Horizon3 henter inn 250 millioner dollar i serie E-finansiering til over 2 milliarder dollars i verdi for å utvide autonom AI-penetreringstesting

Horizon3 har hentet inn 250 millioner dollar i serie E-finansiering til en verdi over 2 milliarder dollar, noe som gir selskapet betydelig ny kapital til å utvide sin autonome penetreringstestingsplattform og gå videre med automatisert defensiv remediering.

Runden ble co-ledet av eksisterende investorer NightDragon og New Enterprise Associates (NEA). Horizon3 sier at verdien har mer enn tredoblet fra den 650 millioner dollar i verdi som var knyttet til deres serie D for litt over et år siden.

Finansieringen kommer som sikkerhetsteamene står overfor en stadig vanskeligere ubalanse. Kunstig intelligens kan hjelpe angripere med å identifisere svakheter, tilpasse teknikker og bevege seg raskere gjennom kompromitterte miljøer, mens mange organisasjoner fortsatt avhenger av sårbarhetsskanninger og periodiske penetreringstester som bare gir en øyeblikksbilde av deres sikkerhetsposture.

Horizon3 satser på at organisasjonene vil reagere ved å kontinuerlig angripe sin egen infrastruktur før noen andre gjør det.

Turning Penetration Testing Into a Continuous Process

Horizon3 er selskapet bak NodeZero, en plattform designet for å utføre autonome penetreringstester mot interne nettverk, eksterne infrastruktur, sky-miljøer, Kubernetes-utsteder og andre komponenter i en organisasjonens teknologistakk.

I stedet for bare å generere en liste over kjente sårbarheter, prøver NodeZero å utnytte svakheter og kombinere dem til komplette angrepsveier. En misconfigurasjon kan for eksempel eksponere legitimasjon, som deretter kan gi tilgang til et annet system og til slutt føre til sensitive data eller administrative privilegier.

Dette tilnærmingen er ment å skille mellom sårbarheter som teoretisk eksisterer og svakheter som faktisk kan brukes til å forårsake betydelig skade.

Under en test kan organisasjonene observere teknikken som utføres gjennom et sanntidsgrensesnitt. Når testingen er fullført, gir plattformen bevis for utnyttelse, kartlegger stegene som er tatt gjennom miljøet og anbefaler handlinger for å forstyrre angrepsveien. Sikkerhetsteamene kan deretter kjøre den relevante testen igjen for å verifisere at en reparasjon var effektiv.

NodeZero kan også identifisere problemer som ikke avhenger av en konvensjonell programvaresårbarhet, inkludert svake passord, eksponerte legitimasjoner, ineffektive sikkerhetskontroller, datalekkasje og dårlig nettverkssegmentering. Dens interne tester kan pivotere fra lokale systemer til tjenester som Amazon Web Services, Microsoft Azure og Microsoft 365 når en utnyttbar vei eksisterer.

Det bredere målet er å erstatte occasionelle vurderinger med en gjentakende syklus av å finne svakheter, fikse dem og teste samme miljø igjen.

How Horizon3 Uses AI Without Giving It Complete Control

Selv om Horizon3 beskriver NodeZero som en autonom AI-hacker, er dens arkitektur mer kontrollert enn det uttrykket kan antyde.

Plattformen kombinerer grafisk basert resonnering, maskinlæring, deterministisk logikk og smalt definert generativ AI. Den bygger en kart over systemer, brukere, legitimasjoner og relasjoner i en miljø, og deretter bruker den informasjonen til å planlegge og omprioritere potensielle angrepsveier.

Generativ AI brukes til oppgaver som å identifisere høyverdige systemer, tolke den potensielle forretningsimpekten av kompromittert data, produsere ekssecutive sammenfatninger og foreslå ytterligere strategier når en test når et hinder. Maskinlæring kan klassifisere filer og atferd, mens grafisk resonnering hjelper plattformen å bestemme hvordan enkelt svakheter kan kobles.

Viktigst er at Horizon3 sier at generative modeller ikke skaper eller direkte kjører utnyttelser. Handlingene som brukes til å angripe produksjonsmiljøer er deterministiske, forhåndsvaliderede og begrensede av testkonfigurasjonen. Denne adskillelsen er ment å bevare den tilpasning som er forbundet med AI, samtidig som den reduserer den uforutsigbarhet som ville komme fra å la en stor språkmodell uavhengig generere angrepskode.

High-Value Targeting, en av plattformens nyere funksjoner, illustrerer tilnærmingen. Systemet vurderer navnmønster, privilegier, nettverksrelasjoner og forretningskontekst for å identifisere mål som domenekontrollere, administrative kontoer og databaseservere. Det kan deretter prioritere angrepsveier som er mest sannsynlig å produsere en alvorlig operativ eller finansiell innvirkning, i stedet for å behandle hver tilgjengelig system likeverdig.

