Ramutė Varnelytė, CEO IPXO – Wywiad z serii

Ramutė Varnelytė, CEO IPXO, posiada ponad 15-letnie doświadczenie w kierowaniu zespołami handlowymi i została powołana na stanowisko CEO wczesnym 2025 roku. W swojej roli napędza strategiczny wzrost, doskonałość operacyjną i pozycjonowanie rynkowe, zapewniając, że IPXO pozostaje na czele innowacji w dziedzinie leasingu i zarządzania adresami IP.

IPXO, czyli Internet Protocol Exchange Organization, zostało założone w 2021 roku w celu rozwiązania globalnego problemu braku adresów IPv4 poprzez stworzenie dynamicznej platformy leasingu i monetyzacji. Rozwinęło się w największy na świecie w pełni zautomatyzowany rynek leasingu adresów IP. Platforma obsługuje miliony adresów IP na całym świecie, wspierana przez silne relacje z Regionalnymi Rejestrami Internetu i misją budowy zjednoczonego, efektywnego ekosystemu IP.

Będziemy omawiać, jak IPXO wykorzystuje profilowanie ryzyka oparte na zachowaniu i uczenie maszynowe do odróżnienia pomiędzy bezpieczną automatyką AI a szkodliwą aktywnością botów. Rozmowa będzie dotyczyć wzrostu agentów AI w ruchu internetowym, wyzwań bezpieczeństwa ISP oraz strategii równoważenia bezpieczeństwa z efektywnością operacyjną.

Jakie trendy doprowadziły do Twojego wniosku, że agenci AI – a nie tylko boty do scrapingu – dominują obecnie wzorce ruchu w wielu organizacjach?

Boty są wszędzie, znacznie przewyższając ruch generowany przez ludzi. Ponad jedna trzecia ruchu botów stanowią tzw. „złe boty”, które przyczyniają się do wielu szkodliwych działań. Trend jest wyraźny w różnych raportach incydentów: gdy firmy badają niezwykły lub szkodliwy ruch, dziwne skoki w użyciu API lub inne nieprawidłowości, dowody pokazują, że wiele z tych zautomatyzowanych systemów zachowuje się bardziej jak agenci AI, ponieważ udają różne przeglądarki lub urządzenia (spoofing user-agent), szybko zmieniają swoje IP (szybka rotacja IP), są niekonsekwentne w porównaniu z typową aktywnością botów do scrapingu i tym podobne. Podstawą jest ogromna ilość ruchu oraz zwiększona złożoność ich działań, co wskazuje na agenty AI, a nie tylko proste boty.

Jakie sygnały behawioralne są wykorzystywane do budowania profili ryzyka IP – takie jak częstotliwość żądań, nagłówki lub wzorce geograficzne?

Można ocenić „wynik reputacji” IP bez nawet oglądania treści żądań, po prostu obserwując, jak się zachowuje w sieci. Te nieregularne wzorce są „niezależne od treści”, co oznacza, że nie potrzebujesz rzeczywistej danych. Metadane i określone zachowanie są wystarczające do oceny profilu ryzyka IP. Działa to również w skali, ponieważ podejrzane zachowanie nie jest ukryte przez nowoczesne szyfrowanie, takie jak TLS 1.3 lub ECH. Nadal istnieje wiele obserwowalnych danych, które po prostu nie są szyfrowane.

Jak Wasz system odróżnia pomiędzy bezpieczną automatyką AI a szkodliwą aktywnością, taką jak scraping, botnety lub stuffing poświadczeń – szczególnie bez inspekcji zawartości ładunku?
Ważne jest, aby rozważyć jak automatyka zachowuje się przez pewien okres czasu, a nie tylko jaką zawartość żąda. „Dobre” boty są zwykle bardzo przewidywalne, mają pewną strukturę i kroki, które wykonują. Szkodliwe boty, z drugiej strony, często skaczą nieprzewidywalnie, używają identyfikatorów jednorazowych, utrzymują sztywny „maszynowy” rytm i rozpraszają żądania na wiele serwerów, aby uniknąć wykrycia. Sprowadza się to do modelowania zachowania w czasie.

Czy mógłbyś wyjaśnić, jak istniejące ISP radzą sobie z rosnącym ruchem proxy, utrzymując przy tym silne obrony przed atakami cybernetycznymi?

