Saryu Nayyar, CEO og grunnlegger av Gurucul – Intervju-serie

Saryu Nayyar er en internasjonalt anerkjent ekspert på cybersikkerhet, forfatter, foredragsholder og medlem av Forbes Technology Council. Hun har over 15 års erfaring fra informasjonssikkerhet, identitet og tilgangsstyring, IT-risiko og compliance, og sikkerhetsrisikostyring.

Hun ble kåret til EY Entrepreneurial Winning Women i 2017. Hun har hatt ledelsesroller i sikkerhetsprodukter og -tjenester i Oracle (ORCL ), Simeio, Sun Microsystems, Vaau (kjøpt av Sun) og Disney. Saryu har også tilbragt flere år i seniorstillinger i teknologisikkerhets- og risikostyringspraksisen til Ernst & Young.

Gurucul er et selskap som spesialiserer seg på atferdsbasert sikkerhet og risikoanalyse. Plattformen deres bruker maskinlæring, AI og stor data for å oppdage insidertrusler, konto-kompromittering og avanserte angrep på tvers av hybrid-miljøer. Gurucul er kjent for sin Unified Security and Risk Analytics Platform, som integrerer SIEM, UEBA (User and Entity Behavior Analytics), XDR og identitetsanalyse for å gi sanntids-trusseldeteksjon og -respons. Selskapet betjener bedrifter, myndigheter og MSSP-er, med mål om å redusere falske positiver og akselerere trussel-remediering gjennom intelligent automatisering.

Hva inspirerte deg til å starte Gurucul i 2010, og hvilket problem ønsket du å løse i cybersikkerhetslandskapet?

Gurucul ble grunnlagt for å hjelpe Security Operations og Insider Risk Management-team med å få klarhet i de mest kritiske cybersikkerhetsrisikoene som påvirker deres forretning. Siden 2010 har vi tatt en atferds- og prediktiv analytisk tilnærming, i stedet for regelbasert, som har generert over 4 000 maskinlæringsmodeller som setter bruker- og enhets-anomalier i kontekst på tvers av ulike angreps- og risikoscenarier. Vi har bygget videre på dette som vår grunnmur, fra å hjelpe store Fortune 50-selskaper med å løse Insider Risk-utfordringer, til å hjelpe selskaper med å få radikal klarhet i alle cybersikkerhetsrisikoer. Dette er løftet av vår unifiede og AI-drevne Data og Security Analytics-plattform, REVEAL. Nå bygger vi videre på vår AI-misjon med en visjon om å levere en Self-Driving Security Analytics-plattform, som bruker maskinlæring som grunnmur, men nå også legger til generativ og agensbasert AI-kapasiteter på tvers av hele trussellivet. Målet er at analytikere og ingeniører skal bruke mindre tid på kompleksitet og mer tid på meningsfulle oppgaver. La maskiner forsterke definisjonen av deres dag-til-dag-aktiviteter.

Med din erfaring fra ledelsesroller i Oracle, Sun Microsystems og Ernst & Young, hvilke nøkkel-lærdommer tok du med deg til Gurucul?

Min ledelseserfaring i Oracle, Sun Microsystems og Ernst & Young styrket min evne til å løse komplekse sikkerhetsutfordringer og ga meg en forståelse av de utfordringene som Fortune 100-selskaper og CISO-er møter. Samlet sett ga det meg en førerestol til de teknologiske og forretningsmessige utfordringene som de fleste sikkerhetsledere møter, og inspirerte meg til å bygge løsninger for å brygge disse gapene.

Hvordan skiller Guruculs REVEAL-plattform seg fra tradisjonelle SIEM-løsninger?

Arveløse SIEM-løsninger avhenger av statiske, regelbaserte tilnærminger som fører til overflødige falske positiver, økte kostnader og forsinket deteksjon og respons. Vår REVEAL-plattform er fullstendig sky-basert og AI-drevet, og bruker avansert maskinlæring, atferdsanalyse og dynamisk risikoscoring for å oppdage og respondere på trusler i sanntid. I motsetning til tradisjonelle plattformer, tilpasser REVEAL seg kontinuerlig til utviklende trusler og integrerer på tvers av lokale, sky- og hybrid-miljøer for omfattende sikkerhetsdekning. REVEAL definerer AI-drevne SIEM med ubestridt presisjon, hastighet og synlighet. Dessuten kjemper SIEM-er med et data-overlast-problem. De er for dyre for å innhente alt som trengs for full synlighet, og selv om de gjør det, legger det bare til det falske positive-problemet. Gurucul forstår dette problemet, og det er derfor vi har en innfødt og AI-drevet Data Pipeline Management-løsning som filtrerer ikke-kritisk data til lavkostnads-lagring, og sparer penger, samtidig som den beholder evnen til å kjøre fødererte søk på tvers av alle data. Analyse-systemer er en “skrald inn, skrald ut”-situation. Hvis dataene som kommer inn er oppblåst, unødvendig eller ufullstendig, vil utgangen ikke være nøyaktig, handlebart eller til slutt troverdig.

