Pascal Geenens, VP Cyber Threat Intelligence, Radware – Intervju-serie

Pascal Geenens, VP Cyber Threat Intelligence, Radware, er en cybersecurity-forsker og teknologileder med mer enn to tiår med erfaring fra informasjonsteknologi, nettverkssikkerhet og trusselintelligens. Hos Radware hjelper han med å lede selskapets forskning og tankerledelse på det evoluerende cybersikkerhetslandskapet, med særlig fokus på distribuerte denial-of-service-angrep, Internet of Things-malware, automatiserte trusler og den økende bruken av kunstig intelligens både av angripere og forsvarere. Geenens utvikler og vedlikeholder IoT-honeypots som en del av Radwares sikkerhetsforskningsteam og har utført omfattende forskning på trusler som BrickerBot og Hajime. Før han ble med i Radware, arbeidet han som konsulentingeniør hos Juniper Networks , hvor han rådgav større skytjeneste- og kommunikasjonstjenesteleverandører i Europa, Midtøsten og Afrika om strategier for programvaredefinert nettverk, nettverksfunksjonsvirtualisering og data-senterautomatisering.

Radware er et børsnotert selskap som tilbyr cybersikkerhets- og applikasjonsleveringstjenester som hjelper bedrifter å beskytte nettverk, nettsteder, applikasjoner og API-er i fysiske, sky-, hybrid- og programvaredefinerte miljøer. Deres portefølje inkluderer AI-drevet distribuert denial-of-service-beskyttelse, web-applikasjonsbrannmur, bot-håndtering, API-sikkerhet, applikasjonsleveringskontrollere og administrerte nødsvarstjenester. Ved å kombinere atferdsanalyse, maskinlæring, sky-skala trusselintelligens og automatisert mitigering, er Radwares teknologi designet for å identifisere skadelig aktivitet i sanntid mens den beholder tilgang for legitime brukere og opprettholder tilgjengelighet og ytelse av kritiske digitale tjenester.

Du har tilbragt nesten tre tiår i cybersikkerhet, fra IBM AIX-kernel-støtte og infrastruktur-ingeniørarbeid til å oppdage botneter som BrickerBot, JenX og Demonbot, og nå leder trusselintelligens hos Radware. Ser du tilbake, hva er de største endringene du har sett i hvordan angripere innovasjon, og hvordan har AI endret dine forventninger til hva den neste generasjonen av cybersikkerhetstrusler vil se ut som?

Trussellandskapet har gjennomgått en fundamental endring fra enkeltstående hackere som var høyt tekniske entusiaster til cyberkriminelle som er høyt organiserte, sofistikerte entreprenører. I fortiden var en hacker vanligvis motivert av den tekniske utfordringen i seg selv. I dag har kombinasjonen av digital akselerasjon og generativ AI kommersialisert hele operasjonen, og drives en moden Crime-as-a-Service (CaaS)-økonomi. Skadelige aktører har i praksis speilet den korporative Software-as-a-Service (SaaS)-modellen, og selger avanserte verktøy til alle. Dette tillater komplette nybegynnere å lansere sofistikerte angrep i stor skala. Ettersom vår digitale fotavtrykk utvides hver år, øker den tilgjengelige angrepsflaten og mulighetene for finansiell utnyttelse med det.

AI driver den neste kapitlet i denne utviklingen på to distinkte måter.

Først demokratiserer det cyberkriminalitet. Det gir amatør-angripere en umiddelbar kapabilitetsforbedring, mens det hjelper større syndikater å strømlinjeforme sine operasjoner, polere sine brukergrensesnitt og markedsføre sine skadelige tjenester mye mer effektivt.

For det andre, og mer kritisk, er oppkomsten av agens-ai kombinert med de siste grensemodellene, automatiseringen av sårbarhetslivssyklusen. Vi beveger oss mot en operasjonell virkelighet hvor maskiner kan autonomt skanne nettverk, oppdage sårbarheter og våpenisere utnyttelser nesten helt på egen hånd, arbeider 24/7 og utfører handlinger i flere størrelsesordener enn noen menneskelig forsvarer.

