Beelzebub samler inn 3 millioner euro for å skalle AI-drevne bedrageri over hele bedriftsnettverk

Italiensk cybersikkerhetsstartup Beelzebub har samlet inn 3 millioner euro i seed-finansiering for å utvide sin AI-drevne plattform for å oppdage og fange angripere inne i bedriftsnettverk.

Runden ble ledet eksklusivt av italiensk deep-tech venture capital-firma United Ventures. Beelzebub planlegger å bruke kapitalen til å vokse sin forskningsteam, tilegne seg kunder over hele Europa og åpne kommersielle kontorer i Roma og San Francisco innen utgangen av 2026.

Selskapet i Milano retter seg mot organisasjoner som møter stadig mer automatiserte cyberangrep, spesielt operatører som er underlagt EU-direktivet om nett- og informasjonssikkerhet, som vanligvis kalles NIS2.

I stedet for å fokusere fullstendig på å holde angripere utenfor et nettverk, arbeider Beelzebub med antagelsen om at en intrusjon allerede kan ha skjedd. Deres plattform planter realistiske dekknett over hele en organisasjons infrastruktur, og skaper muligheter for å avsløre angripere før de når ekte verdier.

Omforming av bedriftsinfrastruktur til en felle

Beelzebubs teknologi tilhører en kategori av cybersikkerhet kjent som bedrageriteknologi. I stedet for å vente på at skadelig aktivitet utløser en varsling på et produksjonssystem, skaper plattformen overbevisende kopier av servere, databaser, programmeringsgrensesnitt, skyemiljøer og annen infrastruktur.

Disse dekknettene er designet for å se verdifulle ut for angripere, mens de forblir isolert fra ekte forretningsystemer. Fordi legitime ansatte og programmer bør ha liten grunn til å samhandle med dem, kan aktivitet innenfor et dekknett gi en sterk indikasjon på at en inntrenger beveger seg gjennom nettverket.

Tilnærmingen er ment å håndtere en av de mest vanskelige fasene av et cyberangrep: perioden etter at en angriper har fått initial tilgang, men før den endelige lasten er distribuert.

Angripere tilbringer ofte tid på å utforske systemer, eskalere rettigheter, samle inn legitimasjoner og identifisere verdifulle data. Beelzebub har som mål å avbryte denne prosessen ved å lede mistenkelig aktivitet mot kontrollerte miljøer hvor den kan observeres og begrenses.

Selskapet sier at deres feller bruker store språkmodeller for å oppføre seg mer som ekte infrastruktur. De kan generere realistiske svar og tilpasse sitt oppførsel, noe som gjør det vanskeligere for en angriper å bestemme om de har gått inn i et dekknett.

En automatisert offensiv- og forsvarssyklus

Plattformen kombinerer tre produkter designet for å dekke forskjellige faser av cybersikkerhetstesting og hendelsesrespons.

Arcangelo fungerer som den offensive komponenten. Den simulerer målrettede angrep mot en organisasjons infrastruktur, og hjelper sikkerhetsteam med å identifisere svakheter og teste hvordan deres kontroller reagerer.

Beelzebub Managed utgjør den defensive laget. Den distribuerer AI-drevne feller over en organisasjons miljø og overvåker dem for mistenkelig aktivitet. Når en angriper samhandler med en av dekknettene, kan systemet isolere den berørte maskinen, blokkere aktiviteten og initiere forhåndsdefinerte responsaksjoner.

Selskapet beskriver denne kombinasjonen som en automatisert lilla-lagmodell. I cybersikkerhet simulerer røde lag vanligvis angripere, mens blå lag forsvaret systemer. Lilla-lag-operasjoner forsøker å bringe de to funksjonene sammen, så resultater fra offensiv testing kan direkte forbedre defensive kontroller.

Ved å koble angreps-simuleringer med live-dekknett, forsøker Beelzebub å redusere håndoverføringene som ofte skjer mellom separate sikkerhetstverktøy, eksterne konsulenter og interne team.

Selskapet sier at deres feller også kan oppdateres for å reflektere nylig avdekkede sårbarheter og eksponeringer. Dette tillater plattformen å imitere systemer som er berørt av nye sårbarheter og potensielt tiltrekke angripere som søker etter disse svakhetene.

AI-assistert malware-analyse

Den tredje komponenten, Caronte, er et AI-drevet malware-analyse-system.

Etter at skadelig programvare er oppdaget, kan Caronte reversere programvaren og produsere en hendelsesrapport som beskriver dens oppførsel. Målet er å forkorte tiden mellom å oppdage et angrep og å forstå hvordan det fungerer.

Malware-analyse er tradisjonelt en spesialisert og tidskrevende prosess. Analytikere kan trenge å inspisere kode, observere hvordan et program oppfører seg i en kontrollert miljø og bestemme om det kommuniserer med eksterne infrastrukturer eller forsøker å spre seg til andre maskiner.