Kan du forklare hvordan maskinlæring og atferdsanalyse brukes til å oppdage trusler i sanntid?

Vår plattform bruker over 4 000 maskinlæringsmodeller for å kontinuerlig analysere alle relevante datasett og identifisere anomalier og mistenkelige atferder i sanntid. I motsetning til legacy-sikkerhetssystemer som avhenger av statiske regler, avdekker REVEAL trusler mens de oppstår. Plattformen bruker også User and Entity Behavior Analytics (UEBA) for å etablere baselinjer for normal bruker- og enhetsatferd, og oppdager avvik som kan indikere insider-trusler, kompromitterte kontoer eller ondsinnet aktivitet. Denne atferden kontekstualiseres videre av en big data-motor som korrelerer, beriker og kobler sikkerhets-, nettverks-, IT-, IoT-, sky-, identitets-, forretningsapplikasjonsdata og både interne og eksterne trusselintelligens. Dette informerer en dynamisk risikoscoring-motor som tildeler sanntids-risikopoeng som hjelper med å prioritere respons til kritiske trusler. Disse kapasitetene gir en omfattende, AI-drevet tilnærming til sanntids-trusseldeteksjon og -respons som skiller REVEAL fra konvensjonelle sikkerhetsløsninger.

Hvordan hjelper Guruculs AI-drevne tilnærming med å redusere falske positiver sammenlignet med konvensjonelle cybersikkerhetssystemer?

REVEAL-plattformen reduserer falske positiver ved å bruke AI-drevne kontekstuelle analyser, atferdsinsikter og maskinlæring for å skille legitime brukeraktivitet fra faktiske trusler. I motsetning til konvensjonelle løsninger, finjusterer REVEAL sin deteksjonskapasitet over tid, og forbedrer nøyaktigheten samtidig som den minimiserer støyen. UEBA-en detekterer avvik fra baselinje-atferd med høy nøyaktighet, og lar sikkerhetsteamene fokusere på legitime sikkerhetsrisikoer i stedet for å bli overveldet av falske alarmer. Mens maskinlæring er et grunnleggende aspekt, spiller generativ og agensbasert AI en betydelig rolle i å legge til kontekst i naturlig språk for å hjelpe analytikere med å forstå nøyaktig hva som skjer rundt en alarm, og selv automatisere responsen til slike alarmer.

Hva rolle spiller adversarial AI i moderne cybersikkerhetstrusler, og hvordan bekjemper Gurucul disse utviklende risikoene?

Først og fremst ser vi allerede nå at adversarial AI brukes på de laveste hengende fruktene, det menneskelige vektoren og identitetsbaserte trusler. Dette er derfor atferds- og identitetsanalyse er kritisk for å kunne identifisere anomale atferder, sette dem i kontekst og forutsi ondsinnet atferd før det sprenger seg videre. Videre er adversarial AI den endelige spiken i kisten for signaturbaserte deteksjonsmetoder. Adversaries bruker AI for å unngå disse TTP-definerte deteksjonsreglene, men igjen kan de ikke unngå de atferdsbaserte deteksjonene på samme måte. SOC-teamene er ikke ressurssterkt nok til å fortsette å skrive regler for å holde pace, og vil kreve en moderne tilnærming til trusseldeteksjon, -undersøkelse og -respons. Atferd og kontekst er de viktigste ingrediensene. Plattformer som REVEAL avhenger av en kontinuerlig tilbakemeldings-løkke, og vi bruker kontinuerlig AI for å finjustere våre deteksjonsmodeller, anbefale nye modeller og informere ny trusselintelligens som hele vårt økosystem av kunder kan dra nytte av.

Hvordan forbedrer Guruculs risikobaserte scoringsystem sikkerhetsteamenes evne til å prioritere trusler?