AI senker dramatisk den tekniske barrieren for angripere. Hvilke offensivt AI-kapasiteter bekymrer deg mest de neste tre til fem årene, og hvilke mottar nå mer oppmerksomhet enn de fortjener?

Området som krever nærmest oppmerksomhet nå er AI-assistert sårbarhetsoppdagelse og utnyttelse. Øyeblikket en svakhet blir offentliggjort, begynner kappløpet. Angripere utnytter AI til å øyeblikkelig analysere svakheten, kartlegge hvor den gjelder, og generere og teste utnyttelsesvarianter. Dette komprimerer fullstendig utnyttelses-tidsrammen som allerede var for rask for de fleste bedrifters programvareoppdateringsprosesser.

Samtidig ser vi en stor endring mot lokale, kontinuerlige AI-systemer. Spesifikt oppkomsten av “lokale agenter med et hjerte”. Et primært eksempel er OpenClaw og Microsofts (MSFT ) nylige annonsering om at de vil integrere OpenClaw i hver enkelt medarbeiders arbeidsliste. I motsetning til standard sky-baserte assistenter, kjører disse lokale agentene kontinuerlig i bakgrunnen, direkte på en medarbeiders maskin. De opererer via kontinuerlige løkker og etterligner menneskelige handlinger, som å taste og navigere gjennom nettleser-automatisering. Dette gjør det virtuelt umulig for standard endpoint-sikkerhetssystemer å skille mellom den faktiske medarbeideren og AI-agenten. Fordi brukerne uunngåelig vil gi disse agentene bred systemtillgang for å få arbeidet gjort, kan agentene omgå sikre API-tilkoblinger ved å bruke lokale nettlesere til å klikke på lenker og knapper. Hvis disse autonome lokale agentene blir truffet av en direkte eller indirekte prompt-injeksjonsangrep, kan en trusselaktør manipulere dem til å eksfiltrere, endre eller ødelegge bedriftens data uten noen tradisjonell fotavtrykk.

Det fortsatt eksisterer et vindu mellom sårbarhetsoppdagelse og aktiv utnyttelse som fortsatt krymper. Hvor mye har AI akselerert denne tidsrammen, og hva endringer bør bedriftssikkerhetsteamene gjøre for å holde pace?

Det er en dobbelt kappløp: på den ene siden har du kappløpet til å oppdage, fikse og offentliggjøre nye sårbarheter før de onde gjør det, på den andre siden kappløpet til å oppdatere sårbar programvare-deployments før de onde slipper løs et utnyttelsesangrep. AI er i forkant i begge kappløpene.

Forsvarere må håndtere en økende mengde sårbarheter og har stadig mindre tid til å reagere. Når en sårbarhet blir offentlig, beveger angriperne seg raskt gjennom grunnleggende skritt. Hva er berørt? Er det tilgjengelig fra internettet? Kan utnyttelsen bli reprodusert og tilpasset for å fungere i flere miljøer? AI hjelper med hver av disse skrittene, summerer feilen, gjennomgår proof-of-concept-kode, foreslår justeringer og automatiserer scanning, utnyttelse og behandling av resultater.

Oppdatering kan ikke være det eneste ur sikkerhetsteamene ser på. Det er nødvendig, men det er vanligvis saktere enn angriperens tidsramme, spesielt for produksjonsklare, internett-eksponerte applikasjoner og API-er. Teamene må vite hva som er eksponert, hva som er utnyttbart i praksis og hvilke forretnings-tjenester og ressurser som vil bli berørt når de blir angrepet.

