Aditya K Sood, VP for Sikkerhetsingeniør og AI-strategi, Aryaka – Intervju-serie

Aditya K Sood (Ph.D) er VP for Sikkerhetsingeniør og AI-strategi i Aryaka. Med over 16 års erfaring, gir han strategisk ledelse i informasjonssikkerhet, som dekker produkter og infrastruktur. Dr. Sood er interessert i kunstig intelligens (AI), sky-sikkerhet, malware-automatisering og analyse, applikasjonssikkerhet og sikker programvare-design. Han har skrevet flere artikler for ulike magasiner og tidsskrifter, inkludert IEEE, Elsevier, Crosstalk, ISACA, Virus Bulletin og Usenix.

Aryaka tilbyr nettverks- og sikkerhetsløsninger, og tilbyr Unified SASE som en tjeneste. Løsningen er designet for å kombinere ytelse, fleksibilitet, sikkerhet og enkelhet. Aryaka støtter kunder i ulike faser av deres sikre nettverks-tilgangs-reise, og hjelper dem med å modernisere, optimalisere og transformere deres nettverks- og sikkerhets-miljøer.

Kan du fortelle oss mer om din reise i sikkerhet og AI, og hvordan det ledet deg til din nåværende stilling i Aryaka?

Min reise inn i sikkerhet og AI begynte med en fascinasjon for teknologiens potensiale til å løse komplekse problemer. Tidlig i min karriere, fokuserte jeg på sikkerhet, trussel-intelligens og sikkerhets-ingeniør-arbeid, som ga meg en solid grunn i å forstå hvordan systemer samhandler og hvor sårbarheter kan ligge. Denne eksponeringen ledet naturlig til at jeg dykket dyptere inn i sikkerhet, hvor jeg erkjente den kritiske viktigheten av å beskytte data og nettverk i en stadig mer sammenkoblet verden. Da AI-teknologier oppstod, så jeg deres enorme potensiale for å transformere sikkerhet – fra automatisering av trussel-opptak til prediktiv analyse.

Å bli med i Aryaka som VP for Sikkerhetsingeniør og AI-strategi var et perfekt valg på grunn av deres ledelse i Unified SASE som en tjeneste, sky-først WAN-løsninger og innovasjons-fokus. Min rol tillater meg å syntetisere min lidenskap for sikkerhet og AI for å møte moderne utfordringer som sikker hybrid-arbeid, SD-WAN-optimalisering og sanntids-trussel-håndtering. Aryakas konvergens av AI og sikkerhet gir organisasjoner mulighet til å holde tritt med trusler samtidig som de leverer unik nettverks-ytelse, og jeg er begeistret for å være en del av denne misjonen.

Hvordan ser du på AI som en drivkraft for å endre sikkerhets-landskapet i de neste få årene?

 AI står i ferd med å transformere sikkerhets-landskapet, og lettet oss fra byrden av rutine-oppgaver og lar oss fokusere på mer komplekse utfordringer. Dets evne til å analysere store datamengder i sanntid, gjør det mulig for sikkerhetssystemer å identifisere anomalier, mønster og nye trusler med en hastighet som overstiger menneskelige evner. AI/ML-modeller utvikler seg kontinuerlig, og forbedrer sin nøyaktighet i å oppdage og avverge effekten av avanserte, vedvarende trusler (APTs) og null-dags-sårbarheter. I tillegg vil AI revolusjonere hendelses-svar (IR) ved å automatisere repetitive og tidssensitive oppgaver, som å isolere kompromitterte systemer eller blokkere skadelig aktivitet, og redusere respons-tid og minimere potensiell skade. Dessuten vil AI hjelpe til å lukke sikkerhets-kompetanse-gapet ved å automatisere rutine-oppgaver og forbedre menneskelig beslutning, og lar sikkerhets-teamene konsentrere seg om mer komplekse utfordringer.