Vår plattforms dynamiske risikoscoring-system tildeler sanntids-risikopoeng til brukere, enheter og handlinger basert på observerte atferder og kontekstuelle insikter. Dette muliggjør at sikkerhetsteamene prioriterer kritiske trusler, reduserer responstid og optimaliserer ressurser. Ved å kvantifisere risiko på en 0–100-skala, sikrer REVEAL at organisasjonene fokuserer på de mest kritiske hendelsene i stedet for å bli overveldet av lav-prioritets-alarmer. Med en samlet risikopoeng som omfatter alle bedriftsdatasources, får sikkerhetsteamene større synlighet og kontroll, og dette fører til raskere og mer informerte beslutninger.

I en tid med økende datatyverier, hvordan kan AI-drevne sikkerhetsløsninger hjelpe organisasjoner med å forebygge insider-trusler?

Insider-trusler er en særlig utfordrende sikkerhetsrisiko på grunn av deres subtile natur og den tilgangen ansatte har. REVEALs UEBA detekterer avvik fra etablerte atferdsbaselinjer, og identifiserer risikable aktiviteter som uautorisert data-tilgang, uvanlige innloggings-tider og misbruk av privilegier. Dynamisk risikoscoring vurderer også kontinuerlig atferder i sanntid, og tildeler risikonivåer for å prioritere de mest kritiske insider-risikoene. Disse AI-drevne kapasitetene muliggjør at sikkerhetsteamene proaktivt oppdager og mildner insider-trusler før de eskalerer til datatyverier. Gitt den prediktive naturen av atferdsanalyse, er Insider Risk Management en kappløp mot klokken. Insider Risk Management-team må kunne respondere og samarbeide raskt, med fokus på personvern. Kontekst er igjen kritisk her, og å legge til atferds-avvik med kontekst fra identitetssystemer, HR-applikasjoner og alle andre relevante datasources, gir disse teamene ammunisjonen til å raskt bygge og forsvare en sak av bevis, så bedriften kan respondere og mildne før data-ekstraksjon skjer.

Hvordan forbedrer Guruculs identitetsanalyse-løsning sikkerheten sammenlignet med tradisjonelle IAM-verktøy?

Tradisjonelle IAM-løsninger fokuserer på tilgangskontroll og autentisering, men mangler intelligensen og synligheten til å oppdage kompromitterte kontoer eller privilegie-misbruk i sanntid. REVEAL går utenfor disse begrensningene ved å bruke AI-drevne atferdsanalyser for å kontinuerlig vurdere bruker-risiko, dynamisk justere risikopoeng og påtvinge adaptive tilgangs-berettigelse, og minimere misbruk og ulovlige privilegier. Ved å integrere med eksisterende IAM-rammeverk og påtvinge minst-privilegie-tilgang, forbedrer vår løsning identitetssikkerheten og reduserer angrepsflaten. Problemet med IAM-styring er identitetssystem-sprengning og mangelen på sammenheng mellom ulike identitetssystemer. Gurucul gir teamene en 360°-oversikt over deres identitetsrisiko på tvers av alle identitets-infrastruktur. Nå kan de stoppe å godkjenne tilgang, men i stedet ta en risiko-orientert tilnærming til tilgangspolitikk. Dessuten kan de raske opp kompleksitet og demonstrere en kontinuerlig overvåking og helhetlig tilnærming til tilgangskontroll på tvers av organisasjonen.

Hva er de viktigste cybersikkerhetstruslene du forutser i de neste fem årene, og hvordan kan AI hjelpe med å mildne disse?

Identitetsbaserte trusler vil fortsette å spre seg, fordi de har fungert. Adversaries vil doble innsatsen for å få tilgang ved å logge inn enten ved å kompromittere insiders eller angripe identitets-infrastruktur. Naturligvis vil insider-trusler fortsette å være en nøkkel-risikovektor for mange bedrifter, spesielt siden skygge-IT fortsetter. Uansett om det er ondsinnet eller uaktsomt, vil selskaper stadig mer trenge synlighet i insider-risiko. Dessuten vil AI akselerere variasjoner av konvensjonelle TTP-er, fordi adversities vet at det er hvordan de vil kunne unngå deteksjoner ved å gjøre det, og det vil være lavt kostnadsforpliktende for dem å skape adaptive taktikker, tekniske og protokoller. Derfor er det igjen hvorfor fokus på atferd i kontekst og å ha deteksjonssystemer som kan tilpasse seg like raskt, vil være avgjørende for den nærmeste fremtid.

Takk for det flotte intervjuet, lesere som ønsker å lære mer, bør besøke Gurucul.