For å lukke dette kritiske eksponeringsvinduet, må forsvarerne skifte fra en reaktiv, oppdaterings-først-mentalitet til en automatisert, beskytt-først-modell ved å implementere miljøspesifikke sanntids-forsvar. I stedet for å stole på generiske, en-størrelse-til-alle-signaturer eller å tvinge operasjonsteam til å skynde seg med uverifiserte programvareoppdateringer til produksjon, bør organisasjonene begynne å stole på kontinuerlig, automatisert oppdagelse av API-endepunkter og online-applikasjonsforretningslogikk sammen med en automatisert programvare-bill-of-materials (SBOM), kombinert med trusselintelligens på de siste sårbarhetene og truslene for å dynamisk generere tilpassede virtuelle patches. Utrolning av disse kontekst-bevisste beskyttelser over web-applikasjoner og API-endepunkter blokkerer utnyttelsesforsøk på kjøretidslaget før de kan nå sårbar applikasjonslogikk. Dette type automatisert intercept kjøper sikkerhetsteamene en reparasjons-vindu, som tillater dem å grundig teste og trygt distribuere programvareoppdateringer på en håndterbar tidsplan uten å eksponere bedriften for umiddelbar risiko eller nedtid.

Organisasjoner deployer raskt AI-drevne applikasjoner og AI-agenter som avhenger mye av API-er. Underestimerer bedriftene sikkerhetsrisikoen dette skaper, og hva er de største feilene du ser i dag?

Ja, mange bedrifter underestimerer fortsatt risikoen fordi de behandler AI-agenter som applikasjoner å sikre og AI-sikkerhet som et datavern-problem snarere enn en operasjonell trussel. Problemet vi ser mest nå er en grunnleggende misforståelse av agent-agency. For en lokal AI-agent å være virkelig effektiv og spare en ansatt tid, må brukeren overføre all sin tilgangs-permisjon til den. Dette betyr at agenten effektivt arver ansattens identitet og tillit til korporative applikasjoner, nettlesersesjoner og lokale filer. Selv om en organisasjon aktivt overvåker og begrenser AI-agent-tilkoblinger, kan disse lokale agentene interagere med systemer ved å etterligne menneskelig atferd, som å klikke og taste gjennom nettleser-automatisering. Korporative sikkerhetssystemer blir fullstendig ute av stand til å skille mellom den faktiske ansatte og den automatiserte agenten.

Dette tillits-delegeringen blir svært farlig på grunn av hvordan LLM-er fundamentalt prosesserer informasjon: AI-modeller skille ikke mellom data og instruksjoner. Når en agent får bred systemtillgang for å gjøre jobben sin, blir det svært enkelt for en trusselaktør å sosialt manipulere agenten gjennom indirekte prompt-injeksjon. En angriper kan enkelt plassere skadelige instruksjoner inni en e-post, en PDF eller en nettside som agenten er tilordnet å lese. Modellen prosesserer den upålitelige data som en kommando, fullstendig utenom brukerens bevissthet. Plutselig blir et enkelt verktøy ment å sammenfatte dokumenter manipulert til å eksportere følsom informasjon, endre korporative data eller installere skadelig programvare, alt mens det skjuler seg bak den legitime brukerens legitimasjon.

Etter å ha tilbragt år med å forskere på IoT-malware og botneter, hvordan ser du på AI-transformasjonen av den neste generasjonen av botneter? Kan vi til slutt se autonome botneter som kan tilpasse sine taktikker uten direkte menneskelig inngripen?

Botnet-herdere har aldri sittet stille. Operatører roterer payload, implementerer nye sårbarheter, kontinuerlig skanner etter foreldede enheter og skifter kommandoinfrastrukturen når forsvarerne holder pace. AI-agenter kan seriøst akselerere disse syklene, enten det er sårbarhets-triaging, utnyttelses-generering eller infrastruktur-håndtering.

Autonome botneter er ikke fiksjon. Brickerbot var en av de første autonome botene. Den ville sitte stille og vente på at Mirai-infiserte IoT-enheter skulle forsøke å kompromittere vertsenheten, og deretter skulle den gjengjelde ved å mot-angripe den skyldige enheten ved å bruke enhets-fingeravtrykk og velge de mest passende sårbarhetene for å forsøke å få fotfeste på enheten. Til slutt ødela Brickerbot den infiserte enheten. Boten fungerte som et regel-basert ekspertsystem, lignende tidlige AI-systemer. En annen relevant botnet som gjorde inntrykk på sikkerhets-samfunnet for over et tiår siden var Hajime. Det var en av de første peer-to-peer-botneter. Ved å bruke Torrents distribuerte hash-tabeller, kunne Hajime kontrolleres og oppdateres desentralisert, uten å kreve en sentral kommando- og kontroll-infrastruktur, og derfor nesten umulig å ta ned.

