijgen in alle cyberdreigingen. Dit is de belofte van REVEAL, ons unified en AI-gedreven Data en Security Analytics-platform. Nu bouwen we verder op onze AI-missie met een visie om een Self-Driving Security Analytics-platform te leveren, met Machine Learning als onze basis, maar nu met Generative en Agentic AI-mogelijkheden over de hele dreigingslevenscyclus. Het doel is dat analisten en ingenieurs minder tijd besteden aan complexiteit en meer tijd aan zinvol werk. Machines zullen de definitie van hun dagelijkse activiteiten versterken.

Welke belangrijke lessen hebt u meegebracht uit uw ervaringen bij Oracle, Sun Microsystems en Ernst & Young, en hoe hebt u die toegepast bij de oprichting van Gurucul?

Mijn leiderschapservaring bij Oracle, Sun Microsystems en Ernst & Young heeft mijn vermogen versterkt om complexe beveiligingsuitdagingen op te lossen en heeft me een begrip gegeven van de uitdagingen waarmee Fortune 100-CEO’s en CISO’s worden geconfronteerd. Collectief heeft dit me in staat gesteld om een front-row stoel te krijgen bij de technologische en zakelijke uitdagingen die de meeste beveiligingsleiders tegenkomen, en heeft me geïnspireerd om oplossingen te bouwen om die kloven te overbruggen.

Hoe onderscheidt het REVEAL-platform van Gurucul zich van traditionele SIEM-oplossingen?

Legacy SIEM-oplossingen zijn afhankelijk van statische, regelgebaseerde benaderingen die leiden tot een overmatig aantal valse positieven, verhoogde kosten en vertraagde detectie en respons. Ons REVEAL-platform is volledig cloud-natief en AI-gedreven, met geavanceerde machine learning, gedragsanalyse en dynamische risicobeoordeling om dreigingen in real-time te detecteren en te reageren. In tegenstelling tot traditionele platforms past REVEAL zich continu aan aan evoluerende dreigingen en integreert deze over on-premises, cloud- en hybride omgevingen voor een alomvattende beveiligingsdekking. Erkend als de ‘Meest Visionaire’ SIEM-oplossing in Gartner’s Magic Quadrant voor drie opeenvolgende jaren, redefineert REVEAL AI-gedreven SIEM met ongeëvenaarde precisie, snelheid en zichtbaarheid. Bovendien worstelen SIEM’s met een data-overload-probleem. Ze zijn te duur om alles te verwerken wat nodig is voor complete zichtbaarheid, en zelfs als ze dat doen, voegt het alleen maar toe aan het probleem van valse positieven. Gurucul begrijpt dit probleem en daarom hebben we een native en AI-gedreven Data Pipeline Management-oplossing die niet-kritieke data filtert naar lagekostenopslag, waardoor we geld besparen, terwijl we toch de mogelijkheid behouden om gefedereerde zoekopdrachten uit te voeren over alle data. Analyse-systemen zijn een “garbage in, garbage out”-situatie. Als de data die binnenkomt opgeblazen, onnodig of onvolledig is, zal de output niet accuraat, actiegericht of uiteindelijk vertrouwd zijn.

Kunt u uitleggen hoe machine learning en gedragsanalyse worden gebruikt om dreigingen in real-time te detecteren?

Ons platform maakt gebruik van meer dan 4.000 machine learning-modellen om continu alle relevante datasets te analyseren en anomalieën en verdachte gedragingen in real-time te identificeren. In tegenstelling tot legacy-beveiligingssystemen die afhankelijk zijn van statische regels, onthult REVEAL dreigingen zodra ze ontstaan. Het platform maakt ook gebruik van User en Entity Behavior Analytics (UEBA) om baselines van normaal gebruikers- en entiteitsgedrag te creëren, waardoor afwijkingen kunnen worden gedetecteerd die kunnen aangeven dat er sprake is van insiderdreigingen, gecompromitteerde accounts of kwaadaardige activiteit. Dit gedrag wordt verder gecontextualiseerd door een big data-engine die beveiligings-, netwerk-, IT-, IoT-, cloud-, identiteits- en bedrijfsapplicatiedata en zowel interne als externe dreigingsinformatie correleert, verrijkt en koppelt. Dit informeert een dynamische risicobeoordelingsengine die real-time risicoscores toewijst om prioriteit te geven aan reacties op kritieke dreigingen. Samen bieden deze mogelijkheden een alomvattende, AI-gedreven aanpak voor real-time dreigingsdetectie en -respons die REVEAL onderscheidt van conventionele beveiligingsoplossingen.