Growth Beyond Traditional Vulnerability Management

Horizon3 rapporterer at deres teknologi nå har fullført omtrent 310 000 tester i produksjon og brukes av over 7 000 organisasjoner, inkludert banker, helse nettverk, myndigheter og fire Fortune 10-selskaper.

Selskapet rapporterte også 120% år-til-år-vækst i årlig gjentakende inntekt. Disse tallene hjelper med å forklare hvorfor investorer var villige til å støtte en betydelig sen-finansieringsrunde til en skarpt høyere verdi, selv om de fortsatt er selskapsrapporterte målinger.

Finansieringsrunden tiltalte syv nye investorer: Acrew Capital, Blue Cloud Ventures, Demeter Group, EDBI, PSG, SAIC og Sapphire Ventures. Gjenforente investorer inkluderte Craft Ventures, Prosperity7 Ventures, Qualcomm (QCOM ) Ventures, Ridge Ventures og SignalFire.

NightDragon-gründer Dave DeWalt, som tidligere ledet FireEye og McAfee, og NightDragon Managing Director Morgan Kyauk vil bli medlemmer av Horizon3s styre som en del av transaksjonen.

Funding Global Expansion and Autonomous Remediation

Horizon3 planlegger å dele den nye kapitalen blant kommersiell utvidelse, internasjonal vekst og produktutvikling.

Selskapet planlegger å øke salg, markedsføring og kanaloperasjoner over hele bedrifts-, mid-markeds- og føderale kunder. Internasjonalt planlegger de å gå inn i Singapore og Australia, samtidig som de utvider sin eksisterende tilstedeværelse i Europa, Midtøsten og Afrika.

Den mer konsekvensfulle delen av veikartet innebærer å gå ut over å identifisere utnyttbare problemer.

Horizon3 planlegger å utvikle autonome blå-team-agenter som kan handle på funn produsert av NodeZero. Det lange målet er en kontinuerlig lærings-syklus hvor et offensivt system identifiserer og beviser en angrepsvei, en defensiv agent implementerer eller foreslår en korreksjon, og NodeZero tester miljøet igjen for å bekrefte at veien er stengt.

Selskapet har allerede introdusert integrasjoner gjennom sin Model Context Protocol-server som kan overføre penetreringstestresultater til verktøy som Jira, GitHub, sikkerhetsorkestreringsplattformer og infrastruktur-som-kode-arbeidsflyter. Potensielle handlinger inkluderer rotasjon av kompromitterte legitimasjoner, justering av endpoint-oppdagelsesregler, deployering av kompensatoriske kontroller og verifisering av om en remediering fungerte.

NodeZero kan også deployere Tripwires, som er dekk-mål plassert på sårbare eller strategisk viktige aktiva. Hvis en faktisk inntrenger senere interagerer med en, kan systemet varsle organisasjonen om at skadelig aktivitet kan forekomme.

From Finding Problems to Proving Security

Serie E-reflekterer en bredere endring i hvordan sikkerhetsrisiko vurderes.

Tradisjonell sårbarhetsstyring produserer ofte flere funn enn sikkerhetsteamene kan realistisk håndtere. Alvorlighetspoeng kan indikere at en svakhet er farlig generelt, men de avslører ikke alltid om den kan nås, kombineres med andre svakheter eller brukes til å kompromittere et viktig system innen en bestemt organisasjon.

Autonom penetreringstesting prøver å smalne denne gapen ved å produsere bevis for hva en angriper kunne oppnå under reelle forhold. Den neste utfordringen er å bestemme hvor mye av den resulterende remedieringsprosessen også kan automatiseres uten å introdusere nye operative risikoer.

Tillate defensiv-agenter å endre legitimasjoner, konfigurasjoner eller sikkerhetspolitikk kunne redusere responstidene betydelig. Det vil også kreve strenge godkjenningsgrenser, audit-spor, tilbakestillingsmekanismer og sikkerhetsforanstaltninger mot at en automatisert korreksjon forstyrer legitime systemer.

Horizon3s nye finansiering gir dem ressurser til å forfølge denne overgangen i en mye større skala. Deres fremgang vil hjelpe med å bestemme om autonom penetreringstesting forblir primært et raskere sikkerhets-vurderingsverktøy eller utvikler seg til et bredere kontroll-lag hvor AI-systemer kontinuerlig angriper, reparere og validerer bedrifts-infrastruktur.

De 250 millioner dollar-runden antyder at investorer tror at den sistnevnte modellen kan bli en viktig del av hvordan organisasjoner forsvarer stadig mer komplekse nettverk. Bevis for at den kan deployes trygt og konsistent vil nå være like viktig som å bevise at teknologien kan finne en måte inn.