Det er flere diskusjoner i sikkerhetssamfunnet om muligheten for en agens-botnet bygget på lokale AI-agent-rammeverk som OpenClaw. Disse er ikke de tradisjonelle kode-baserte malware-botneter, men botneter drevet fullstendig av kontekst-manipulering. Når lokale agenter prosesserer eksterne data, trenger angripere ikke å finne en tradisjonell programvare-utnyttelse for å kapre disse maskinene; de må bare lure den underliggende LLM. Ved å gjøre det, får angriperne tilgang til kraftfulle terminal-eksekvering, nettleser-automatisering og potensielt en rekke andre “ferdigheter”.

Samfunnet diskuterer spesifikt noen nøkkel-elementer som gjør en omfattende “OpenClaw-botnet” mulig:

• Siden OpenClaw kontinuerlig innhenter eksterne data (som å overvåke GitHub-problemer, lese innkommende Slack/Telegram-beskjeder eller sammenfatte nettsider), kan angripere innlemme skadelige instruksjoner i offentlig tilgjengelige data. Hvis en lokal agents prosesserer denne data, kan den injiserte prompten overstyre system-instruksjoner og kommandere agenten til å koble til en angriper-kontrollert kommando- og kontroll-server (C2).
• Sikkerhetsforskere har notert at OpenClaw-agenter har evnen til å bruke peer-to-peer eller agent-til-agent-krypterte kommunikasjonskanaler (som f.eks. community-bygde ferdigheter som ClaudeConnect). Cyberkriminelle innser at de kan utnytte disse kommunikasjonskanalene for å la kaprede agenter koordinere med hverandre stille, fullstendig utenom tradisjonelle nettverks-brannmur og endpoint-overvåking.
• Sikkerhetsskanninger har avdekket at titusener av naive brukere kjører OpenClaw-eksemplarer på skytjenere og utilsiktet eksponerer HTTP-administrasjons-grensesnittene direkte til internettet. Denne massive puljen av eksponerte, høy-privilegerede miljøer gir trusselaktører en enorm, forhånds-eksisterende fotavtrykk å målrette.
• Fordi OpenClaw avhenger mye av “ferdigheter” lastet ned fra offentlige repositorier som ClawHub, laster angripere opp åpenbart harmløse ferdigheter (som “Hva ville Elon gjøre”) som inneholder skjulte instruksjoner. Når agenten er installert, blir den stille kommandert til å kjøre bakgrunnsshell-kommandoer eller slippe ned malware, effektivt rekrutterer vertsmaskinen til en botnet uten at brukeren noen gang ser en mistenkelig fil-advarsel.

Til slutt er det enighet i samfunnet om at OpenClaw er et primært mål for verdens første sanne agens-botnet. I stedet for en botnet bestående av kompromitterte ruter eller IoT-enheter som kjører DDoS-skript, ville en OpenClaw-botnet bestå av høyt-kapable, fullt-autoriserte maskiner som trusselaktører kan kommandere til å stjele legitimasjon, endre data eller orkestrere massive forsyningskjede-angrep i maskin-hastighet.

Angående automatiserte boter som pivoterer og tilpasser seg autonomt ved å bruke en sentral LLM som sin hjjerne, er det absolutt ikke fiksjon, men det er heller ikke noe erfarte bot-herdere ville favorisere. Botneter er aktiva. Automatisering som mislykkes kan eksponere infrastruktur, tiltrekke oppmerksomhet for tidlig, eksponere operatøren eller brenne for mye tokens. Angripere vil bruke automatisering der det hjelper dem å flytte raskere, men de er usannsynlig å gi opp kontroll over beslutninger som kunne brenne tilgang, eksponere infrastruktur eller skade profittene.