Hoe helpt de AI-gedreven aanpak van Gurucul de hoeveelheid valse positieven te verminderen in vergelijking met conventionele cybersecurity-systemen?

Het REVEAL-platform vermindert valse positieven door AI-gedreven contextuele analyse, gedragsinzichten en machine learning te gebruiken om legitieme gebruikersactiviteit te onderscheiden van echte dreigingen. In tegenstelling tot conventionele oplossingen, verfijnt REVEAL zijn detectiemogelijkheden in de loop van de tijd, waardoor de nauwkeurigheid toeneemt en het lawaai afneemt. De UEBA detecteert afwijkingen van de baseline-activiteit met hoge nauwkeurigheid, waardoor beveiligingsteams zich kunnen concentreren op legitieme beveiligingsrisico’s in plaats van te worden overweldigd door valse alarmen. Terwijl Machine Learning een fundamenteel aspect is, spelen generatieve en agentic AI een significante rol bij het toevoegen van context in natuurlijke taal om analisten te helpen begrijpen wat er precies gebeurt rondom een alarm en zelfs om de reactie op die alarmen te automatiseren.

Wat is de rol van adversarial AI in moderne cybersecurity-dreigingen, en hoe bestrijdt Gurucul deze evoluerende risico’s?

Als eerste zien we al dat adversarial AI wordt toegepast op de laaghangende vruchten, de menselijke vector en identiteitsgebonden dreigingen. Dit is waarom gedrags- en identiteitsanalyse kritiek zijn om afwijkend gedrag te identificeren, dit in context te plaatsen en kwaadaardig gedrag te voorspellen voordat het verder verspreidt. Bovendien is adversarial AI de nagel aan de doodskist voor signatuurgedreven detectiemethoden. Adversaries gebruiken AI om deze TTP-gedefinieerde detectieregels te ontwijken, maar ze kunnen de gedragsgerichte detecties op dezelfde manier niet ontwijken. SOC-teams zijn niet voldoende uitgerust om voortdurend regels te schrijven om de detectie bij te houden en zullen een moderne aanpak voor dreigingsdetectie, -onderzoek en -respons nodig hebben. Gedrag en context zijn de sleutelingrediënten. Ten slotte is het platform REVEAL afhankelijk van een continue feedbacklus en we passen voortdurend AI toe om onze detectiemodellen te verfijnen, nieuwe modellen aan te bevelen en dreigingsinformatie te informeren die onze hele ecosysteem van klanten kan profiteren.

Hoe verbetert het risicogebaseerde scoresysteem van Gurucul de mogelijkheid van beveiligingsteams om dreigingen te prioriteren?

Ons platform’s dynamische risicobeoordelingsysteem wijst real-time risicoscores toe aan gebruikers, entiteiten en acties op basis van waargenomen gedragingen en contextuele inzichten. Dit stelt beveiligingsteams in staat om kritieke dreigingen te prioriteren, waardoor de responstijd wordt verkort en de resources worden geoptimaliseerd. Door het risico te kwantificeren op een schaal van 0-100, zorgt REVEAL ervoor dat organisaties zich concentreren op de meest kritieke incidenten in plaats van te worden overweldigd door lage prioriteitsalarmen. Met een unified risicoscore die alle ondernemingsdatabronnen omvat, krijgen beveiligingsteams meer zichtbaarheid en controle, waardoor snellere en meer geïnformeerde beslissingen worden genomen.

In een tijdperk van toenemende datalekken, hoe kunnen AI-gedreven beveiligingsoplossingen organisaties helpen om insiderdreigingen te voorkomen?