Imidlertid utnytter motstanderne raskt de samme evnene som gjør AI til et kraftig forsvar-verktøy. Cyberkriminelle bruker stadig AI for å utvikle mer sofistikerte trusler, som deepfake-phishing-angrep, adaptiv sosial ingeniring og AI-drevet malware. Denne trenden vil føre til en “AI-våpen-kappløp”, hvor organisasjoner må kontinuerlig innovere for å holde tritt med disse utviklende truslene.

Hva er de viktigste nettverks-utfordringene bedrifter møter når de distribuerer AI-applikasjoner, og hvorfor tror du disse problemene blir mer kritiske?

Når bedrifter går inn i AI-applikasjoner, møter de kritiske nettverks-utfordringer. De krevende egenskapene til AI-arbeidsbelastninger, som innebærer overføring og prosessering av store datamengder i sanntid, spesielt for prosessering og læring, skaper en umiddelbar behov for høy båndbredde og ultra-lav latency. For eksempel, sanntids AI-applikasjoner som autonome systemer eller prediktiv analyse, avhenger av øyeblikkelig dataprosessering, hvor selv de minste forsinkelsene kan forstyrre resultater. Disse kravene overstiger ofte kapasiteten til tradisjonelle nettverks-infrastrukturer, og fører til hyppige ytelses-bottlenecks.

Skalabilitet er en kritisk utfordring i AI-distribusjon. AI-arbeidsbelastningers dynamiske og uforutsigbare natur krever nettverk som kan raskt tilpasse seg endringer i ressurs-krav. Bedrifter som distribuerer AI over hybrid- eller multi-sky-miljøer, møter ekstra kompleksitet, ettersom data og arbeidsbelastninger er fordelt over ulike lokasjoner. Behovet for sømløs data-overføring og skalerbarhet over disse miljøene er åpenbart, men kompleksiteten ved å oppnå dette uten avanserte nettverks-løsninger er like åpenbart. Pålitelighet er også avgjørende – AI-systemer støtter ofte kritiske oppgaver, og selv mindre nedtid eller data-tap kan føre til betydelige forstyrrelser eller feil AI-utdata.

Sikkerhet og data-integritet kompliserer også AI-distribusjon. AI-modeller avhenger av store mengder sensitive data for trening og inferens, og gjør sikker data-overføring og beskyttelse mot brudd eller manipulasjon til en topp-prioritet. Denne utfordringen er spesielt akutt i industrier med strenge krav til overholdelse, som helse og finanse, hvor organisasjoner må møte regulatoriske forpliktelser sammen med ytelses-krav.

Ettersom bedrifter stadig mer går over til AI, blir disse nettverks-utfordringene mer kritiske, og understreker behovet for avanserte, AI-klare nettverks-løsninger som tilbyr høy båndbredde, lav latency, skalabilitet og robust sikkerhet.

Hvordan møter Aryakas plattform de økte båndbredde- og ytelses-kravene til AI-arbeidsbelastninger, spesielt i å håndtere belastningen forårsaket av data-bevegelse og behovet for rask beslutning?

Aryaka, med sin intelligente, fleksible og optimaliserte nettverks-håndtering, er unikt utrustet til å møte de økte båndbredde- og ytelses-kravene til AI-arbeidsbelastninger. Bevegelsen av store datamengder mellom distribuerte lokasjoner, som edge-enheter, data-sentre og sky-tjenester, belaster ofte tradisjonelle nettverk betydelig. Aryakas løsning gir lettelse ved å dynamisk rute trafikken over de mest effektive og tilgjengelige stier, og utnytter multiple tilkoblings-alternativer for å optimalisere båndbredde og redusere latency.

