Паскаль Гиненс, Вице-президент по кибербезопасности, Radware – Интервью

Паскаль Гиненс, Вице-президент по кибербезопасности, Radware, является исследователем в области кибербезопасности и технологическим лидером с более чем двумя десятилетиями опыта в области информационных технологий, сетевой безопасности и угроз интеллекта. В Radware он помогает руководить исследовательской и мыслительной деятельностью компании по эволюционирующему ландшафту киберугроз, с особым вниманием к分布енным атакам на отказ в обслуживании, вредоносному ПО для Интернета вещей, автоматизированным угрозам и растущему использованию искусственного интеллекта как атакующими, так и защитными сторонами. Гиненс разрабатывает и поддерживает IoT-ловушки в составе команды безопасности Radware и провел обширные исследования угроз, таких как BrickerBot и Hajime. До прихода в Radware он работал в качестве инженера-консультанта в Juniper Networks , консультируя крупных поставщиков облачных и коммуникационных услуг по всей Европе, на Ближнем Востоке и в Африке по вопросам программно-определяемой сети, виртуализации сетевых функций и автоматизации центров обработки данных.

Radware – это публично торгуемая компания по кибербезопасности и доставке приложений, которая помогает предприятиям защитить сети, веб-сайты, приложения и API в физических, облачных, гибридных и программно-определяемых средах. Ее портфель включает защиту от分布енных атак на отказ в обслуживании, брандмауэры веб-приложений, управление ботами, безопасность API, контроллеры доставки приложений и управляемые аварийные услуги. Объединив анализ поведения, машинное обучение, облачные угрозы интеллекта и автоматическое смягчение, технология Radware предназначена для выявления вредоносной деятельности в режиме реального времени, сохраняя при этом доступ для законных пользователей и поддерживая доступность и производительность критически важных цифровых услуг.

Вы провели почти три десятилетия в области кибербезопасности, от поддержки ядра IBM AIX и инженерии инфраструктуры до обнаружения ботнетов, таких как BrickerBot, JenX и Demonbot, и теперь руководите угрозой интеллекта в Radware. Оглядываясь назад, какие из самых больших сдвигов вы стали свидетелями в том, как инновации атакующих, и как искусственный интеллект изменил ваши ожидания от следующего поколения киберугроз?

Ландшафт угроз претерпел фундаментальный сдвиг от одиночных хакеров, которые были высокотехнологичными энтузиастами, к киберпреступникам, которые являются высокоорганизованными, сложными предпринимателями. В прошлом хакер обычно был мотивирован самим техническим вызовом. Сегодня сочетание цифровой акселерации и генеративного искусственного интеллекта коммерциализировало всю операцию, подпитывая зрелую экономику “Преступность как услуга” (CaaS). Вредоносные акторы по сути отражают корпоративную модель “Программное обеспечение как услуга” (SaaS), продавая передовые инструменты любому. Это позволяет полным новичкам запускать сложные атаки в масштабе. По мере расширения нашего цифрового следа каждый год, доступная поверхность атаки и возможности финансовой эксплуатации растут вместе с ним.

Искусственный интеллект движет следующей главой этой эволюции двумя различными способами.

Во-первых, он демократизирует киберпреступность. Он дает любительским атакующим мгновенный прирост возможностей, а крупным синдикатам помогает оптимизировать свою деятельность, отполировать пользовательские интерфейсы и более эффективно продавать свои вредоносные услуги.

Во-вторых, и более критично, рост агентного искусственного интеллекта в сочетании с последними моделями границ автоматизирует цикл уязвимости. Мы движемся к операционной реальности, в которой машины могут автономно сканировать сети, обнаруживать уязвимости и создавать эксплойты почти полностью самостоятельно, работая 24/7 и выполняя действия на порядок быстрее, чем любой человеческий защитник.

Искусственный интеллект значительно снижает технический барьер для атакующих. Какие наступательные возможности искусственного интеллекта вас больше всего беспокоят в течение следующих трех-пяти лет, и какие из них, по вашему мнению, в настоящее время получают больше внимания, чем они заслуживают?

Область, требующая наиболее пристального внимания в настоящее время, – это искусственно-ассистированное обнаружение уязвимостей и эксплуатация. В момент, когда обнаруживается уязвимость, начинается гонка. Атакующие используют искусственный интеллект для мгновенного анализа уязвимости, картографирования того, где она применяется, и генерации и тестирования вариаций эксплойтов. Это полностью сжимает временную шкалу эксплуатации, которая уже двигалась слишком быстро для большинства процессов управления исправлениями предприятий.