Beelzebub sier at Caronte automatiserer deler av denne arbeidet, og lar organisasjoner generere en initial vurdering raskere.

Systemet kan opereres på stedet, noe som kan være viktig for myndigheter, regulerte selskaper og bedrifter som ikke kan laste opp potensielt sensitive malware-eksempler til tredjeparts-tjenester.

Beelzebubs bredere plattform er tilgjengelig som programvare som en tjeneste eller som en på-sted-utplassering. For organisasjoner med strengere datakrav, kan selskapet også levere maskinvare for å kjøre sin store språkmodell-inferens lokalt.

Bygging rundt live trusler-intelligens

Beelzebub sier at over 60 uavhengige sikkerhetsforskere bidrar med trusler-intelligens til plattformen.

Dette nettverket gir informasjon om nye malware, angrepsmetoder og sårbarheter så snart de oppstår. Intelligensen kan deretter brukes til å oppdatere plattformens dekknett, angreps-simuleringer og analyse-kapasiteter.

Selskapet har tidligere fått oppmerksomhet for å dokumentere TeamPCP, en truselsaktør forbundet med angrep på sky-infrastruktur og cryptojacking-kampanjer. TeamPCP har også blitt koblet til et brudd som involverer GitHub-infrastruktur.

Å oppdage og studere truselsgrupper kan gi cybersikkerhetsleverandører praktisk informasjon om hvordan angripere oppfører seg etter å ha kommet inn i et nettverk. Denne informasjonen kan brukes til å designe dekknett som ligner på systemene, legitimasjonene og tjenestene angriperne er mest sannsynlig å målrette.

Beelzebubs teknologi er også tilgjengelig gjennom en åpen kildekode-utgave, som gir forskere og sikkerhetsteam en måte å eksperimentere med deres dekknett-tilnærming.

Den åpne kildekodemodulen støtter flere protokoller og tjenester, inkludert Secure Shell, File Transfer Protocol, databaser og web-applikasjoner. Dette lar organisasjoner deployere dekknett som ligner på forskjellige deler av deres infrastruktur.

Reagerer på raskere, mer automatiserte angrep

Finansieringen kommer når generativ AI og automatisering endrer begge sider av cybersikkerhet.

Angripere kan bruke AI-verktøy til å generere phishing-beskjeder, analysere programvare for sårbarheter, modifisere skadelig kode og utføre operasjoner over et større antall mål. Disse kapasitetene eliminerer ikke behovet for teknisk ekspertise, men de kan tillate mindre grupper å operere med større hastighet og skala.

Sikkerhetsteam responderer ved å introdusere mer automatisering i oppdaging, etterforskning og hendelsesrespons. Bedrageriteknologi tilbyr et annet lag ved å skape miljøer hvor angripere kan studeres uten å eksponere ekte data eller systemer.

Beelzebub-gründer og CEO Mario Candela argumenterer for at defensive verktøy må øke sin automatisering for å forbli effektive mot automatiserte angrep.

Selskapets strategi er ikke å erstatte eksisterende endpoint-, nettverks- eller identitetssikkerhetsprodukter. I stedet forsøker de å legge til et internt oppdagningslag for situasjoner hvor en angriper allerede har bypasset perimetersikkerhet.

Denne antatte-brudd-modellen har blitt mer relevant ettersom bedriftsinfrastruktur utvides over sky-plattformer, fjernenheter, programmeringsgrensesnitt og programvareforsyningskjeder. Å beskytte hver mulig inngangspunkt er vanskelig, og det blir stadig viktigere å oppdage raskt inne i nettverket.

Hvorfor bedrageri kan bli et kjerne-lag i cybersikkerhet

Ettersom angripere stadig mer bruker AI til å automatisere rekognosering, utnytte sårbarheter og tilpasse malware, kan bedrageriteknologi bli et viktigere lag i bedriftsforsvar. I stedet for å bare stole på perimetersikkerhet, kan organisasjoner deployere realistiske dekknett som avslører inntrengere etter at de har kommet inn i et nettverk og før de når kritiske systemer.

De sterkeste plattformene vil sannsynligvis kombinere bedrageri med kontinuerlig angreps-simulering og automatisert etterforskning. Dette kan forkorte tiden mellom intrusjon, oppdaging og begrensning, og gi sikkerhetsteam en klarere innsikt i en angripers verktøy, mål og bevegelse over nettverket.

Bedrageri vil ikke erstatte endpoint-sikkerhet, identitetskontroll eller sårbarhetsstyring, men det kan gjøre disse systemene mer effektive ved å gi høy-konfidens-signaler fra aktivitet som aldri burde skje. Beelzebubs utfordring vil være å bevise at deres tilnærming kan operere pålitelig på bedriftsnivå uten å legge til unødvendig kompleksitet til allerede overfyldte sikkerhetsmiljøer.