En viktig fordel med Aryakas løsning er dens evne til å prioritere kritiske AI-relaterte trafikk gjennom applikasjons-avhengig routing. Ved å identifisere og prioritere latency-følsomme arbeidsbelastninger, som sanntids data-analyse eller maskin-læring-modell-inferens, sikrer Aryaka at AI-applikasjoner mottar de nødvendige nettverks-ressursene for rask beslutning. I tillegg støtter Aryakas løsning dynamisk båndbredde-allokering, og lar bedrifter konfidere skalering av ressurser opp eller ned basert på AI-arbeidsbelastnings-krav, og forebygger bottlenecks og sikrer konsistent ytelse selv under topp-bruk.

Fortsatt tilbyr Aryakas plattform proaktiv overvåking og analytiske funksjoner, og gir synlighet inn i nettverks-ytelse og AI-arbeidsbelastnings-atferd. Denne proaktive tilnærmingen lar bedrifter identifisere og løse ytelses-problemer før de påvirker drift av AI-systemer, og sikrer ubrudt drift. Kombinert med avanserte sikkerhets-funksjoner som CASB, SWG, FWaaS, end-to-end-kryptering, ZTNA og andre, beskytter Aryakas plattform integriteten til AI-data.

Hvordan introduserer AI-tilpasning nye sårbarheter eller angreps-flater innen bedrifts-nettverk?

AI-tilpasning introduserer nye sårbarheter og angreps-flater innen bedrifts-nettverk på grunn av de unike måtene AI-systemer opererer og samhandler med data. En betydelig risiko kommer fra de store mengdene sensitive data som AI-systemer krever for trening og inferens. Hvis denne data blir interceptert, manipulert eller stjålet under overføring eller lagring, kan det føre til brudd, modell-korruptering eller overholdelses-brudd. I tillegg er AI-algoritmer sårbare for motstander-angrep, hvor skadelige aktører introduserer nøye konstruerte inndata (f.eks. endrede bilder eller data) designet for å forvirre AI-systemer til å ta feil beslutninger. Disse angrepene kan kompromittere kritiske applikasjoner som svindel-oppdaging eller autonome systemer, og føre til alvorlige operasjonelle eller omdømme-skader. AI-tilpasning introduserer også risiko-relaterte automatisering og beslutning. Skadelige aktører kan utnytte automatiserte beslutnings-systemer ved å mate dem feil data, og føre til uventede resultater eller operasjonelle forstyrrelser.

En annen utfordring oppstår fra kompleksiteten og den distribuerte naturen til AI-arbeidsbelastninger. AI-systemer involverer ofte sammenkoblede komponenter over edge-enheter, sky-plattformer og infrastruktur. Denne komplekse sammenkoblingen utvider angreps-flaten betydelig, ettersom hver komponent og kommunikasjons-vei representerer en potensiell inngangs-punkt for angripere. Å kompromittere en edge-enhet, for eksempel, kan tillate lateral bevegelse over nettverket eller gi en vei til å manipulere data som blir prosessert eller overført til sentraliserte AI-systemer. Dessuten kan usikrede API-er, ofte brukt for å integrere AI-applikasjoner, eksponere sårbarheter hvis de ikke beskyttes tilstrekkelig.

Som bedrifter stadig mer avhenger av AI for kritiske funksjoner, blir konsekvensene av disse sårbarhetene mer alvorlige, og understreker behovet for robuste sikkerhets-tiltak. Organisasjoner må handle raskt for å møte disse utfordringene, som adversarial-trening for AI-modeller, sikker data-pipelines og tilpasning av zero-trust-arkitekturer for å beskytte AI-drevne miljøer.

Hva strategier eller teknologier implementerer du i Aryaka for å møte disse AI-spesifikke sikkerhets-risiko?

Aryakas plattform bruker end-to-end-kryptering for data under overføring og i ro for å sikre de store mengdene sensitive data som AI-systemer avhenger av. Disse tiltakene beskytter AI-data-pipelines, og forhindrer intercept eller manipulasjon under overføring mellom edge-enheter, data-sentre og sky-tjenester. Dynamisk trafikk-routing forbedrer også sikkerhet og ytelse ved å dirigere AI-relatert trafikk over sikre og effektive stier, og prioriterer kritiske arbeidsbelastninger for å minimere latency og sikre pålitelig beslutning.