Jeg ville ikke fullstendig ignorere eller eliminere risikoen likevel. Ettersom vi beveger oss inn i kanten AI og nye smarte enheter oftere utstyres med lokale små språk-modeller (SLM-er), kan jeg se muligheten for at opportunistiske trusselaktører går etter de lavthengende fruktene og innlemmer prompt-assistert bot-funksjonalitet i sine botneter. I det minste vil de ikke måtte betale for overveldende token-bruk når en lokal SLM begynner å løpe på en for sofistikert prompt eller en kontekst som vokser for stor.

Hacktivisme-kampanjer og store DDoS-angrep har blitt stadig mer vanlige. Er disse gruppene mer sofistikerte nå, eller gjør AI og lett tilgjengelige angreps-verktøy avanserte angrep tilgjengelige for en mye bredere publikum?

Begge deler. Noen hacktiviste-grupper har blitt genuint mer organiserte. Noen grupper, som den ikoniske NoName057(16), har aktivt utført DDoS-angrep hver eneste dag siden februar 2022. De har hatt tid til å forbedre sine verktøy, bygge en lojal tilhengerskare og lære hvordan å velge mål som trekker oppmerksomhet, time angrepene rundt politiske begivenheter og bruke offentlige krav til å bygge press. For hacktivister betyr budskapet mer enn forstyrrelsen i seg selv.

I samme periode har verktøyene blitt enklere å få tak i enn de var tidligere. DDoS-for-leie-tjenester, botneter, proxy-nettverk, lekkede skript og tutoriale har tillatt noen med begrenset ferdighet å delta i en kampanje og føle seg en del av noe større. AI legger til kodestøtte, mål-research, oversettelse, kampanje-melding og grunnleggende automatisering på toppen av dette.

Mål-gruppene føler effekten uansett, enten angrepet kommer fra en sofistikeret gruppe drevet av ideologi eller en enkelt ulv leid av en konkurrent som leier DDoS-angreps-infrastruktur. En ned nettsted påvirker kunder. En utilgjengelig offentlig tjeneste blir lagt merke til av borgere. Nok støy, og ledere og kommunikasjonsteam må svare uansett hvem som er bak tastaturet.

Ettersom bedrifter kappler for å integrere generativ AI i sine operasjoner, hva nye angrepsflater oppstår som sikkerhetsledere kanskje ikke ennå fullt ut verdsetter?

SVaret er definert av hva AI-agenten kan nå. Når den har tilgang til interne dokumenter, kode, CI/CD-pipelines, API-nøkler eller devops-verktøy, utvides angrepsflaten raskt. For å være nyttig, trenger en agent agenti, ellers er det ikke mer enn en forbedret chatbot. Spørsmålet blir da hva agenten er tillatt å gjøre. Hva konfidensiell informasjon kan den lese? Kan den endre en billett eller en bankkonto i CRM-en? Kan den kjøre kode? Kan den ringe en ekstern tjeneste? Kan den eksponere data gjennom verktøy-kalling?

Indirekte prompt-injeksjon blir mer alvorlig i slike miljøer. Hvis en agent prosesserer upålitelig innhold og deretter handler, kan prompten bli en innvei til arbeidsflyten. Det er forskjellig fra en chatbot som svarer på et spørsmål.

AI brukes nå av både angripere og forsvarere. Tror du defensive AI vil holde pace med offensiv AI, eller vil organisasjoner møte en stadig mer asymmetrisk kamp over de kommende årene?

AI skaper en ubalanse som favoriserer angriperen. Dette er ikke fordi defensive AI-modeller er underlegne. I virkeligheten er bruken av AI i forsvar svært effektiv til å filtrere ut daglig støy og akselerere hendelses-svar. Problemet er imidlertid en strukturell gap i operasjonell hastighet og begrensninger.