Nowoczesne protokoły ukrywają więcej szczegółów połączenia dla zwiększonej prywatności, więc staje się coraz trudniejsze i droższe dla ISP, aby ocenić typ ruchu oraz go prawidłowo sklasyfikować. Ponieważ trudniej jest zobaczyć, co jest w środku, ISP polegają bardziej na zachowaniu ruchu, a nie na zawartości. Trudność leży w wymuszonej zmianie ich podejścia z polegania głównie na inspekcji ruchu, co zwiększyło koszty operacyjne, oraz integracji nowych narzędzi wywiadu, aby dopasować nowe podejście.

Jakie są konsekwencje bezpieczeństwa, które ISP muszą rozważyć, jeśli poluzują ograniczenia, aby umożliwić ruch agentów AI?

Poluzowanie filtrów może zmniejszyć fałszywe pozytywy i tarcie, aby utrzymać agenty w działaniu. Ale to również może potencjalnie zwiększyć liczbę zagrożeń i ataków, ponieważ „zły udział botów” już stanowi znaczną część ruchu. Luźniejsze filtry oznaczają wyższe ryzyko. Jednym ze sposobów kompromisu pomiędzy nimi byłoby podejście oparte na wadze ryzyka. Na przykład, jeśli istnieje podejrzany ruch, pierwszym krokiem mogłoby być spowolnienie go, zamiast całkowitego blokowania. Konieczne jest ustawienie bardziej nuansowanych kontroli.

Jakie podstawowe technologie napędzają Wasze ocenianie ryzyka w czasie rzeczywistym – czy używacie uczenia maszynowego, kanałów wywiadu o zagrożeniach, czy wykrywania anomalii behawioralnych?

Używamy zdrowej mieszanki monitorowania danych na żywo i oceny, uczenia maszynowego oraz różnych narzędzi wywiadu. Celem jest szybkie zidentyfikowanie jakichkolwiek nieprawidłowości w zachowaniu, zrozumienie intencji ruchu i ustalenie, czy istnieją powody, aby uwierzyć, że jest on szkodliwy; jeśli tak – oznaczyć przypadki o wysokim ryzyku i odpowiednio się nimi zająć.

Jak Wasz system integruje się z istniejącymi workflow ISP lub przedsiębiorstw SOC – czy może wyzwalać alerty lub mitigację automatycznie?

Tak, nasz system wysyła alerty do istniejących workflow, a także blokuje pewne zagrożenia na poziomie sieci. Może działać w różnych trybach, w zależności od tolerancji ryzyka.

Czy ten system profilowania ujawnił jakieś zaskakujące wzorce ataków lub przypadki nadużyć podczas wczesnych testów lub wdrożeń?

Tak, było ich kilka. Jednym z przykładów w branży mogą być „halucynacje crawlów”, kiedy LLM-y wymyślają nieistniejące adresy URL, a następnie próbują je pobrać. Albo nagłe skoki żądań, powtarzające się w dokładnie tych samych interwałach czasu, jak 15 minut lub godzina. Wszystkie te wzorce są przydatne, aby dalej udoskonalać śledzenie zachowania i zmniejszać fałszywe pozytywy.

Jakie są implikacje prywatności i bezpieczeństwa związane z budowaniem profili behawioralnych bez inspekcji zaszyfrowanej zawartości – szczególnie pod globalnymi prawami ochrony danych?

Metadane behawioralne mogą być uważane za dane osobowe, ale istnieją wyjątki, na przykład, jeśli interes jest uzasadniony, może być uzasadniony i jest niezbędny do monitorowania bezpieczeństwa. Powiedzmy, że interes w dostępie i ilość przechowywanych danych musi być proporcjonalna do ocenianych ryzyk.

Jak zapobiegacie fałszywym pozytywom, które oznaczają bezpieczną automatykę, taką jak crawleři badawcze lub białe listy agentów AI, jako zagrożenia cybernetyczne?

Testujemy nowe zabezpieczenia i reguły przed wdrożeniem, oceniamy wiele sygnałów przed podjęciem jakichkolwiek działań, używamy również miękkich wyzwań najpierw, aby przetestować legalność ruchu, zamiast go całkowicie blokować. To jest wielowarstwowa lista kontrolna, która jest ciągle dopracowywana.

Dziękujemy za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić IPXO.