Одновременно мы наблюдаем значительный сдвиг в сторону локальных, непрерывных систем искусственного интеллекта. Конкретно, рост “локальных агентов с сердцебиением”. Примером является OpenClaw и недавнее объявление Microsoft (MSFT ) о том, что они будут интегрировать OpenClaw в панель задач каждого сотрудника. В отличие от стандартных облачных помощников, эти локальные агенты работают постоянно в фоновом режиме,直接 на машине сотрудника. Они функционируют через непрерывные циклы и имитируют человеческие действия, такие как набор текста и навигация через автоматизацию браузера. Это делает практически невозможным для стандартных систем безопасности конечных точек различить сотрудника и искусственного интеллекта. Поскольку пользователи неизбежно предоставляют этим агентам широкие разрешения системы, чтобы выполнить свою работу, агенты эффективно наследуют идентификатор сотрудника и доверенный доступ к корпоративным приложениям, сеансам браузера и локальным файлам. Если эти автономные локальные агенты подвергаются прямой или косвенной атаке инъекции подсказки, угроза может манипулировать ими для эксплуатации, изменения или уничтожения корпоративных данных без традиционного следа.

Переоцененный риск – это потенциал полностью автономных, эксплуатирующих нулевые дни AI-роев, которые могут спонтанно взломать сложные предприятия в масштабе с нуля. Это может появиться в будущем, но это не проблема сегодня. Сегодняшняя проблема – это человеческие экспертные атакующие с значительно улучшенными инструментами и автоматизацией, а также увеличенное количество менее опытных атакующих, которые могут сделать больше, чем они могли раньше.

Окно между раскрытием уязвимости и активной эксплуатацией продолжает сокращаться. Насколько искусственный интеллект ускорил эту временную шкалу, и какие изменения должны внести команды безопасности, чтобы оставаться впереди?

Это двойная гонка: с одной стороны, у вас есть гонка за обнаружение, исправление и раскрытие новых уязвимостей до того, как это сделают плохие парни, с другой стороны, гонка за исправление уязвимой программной среды до того, как плохие парни запустят эксплойт. Искусственный интеллект находится в центре обеих гонок.

Защитники должны справиться с все большим количеством уязвимостей и имеют все меньше времени для реагирования. Как только уязвимость становится публичной, атакующие быстро проходят через основы. Что затронуто? Доступно ли это из Интернета? Можно ли воспроизвести эксплойт и адаптировать его для работы в разных средах? Искусственный интеллект помогает на каждом из этих шагов, суммируя уязвимость, просматривая код доказательства концепции, предлагая корректировки и автоматизируя сканирование, эксплуатацию и обработку результатов.

Исправление не может быть единственным временем, которое смотрят команды безопасности. Это необходимо, но обычно оно медленнее, чем временная шкала атакующего, особенно для производственных, интернет-ориентированных приложений и API. Команды должны знать, что находится под угрозой, что может быть эксплуатировано на практике, и какие бизнес-сервисы и ресурсы будут затронуты, когда они будут атакованы.

Чтобы закрыть это критическое окно экспозиции, защитники должны перейти от реактивного, ориентированного на исправление мышления к автоматизированному, ориентированному на защиту модели, реализуя средне-специфические реальные защиты. Вместо того, чтобы полагаться на общие, универсальные подписи или заставлять команды операций спешно внедрять непроверенные обновления программного обеспечения в производство, организации должны начать полагаться на непрерывное, автоматическое открытие конечных точек API и онлайн-логики бизнеса, а также автоматическое программное обеспечение счета материалов (SBOM), в сочетании с интеллектом угроз о последних уязвимостях и угрозах для динамического создания адаптированных виртуальных исправлений. Развертывание этих контекстно-осведомленных защит по веб-приложениям и конечным точкам API блокирует попытки эксплуатации на уровне выполнения до того, как они смогут достичь уязвимой логики приложения. Этот тип автоматического перехвата дает командам безопасности окно исправления, позволяя им тщательно протестировать и безопасно развернуть обновления программного обеспечения в управляемом графике без подвержения бизнеса немедленному риску или простоев.

Организации быстро развертывают приложения и агенты, основанные на искусственном интеллекте, которые сильно полагаются на API. Не недооценивают ли предприятия риски безопасности, которые это создает, и какие являются самыми большими ошибками, которые вы видите сегодня?