Historisk sett, når en sårbarhet ble oppdaget, hadde sikkerhetsteamene en liten tidsramme til å deployere en patch før trusselaktører våpeniserte den. I dag har agens-ai komprimert denne tidsrammen til nær null. Automatiserte verktøy kan finne en svakhet og øyeblikkelig generere et målrettet utnyttelse. En tradisjonell, menneske-ledet patch-håndteringprosess kan ikke konkurrere med en automatisert pipeline som kjører kontinuerlige angreps-løkker.

Fortsatt opererer de to sidene under fullstendig forskjellige regler. Angripere møter ingen begrensninger når det gjelder overholdelse, etikk eller operasjonell nedtid. De kan deployere tilpassede AI-agenter for å lansere ubegrensede, stor-skala kampanjer. Forsvarere, på den andre siden, må operere deterministisk. En defensiv AI kan ikke blindt isolere en kritisk produksjons-database eller oppheve en leders legitimasjon basert bare på en høy-sannsynlighet-anomali. Forsvarere trenger verifisering for å beskytte forretnings-kontinuitet, og forsinkelsen introdusert av disse nødvendige sikkerhetsskottene er nettopp det automatiserte angrep utnytter.

Til slutt vil sikkerhetsledelse ikke defineres av hvem som eier den “smarteste” AI-en, men av hvem løser denne arkitektoniske hastighets-gapet. Organisasjoner som behandler AI som bare et annet standard-sikkerhetsverktøy, vil bli overveldet av hastigheten til moderne trusler. Suksess krever redesign av infrastrukturen for å tillate defensiv AI å isolere og inneholde trusler autonomt.

Mange sikkerhetsteam fortsatt avhenger av tradisjonelle sikkerhets-målinger og oppdagelsesmetoder. Ettersom angrep blir raskere og mer automatiserte, hva indikatorer eller atferd bør organisasjoner prioritere i stedet?

De fleste sikkerhets-målinger fokuserer fortsatt mye på aktivitet: varslinger utløst, angrep blokkert eller sårbarheter funnet. Mens disse tallene er nyttige for å måle hendelses-svar, gir de ikke innsikt i organisasjonens faktiske eksponering. De forteller forsvarerne hva de fanget, men de viser ikke de blinde sonene som er åpne til en angriper utnytter dem.

I en æra med automatiserte trusler er avhengighet av reaktive målinger ikke lenger håndterbar. Når en organisasjon er mål, krever angreps-hastigheten proaktivt ledelse. Sanntids angrepsflate-håndtering er nå imperativ. Forsvarere må ha kontinuerlig visibilitet i spesifikke operasjonelle risikoer: Hvilke kritiske applikasjoner og API-er er eksponert for internettet? Hvilke sårbarheter eksisterer i dem?

Ekte motstandskraft kommer fra å koble denne angrepsflate-konteksten med atferds-detteksjon og trusselintelligens. Ved å forstå nøyaktig hva som er eksponert og hvordan det oppfører seg, kan sikkerhetsteamene forutse og blokkere tidligere ukjente angrep.

Til slutt er operasjonell hastighet en kritisk indikator for suksess, men forsvarerne må måle det riktige tids-vinduet: Hvor raskt kan vi identifisere at en ny sårbarhet berører et eksponert system, og hvor raskt kan vi sette en kompenserende kontroll i plass for å beskytte det? Denne spesifikke hastigheten er det sanne målet for om en sikkerhets-program kan motstå høy-hastighets-angrep i stor skala.

Ser du fremover fem år, hva tror du vil være den avgjørende cybersikkerhets-utfordringen i AI-æraen, og hva bør CISO-er og sikkerhetsteam begynne å gjøre i dag for å forberede seg på det?

Ser vi fremover fem år, vil den avgjørende cybersikkerhets-utfordringen i AI-æraen være å styre og sikre autonome ikke-menneskelige relasjoner. Ettersom organisasjoner beveger seg bort fra enkeltstående chatbott til sammenkoblede, multi-agentsystemer som har agenti til å utføre finansielle transaksjoner, endre kildekode og endre sky-infrastruktur, vil tradisjonelle sikkerhets-grenser bryte sammen. Om fem år vil en bedrift ikke bare håndtere menneskelige ansatte og statisk programvare; den vil overvåke tusenvis av autonome AI-agenter som interagerer med hverandre, korporative data og eksterne tredje-parts-systemer.

