Ramutė Varnelytė, CEO av IPXO – Intervjuiserie

Ramutė Varnelytė, CEO av IPXO, har over 15 års kommersiell ledererfaring og ble utnevnt til å lede selskapet tidlig i 2025. I sin rolle driver hun strategisk vekst, operasjonell eksellens og markedsposisjonering, og sikrer at IPXO forblir i forkant av innovasjon innen IP-adresseleie og -håndtering.

IPXO, som står for Internet Protocol Exchange Organization, ble grunnlagt i 2021 for å løse den globale IPv4-mangelen ved å skape en dynamisk leie- og moneteringsplattform. Den har vokst til å bli verdens største fullstendig automatiserte markedsplass for IP-adresseleie. Plattformen støtter millioner av IP-adresser globalt, bakket opp av sterke relasjoner med regionale internett-registre og en misjon om å bygge et samlet, effektivt IP-økosystem.

Vi skal diskutere hvordan IPXO bruker atferdsbasert risikoprofilering og maskinlæring til å skille mellom harmløs AI-automatisering og skadelig bot-aktivitet. Samtalen vil utforske økningen av AI-agenter i internett-trafikk, ISP-sikkerhetsutfordringer og strategier for å balansere sikkerhet med operasjonell effektivitet.

Hvilke trender førte til din konklusjon om at AI-agenter – og ikke bare skraping-boter – nå dominerer trafikkmønster i mange organisasjoner?

Boter er overalt nå, og overgår menneskelig trafikk. Mer enn en tredjedel av bot-trafikken består av den såkalte “dårlige bot”-andelen, som bidrar til mye skadelig aktivitet. Trenden er tydelig i ulike hendelsesrapporter: når selskaper undersøker uvanlig eller skadelig trafikk, merkelige toppunkt i API-bruk eller andre uregelmessigheter, viser bevisene at mange av disse automatiserte systemene oppfører seg mer som AI-agenter, fordi de later som om de er forskjellige nettlesere eller enheter (brukeragent-spoofing), raskt bytter IP-er (hurtig IP-rotasjon), er inkonsistente når de sammenlignes med typisk skraping-bot-aktivitet, og lignende. Grunnen til dette er den rene volumet av trafikk, samt den økende kompleksiteten i deres handlinger, som peker mot AI-agenter, snarere enn bare enkle boter.

Hvilke atferdssignaler brukes til å bygge IP-risikoprofiler – slik som forespørselsfrekvens, header eller geografiske mønster?

Det er mulig å evaluere en IP”s “rykter-score” uten å se på den faktiske innholdet i forespørslene, men bare ved å observere hvordan den oppfører seg i nettverket. Disse uregelmessige mønsterene er “innhold-agnostiske”, som betyr at du ikke trenger faktisk data. Metadata og bestemt atferd er nok til å evaluere IPs risikoprofil. Dette fungerer også i stor skala, da mistenkelig atferd ikke skjules av moderne kryptering som TLS 1.3 eller ECH. Det er fortsatt ganske mye observerbar data som ikke blir kryptert.

Hvordan skiller din system mellom harmløs AI-automatisering og skadelig aktivitet som skraping, botneter eller legitimasjonshåndtering – spesielt uten å inspisere innhold i nyttelasten?

Det er viktig å vurdere hvordan automatiseringen oppfører seg over en bestemt periode, ikke bare hva innhold den forespør. De “gode” botene er vanligvis svært forutsigbare, har en bestemt struktur og trinn de følger. Skadelige boter, på den andre siden, hopper ofte uforutsigbart rundt, bruker engangsidentifikatorer, holder en rigid “maskin-lignende” takt og sprenger forespørsler over mange servere for å unngå oppdagelse. Det handler om utvidet atferdsmodellering, evaluering av hvordan den beveger seg rundt på siden over tid.

Kunne du forklare hvordan eksisterende ISP-er sliter med å håndtere økende proxy-trafikk samtidig som de opprettholder sterke forsvar mot cyberangrep?