Aryakas AI Observe-løsning overvåker nettverks-trafikk ved å analysere logger for mistenkelig aktivitet. Sentralisert synlighet og analytiske funksjoner tilbyr organisasjoner mulighet til å overvåke sikkerheten og ytelsen til AI-arbeidsbelastninger, og proaktivt identifisere potensielle skadelige handlinger og risikofylt atferd assosiert med slut-brukere, inkludert kritiske servere og verts-maskiner. AI Observe bruker AI/ML-algoritmer for å utløse sikkerhets-hendelses-varslinger basert på alvorlighets-kalkulasjonen som bruker ulike parametre og variabler for beslutning.

Aryakas AI>Secure inline-nettverks-løsning, som kommer i andre halvdel av 2025, vil enable organisasjoner til å dissekere trafikken mellom slut-brukere og AI-tjeneste-endepunkter (ChatGPT, Gemini, copilot, osv.) for å avdekke angrep som prompt-injeksjoner, informasjons-lekkasje og bruks-garder. I tillegg kan strenge politikker pålegges for å begrense kommunikasjon med ugodkjente og sanktionerte GenAI-tjenester/applikasjoner. Dessuten møter Aryaka AI-spesifikke sikkerhets-risiko ved å implementere avanserte strategier som kombinerer nettverks- og robuste sikkerhets-tiltak. En kritisk tilnærming er tilpasning av Zero Trust Network Access (ZTNA), som pålegger streng verifisering for hver bruker, enhet og applikasjon som prøver å interagere med AI-arbeidsbelastninger.

Ved å anvende disse omfattende tiltakene, hjelper Aryaka bedrifter med å sikre deres AI-miljøer mot evoluerende risiko, samtidig som de muliggjør skalerbar og effektiv AI-distribusjon.

Kan du dele eksempler på hvordan AI brukes både til å forbedre sikkerhet og som et verktøy for potensielle nettverks-kompromisser?

AI spiller en kritisk rolle i sikkerhet. Det er et kraftig verktøy for å forbedre nettverks-sikkerhet, og en ressurs som motstandere kan utnytte for sofistikerte angrep. Å erkjenne disse anvendelsene understreker AI’s transformative potensiale i sikkerhets-landskapet, og gir oss mulighet til å navigere risikoene det introduserer.

AI revolusjonerer nettverks-sikkerhet gjennom avansert trussel-oppdaging og -forebygging. AI-modeller analyserer store datamengder i sanntid, og identifiserer anomalier, mistenkelig atferd eller indikatorer for kompromittering (IOCs) som kan gå ubemerket forbi tradisjonelle metoder. For eksempel kan AI-drevne systemer oppdage og mitigere Distributed Denial of Service (DDoS)-angrep ved å analysere nettverks-protokoll-mønster og respondere automatisk for å isolere skadelig kilder. Dessuten har AI’s potensiale i atferds-analyse betydning, og skaper profiler av normal bruker-atferd for å oppdage insider-trusler eller konto-kompromittering. Men dens mest potente anvendelse er prediktiv analyse, hvor AI-systemer forutser potensielle sårbarheter eller angreps-vektorer, og lar oss forberede forsvar før truslene materialiseres.

Om vendt, utnytter cyberkriminelle AI for å utvikle mer sofistikerte angrep. AI-drevet skadelig kode kan tilpasse seg for å unngå tradisjonelle oppdaging-mekanismer ved å endre sine egenskaper dynamisk. Angripere bruker også AI/ML for å forbedre phishing-kampanjer, og lager overbevisende feil-e-poster eller meldinger tilpasset individuelle mål gjennom data-skraping og -analyse. En alarmerende trend er deepfakes i sosial ingeniring. AI-generert audio eller video kan overbevisende etterligne ledere eller pålitelige personer for å manipulere ansatte til å avsløre sensitive informasjon eller autorisere uautoriserte transaksjoner. Dessuten kan motstander-angrep rettes direkte mot andre AI-systemer, og introdusere manipulert data for å forårsake feil prediksjoner eller beslutninger som kan forstyrre kritiske operasjoner som avhenger av AI-drevet automatisering.