Insiderdreigingen zijn een bijzonder uitdagende beveiligingsrisico vanwege hun subtiele aard en de toegang die medewerkers hebben. REVEAL’s UEBA detecteert afwijkingen van de vastgestelde gedragsbaselines, waardoor risicovolle activiteiten zoals ongeautoriseerde gegevenstoegang, ongebruikelijke inlogtijden en misbruik van privileges kunnen worden geïdentificeerd. Dynamische risicobeoordeling beoordeelt ook voortdurend gedragingen in real-time, waardoor risiconiveaus worden toegewezen om prioriteit te geven aan de meest kritieke insiderdreigingen. Deze AI-gedreven mogelijkheden stellen beveiligingsteams in staat om proactief insiderdreigingen te detecteren en te mitigeren voordat ze escaleren tot datalekken. Gezien de predictieve aard van gedragsanalyse is Insider Risk Management een race tegen de klok. Insider Risk Management-teams moeten in staat zijn om snel te reageren en samen te werken, met privacy als topprioriteit. Context is hierbij kritiek en het toevoegen van context aan gedragsafwijkingen van identiteitssystemen, HR-toepassingen en alle andere relevante gegevensbronnen geeft deze teams de middelen om snel een zaak van bewijs op te bouwen, zodat het bedrijf kan reageren en mitigeren voordat gegevensuitstroom optreedt.

Hoe versterkt de identiteitsanalyse-oplossing van Gurucul de beveiliging in vergelijking met traditionele IAM-hulpmiddelen?

Traditionele IAM-oplossingen richten zich op toegangscontrole en authenticatie, maar ontbreken de intelligentie en zichtbaarheid om gecompromitteerde accounts of misbruik van privileges in real-time te detecteren. REVEAL gaat verder dan deze beperkingen door AI-gedreven gedragsanalyse te gebruiken om voortdurend gebruikersrisico’s te beoordelen, dynamische risicoscores aan te passen en adaptieve toegangsrechten af te dwingen, waardoor misbruik en ongeautoriseerde privileges worden geminimaliseerd. Door te integreren met bestaande IAM-kaders en door least-privilege-toegang af te dwingen, versterkt onze oplossing de identiteitsbeveiliging en vermindert de aanvalsoppervlakte. Het probleem met IAM-governance is identiteitssysteemsprawl en het gebrek aan verbinding tussen verschillende identiteitssystemen. Gurucul geeft teams een 360°-beeld van hun identiteitsrisico’s over alle identiteitsinfrastructuur. Nu kunnen ze stoppen met het goedkeuren van toegang, maar in plaats daarvan een risicogebaseerde aanpak voor toegangsbeleid nemen. Bovendien kunnen ze de compliance-aspecten van IAM versnellen en aantonen dat ze een continue monitoring en holistische aanpak van toegangscontrole over de hele organisatie hanteren.

Wat zijn de belangrijkste cybersecurity-dreigingen die u de komende vijf jaar verwacht, en hoe kan AI helpen deze dreigingen te mitigeren?

Identiteitsgebonden dreigingen zullen blijven toenemen, omdat ze hebben gewerkt. Adversaries zullen dubbel zo hard werken om toegang te krijgen door in te loggen via het compromitteren van insiders of het aanvallen van identiteitsinfrastructuur. Natuurlijk zullen insiderdreigingen blijven een belangrijk risicovector voor veel bedrijven, vooral omdat schaduw-IT blijft voortbestaan. Of het nu kwaadaardig of nalatig is, bedrijven zullen steeds meer zichtbaarheid nodig hebben in insider-risico’s. Bovendien zal AI de variaties van conventionele TTP’s versnellen, omdat adversaries weten dat dit de manier is waarop ze detectie kunnen ontwijken en het zal laagdrempelig zijn voor hen om adaptieve tactieken, technieken en protocollen te creëren. Vandaar nogmaals waarom het focussen op gedrag in context en het hebben van detectiesystemen die even snel kunnen aanpassen, cruciaal zal zijn voor de toekomst. We zullen low cost voor hen zijn om creatieve adaptieve tactieken, technieken en protocollen te ontwikkelen. Vandaar nogmaals waarom het focussen op gedrag in context en het hebben van detectiesystemen die even snel kunnen aanpassen, cruciaal zal zijn voor de toekomst. Thank you for the great interview, readers who wish to learn more should visit Gurucul.