Moderne protokoller skjuler mer tilkoblingsdetaljer for økt personvern, så det blir vanskeligere og mer kostbart for ISP-er å evaluere trafikktypen og klassifisere den riktig. Ettersom det er vanskeligere å se hva som er inni, avhenger ISP-er mer av trafikkens atferd, ikke innhold. Kampen ligger i den tvungne skiftet fra å avhenge hovedsakelig av trafikkinspeksjon, som har økt operasjonskostnadene, og integrere nye trussel-intelligens-verktøy for å tilpasse den nye tilnærmingen.

Hva er de sikkerhetsmessige kompromissene ISP-er står overfor hvis de løsner restriksjoner for å tilpasse AI-agent-trafikk?

Løsning av filter kan redusere falske positiver og friksjon, for å holde agentene kjørende oppgaver jevnt. Men dette kan også potensielt øke antall trusler og angrep, ettersom “dårlige bot”-andelen allerede utgjør en betydelig andel av trafikken. Løsere filter innebærer høyere risiko. En måte å kompromisse mellom de to ville være en risikovektet inngangstilnærming. For eksempel, hvis det er mistenkelig trafikk, kan første skrittet være å sakke den ned, snarere enn å blokkere den fullstendig. Mer nyanserte kontroller må settes opp.

Hva er de kjernetechnologiene som driver din sanntids-risikovurdering – bruker du maskinlæring, trussel-intelligens-feed eller atferdsanomalie-oppdaging?

Vi bruker en sunn blanding av sanntids-dataovervåking og evaluering, maskinlæring og ulike trussel-intelligens-verktøy. Målet er å raskt oppdage uregelmessigheter i atferd, forstå trafikkens intensjon og om det finnes grunner til å tro at det er skadelig; hvis ja – flagg høyrisk-fall og håndter det deretter.

Hvordan integrerer din system med eksisterende ISP- eller bedriftssikkerhetsarbeidsflyt – kan den utløse varslinger eller mitigasjon automatisk?

Ja, vårt system sender både varslinger til eksisterende arbeidsflyt, samt blokkerer visse trusler på nettverksnivå. Det kan kjøre i ulike moduser, avhengig av risikotoleranse.

Har denne profileringssystemet avdekket noen overraskende angrepsmønster eller misbrukssaker under tidlig testing eller utrullinger?

Ja, det har vært ganske flere. Et eksempel på tvers av industrien kunne være “hallusinasjonskryp”, når LLM-er oppfinner ikke-eksisterende URL-er og deretter prøver å hente dem. Eller plutselige økninger av forespørsler, som gjentas på eksakt samme tidsintervall, som 15 minutter eller en time. Alle disse mønsterene er nyttige for oss til å videreutvikle atferdssporing og redusere falske positiver.

Hva er konsekvensene for personvern og sikkerhet ved å bygge atferdsbasert profiler uten å inspisere kryptert innhold – spesielt under globale datavernlovens regler?

Atferdsmetadata kan anses som personlige data, men det finnes unntak, for eksempel hvis interessen er legitim, kan rettferdiggjøres og er nødvendig for sikkerhetsovervåking. Det er sagt, interessen i å få tilgang til og mengden data som behandles, må være proporsjonal med de risikoer som vurderes.

Hvordan forhindrer du falske positiver fra å flagge harmløs automatisering, som forskningskrypere eller hvitlistede AI-agenter, som cybertrusler?

Vi tester nye sikkerhetstiltak og regler før vi distribuerer dem, vurderer flere signaler før vi tar noen handling, og bruker også myke utfordringer først for å teste trafikkens legitimitet, snarere enn å blokkere den fullstendig. Det handler om en flerskiktet sjekkeliste, som konstant finjusteres.

Takk for det flotte intervjuet, lesere som ønsker å lære mer kan besøke IPXO.