De doble anvendelsene av AI i sikkerhet understreker viktigheten av en proaktiv, multi-lagd sikkerhets-strategi. Mens organisasjoner må utnytte AI’s potensiale for å forbedre deres forsvar, er det like viktig å forbli våken mot mulig misbruk.

Hvordan skiller Aryakas Unified SASE som en tjeneste seg ut fra tradisjonelle nettverks- og sikkerhets-løsninger?

Aryakas Unified SASE som en tjeneste er designet for å skaleres med din bedrift. I motsetning til legacy-systemer som avhenger av separate verktøy for nettverk (som MPLS) og sikkerhet (som brannmurer og VPN), integrerer Unified SASE disse funksjonene, og tilbyr en sømløs og skalerbar løsning. Denne konvergensen forenkler ledelse, og gir konsistente sikkerhets-politikker og ytelse for brukere, uavhengig av lokasjon. Ved å utnytte en sky-nativ arkitektur, eliminerer Unified SASE behovet for kompleks on-premises-hardware, reduserer kostnader, og lar bedrifter tilpasse seg raskt til moderne hybrid-arbeids-miljøer.

En viktig forskjell mellom Aryaka og andre løsninger er dens evne til å støtte Zero Trust (ZT)-prinsipper i stor skala. Den pålegger identitets-basert tilgangskontroll, og kontinuerlig verifisering av bruker- og enhets-tillit før tilgang til ressurser blir gitt. Kombinert med funksjoner som Secure Web Gateways (SWG), Cloud Access Security Broker (CASB), Intrusion Detection and Prevention Systems (IDPS), Next-Gen Firewalls (NGFW) og nettverks-funksjoner, tilbyr Aryaka robust beskyttelse mot trusler samtidig som det sikrer sensitive data over distribuerte miljøer.

Aryaka forbedrer også bruker-erfaring og ytelse. Unified SASE utnytter Software-Defined Wide Area Networking (SD-WAN) for å optimalisere trafikk-routing, og sikrer lav latency og høyhastighets-tilkoblinger. Dette er spesielt kritisk for organisasjoner som omfavner sky-applikasjoner og fjern-arbeid. Ved å levere sikkerhet og ytelse fra en samlet plattform, minimiserer Unified SASE kompleksitet, forbedrer skalerbarhet, og sikrer at organisasjoner kan møte kravene til moderne, dynamiske IT-landskap.

Kan du forklare hvordan Aryakas OnePASS-arkitektur støtter AI-arbeidsbelastninger samtidig som den sikrer sikker og effektiv data-overføring?

Aryakas OnePASS-arkitektur støtter AI-arbeidsbelastninger ved å integrere sikker, høy-ytelses nettverks-tilkobling med robuste sikkerhets- og data-optimiserings-funksjoner. AI-arbeidsbelastninger overfører ofte store datamengder mellom distribuerte miljøer, som edge-enheter, data-sentre og sky-baserte AI-plattformer. OnePASS sikrer at disse data-strømmene er effektive og sikre ved å utnytte Aryakas globale private backbone og Secure Access Service Edge (SASE)-funksjoner.

Den globale private backbone tilbyr lav-latency, høy-båndbredde-tilkobling, som er kritisk for AI-arbeidsbelastninger som krever sanntids data-prosessering og beslutning. Denne optimaliserte nettverks-tilkoblingen unngår vanlige bottleneck-problemer forbundet med offentlige internett-tilkoblinger. Arkitekturen utnytter også avanserte WAN-optimiserings-teknikker, som data-deduplisering og komprimering, for å ytterligere forbedre effektivitet og redusere belastningen på nettverks-ressurser. Dette er ideelt for store datamengder og hyppige modell-oppdateringer forbundet med AI-operasjoner, og gir tillit til systemets ytelse.