Visibilitet i agens-systemer over hele organisasjonen vil være imperativ. Før agenter prolifere, bør CISO-er etablere en sentral register som definerer tydelig eierskap for hver deployert agent, data-modellene og repository-ene agenten er autorisert til å lese og verktøyene, API-ene og system-kommandoene den er tillatt å ringe. CISO-er bør også pålegge at hver deployering av agens-teknologi utnytter standardiserte, verifiserbare koblings-protokoller for å sikre at alle verktøy-integreringer er strengt logget.

I fem år vil å forsvare API-er og online-applikasjoner ikke lenger være å håndtere konfigurasjoner, blokkere kjente signaturer og fikse sårbarheter; det vil være et automatisert logisk krig mot logikk. Ettersom trusselaktører deployer fullstendig automatiserte, kontekst-bevisste agens-pipelines som kan reversere en applikasjons forretningslogikk innen sekunder etter oppdagelse, vil tradisjonelle web-applikasjons-brannmur (WAF) bli foreldet. Å forsvare dette landskapet vil kreve en skifte til autonome, kontekst-drevne arkitekturer.

Angripere vil bruke grense-modeller til å fullstendig automatisere oppdagelses- og utnyttelses-syklusen for API-logikk-feil (som Broken Object Level Authorization, eller BOLA). I stedet for å lete etter kjente programvare-bugg, vil automatiserte angreps-boter kartlegge en hel applikasjons API-skjema, forstå hvordan data flyter og dynamisk generere presise, høyt tilpassede payload-sekvenser for å manipulere forretningslogikk. Fordi disse angrepene bruker gyldig syntaks og legitime API-kall, vil standard terskel-basert ratelimiting og signatur-detteksjon være fullstendig blinde for dem.

For å motstå automatisert oppdagelse, må forsvarere oppnå sanntids, kontinuerlig visibilitet i deres eget eksponerte arkitektur. Sikkerhetsteam kan ikke stole på statisk dokumentasjon eller gamle API-kataloger. Defensiv AI må kontinuerlig skanne og kartlegge hver enkelt aktiv API-endepunkt, mikro-tjeneste-relasjon og online-applikasjons-arbeidsflyt over hybrid sky-miljøer. Denne automatiserte visibiliteten må kombineres med en dynamisk programvare-bill-of-materials (SBOM) for å umiddelbart koble en ny global sårbarhets-rapport til de spesifikke interne kodelinjer som er eksponert for internettet.

Fordi automatiserte angrep vil blande seg med legitime bruker-trafikk, må forsvar skifte fullstendig til kontekst-bevisst atferds-analyse. Defensiv AI vil profilere standard-atferden til hver enkelt API-klient, token og bruker-identitet. Den vil overvåke intensjonen og rekkefølgen av API-kall heller enn bare inndataene. Hvis en angripers automatisert skript begynner å sy sammen legitime API-kall i en anomali-rekke for å skrape data eller teste en logikk-feil, må systemet gjenkjenne den strukturelle avviket i intensjon og gripe inn umiddelbart.

Det sanne målet for motstandskraft vil være hvor raskt en organisasjon kan komprimere vinduet mellom en sårbarhets eksponering og dens reparasjon. Å vente på at dev-teamene skriver, tester og distribuerer kodeoppdateringer til produksjon, vil være en fatal strategi. Sant beskyttelse vil avhenge av automatisert, kontekst-bevisst virtuell patching på kjøretidslaget. Ved å mata sanntids trusselintelligens og API-oppdagelses-data direkte inn i defensiv AI-motorer på kanten, vil infrastrukturen automatisk generere og deployere tilpassede virtuelle patches for å intercepte og blokkere utnyttelses-forsøk før de noen gang berører sårbar applikasjonslogikk. Takk for det flotte intervjuet, lesere som ønsker å lære mer bør besøke Radware.