Fra et sikkerhets-perspektiv, pålegger Aryakas OnePASS-arkitektur en Zero Trust-ramme, som sikrer at alle data-strømmer blir autentisert, kryptert og kontinuerlig overvåket. Integerte sikkerhets-funksjoner som Secure Web Gateway (SWG), Cloud Access Security Broker (CASB) og intrusjons-forebyggingssystemer (IPS) beskytter sensitive AI-arbeidsbelastninger mot cyber-trusler. Dessuten, ved å enable edge-basert policy-gjennomføring, minimiserer OnePASS latency samtidig som det sikrer at sikkerhets-kontroller blir anvendt konsistent over distribuerte miljøer, og gir en følelse av sikkerhet i systemets våkenhet.

Aryakas enkelt-pass-arkitektur inkorporerer alle essensielle sikkerhets-funksjoner i en samlet plattform. Dette integrerer tillater sanntids nettverks-trafikk-inspeksjon og prosessering uten å kreve multiple sikkerhets-enheter. Denne kombinasjonen av sikker, lav-latency-tilkobling og robust trussel-beskyttelse gjør Aryakas OnePASS-arkitektur unikt egnet for moderne AI-arbeidsbelastninger.

Hva trender ser du for AI og nettverks-sikkerhet når vi går inn i 2025 og utover?

Som vi ser mot 2025 og utover, vil AI spille en avgjørende rolle i nettverks-sikkerhet. AI-drevne trussel-oppdagingssystemer vil fortsette å utvikle seg, og utnytte AI/ML for å identifisere mønster av skadelig aktivitet med utenforliggende hastighet og nøyaktighet. Disse systemene vil utmerke seg i å oppdage null-dags-sårbarheter og sofistikerte angrep, som avanserte vedvarende trusler (APTs). AI vil også drive automatisering i hendelses-svar, en utvikling som bør berolige publikum om effektiviteten til fremtidige sikkerhetssystemer. Denne automatiseringen vil enable Sikkerhets-Orkestrering, Automatisering og Respons (SOAR)-systemer til å neutralisere trusler autonomt, minimere respons-tid og redusere belastningen på menneskelige analytikere. Dessuten, når kvantecomputering utvikler seg, kan det underminere eksisterende krypterings-standarder i nettverks-sikkerhet, og drive industrien mot kvant-sikre kryptering.

Imidlertid bringer den økende integreringen av AI i nettverks-sikkerhet også utfordringer. Cyberkriminelle utnytter AI-teknologier for å utvikle mer avanserte angrep, inkludert phishing-sammenstøt og evasive malware. På grunn av risikoene forbundet med biased eller feil-trent modeller, vil AI-modell-sårbarheter, som refererer til feil i design eller implementering av AI-systemer, sannsynligvis øke. Dette vil føre til å utnytte AI-modeller gjennom nyoppdagede data-forgiftning og adversarial-inndata-manipulasjonsteknikker. Dessuten vil AI-tilpasning forbedre oppdaging av sikkerhets-sårbarheter i tredjeparts-biblioteker og pakker brukt i programvare-forsyning.

Vi forventer også at AI-drevne verktøy vil enable bedre samarbeid mellom sikkerhets-verktøy, team og organisasjoner. AI-sentriske løsninger vil skape personlige sikkerhets-modeller, og gi publikum en følelse av at deres sikkerhets-behov blir møtt. Disse modellene vil skape individualiserte sikkerhets-politikker basert på bruker-roller og atferd. Nasjoner vil samarbeide om å bygge en global sikkerhets-ramme for AI-teknologier. Takk for det flotte intervjuet, lesere som ønsker å lære mer bør besøke Aryaka.