Да, многие предприятия все еще недооценивают риски, потому что они по-прежнему рассматривают агенты искусственного интеллекта как приложения для обеспечения безопасности и безопасность искусственного интеллекта как проблему конфиденциальности данных, а не оперативную угрозу. Проблема, которую мы видим больше всего сейчас, – это фундаментальное непонимание агентства. Для того чтобы локальный агент искусственного интеллекта был действительно эффективным и экономил время сотрудника, пользователь должен передать все свои разрешения доступа ему. Это означает, что агент эффективно наследует идентификатор сотрудника и доверенный доступ к корпоративным приложениям, сеансам браузера и локальным файлам. Если агент взаимодействует с системами, имитируя человеческое поведение, такое как клики и навигация через автоматизацию браузера, корпоративные системы безопасности становятся совершенно неспособными различать сотрудника и автоматизированного агента. Поскольку пользователи неизбежно предоставляют этим агентам широкие разрешения системы, чтобы выполнить свою работу, агенты могут обойти безопасные API-коннекторы, просто используя локальные браузеры для кликов и кнопок. Если эти автономные локальные агенты подвергаются прямой или косвенной атаке инъекции подсказки, угроза может манипулировать ими для эксплуатации, изменения или уничтожения корпоративных данных без традиционного следа.

Эта передача доверия становится чрезвычайно опасной из-за того, как модели языка (LLM) фундаментально обрабатывают информацию: модели искусственного интеллекта не различают данные и инструкции. Когда агенту предоставляется широкий доступ к системе для выполнения своей работы, становится невероятно легко для угрозы социально инженерить агент через косвенную атаку инъекции подсказки. Атакующий может просто посадить вредоносные инструкции внутри электронного письма, PDF или веб-страницы, которую агент должен прочитать. Модель обрабатывает недоверенную информацию как команду, полностью обходя осведомленность пользователя. Внезапно, простой инструмент, предназначенный для суммирования документов, манипулируется для автономной эксплуатации конфиденциальной информации, изменения корпоративных данных или установки вредоносных пакетов, все это происходит за легитимными учетными данными пользователя.

Проведя годы, исследуя вредоносное ПО для Интернета вещей и ботнеты, как вы видите трансформацию следующего поколения ботнетов с помощью искусственного интеллекта? Можем ли мы в конечном итоге увидеть автономные ботнеты, способные адаптировать свои тактики без прямого вмешательства человека?

Владельцы ботнетов никогда не сидели спокойно. Операторы ротируют полезные нагрузки, реализуют новые уязвимости, непрерывно сканируют устаревшие устройства и меняют свою командную инфраструктуру, когда защитники догоняют. Агенты искусственного интеллекта могут серьезно ускорить эти циклы, будь то триаж уязвимостей, генерация эксплойтов или управление инфраструктурой.

Автономные ботнеты не являются фантастикой. Brickerbot был одним из первых автономных ботов. Он сидел тихо и ждал, пока устройства, зараженные Mirai, попытаются скомпрометировать его хост-устройство, и затем он ответил бы на контратаку, используя отпечатки устройств и выбирая наиболее подходящие уязвимости, чтобы попытаться получить доступ к устройству. В конечном итоге, Brickerbot уничтожил зараженное устройство. Бот действовал как система эксперта, основанная на правилах, аналогичная ранним системам искусственного интеллекта. Другой значимый ботнет, который произвел впечатление на сообщество безопасности более десяти лет назад, был Hajime. Это был один из первых ботнетов peer-to-peer. Используя распределенные хеш-таблицы Torrent, Hajime мог быть контролируем и обновляем децентрализованно, не требуя центральной командной и контрольной инфраструктуры, и, следовательно, было практически невозможно его отключить.

Существуют несколько обсуждений в сообществе безопасности о потенциале ботнета Agentic, построенного на локальных агентских рамках, таких как OpenClaw. Это не традиционные ботнеты на основе вредоносного ПО, а ботнеты, управляемые полностью искусственным интеллектом. Когда локальные агенты обрабатывают внешние данные, атакующие не нуждаются в традиционном программном эксплойте, чтобы захватить эти машины; им просто нужно обмануть основную модель LLM. Таким образом, атакующие получают доступ к мощной терминальной выполнению, автоматизации браузера и потенциально ряду других “навыков”.

Сообщество конкретно обсуждает несколько ключевых элементов, которые делают ботнет OpenClaw жизнеспособным:

• Поскольку OpenClaw непрерывно потребляет внешние данные (например, мониторинг проблем GitHub, чтение входящих сообщений Slack/Telegram или суммирование веб-страниц), атакующие могут внедрить вредоносные инструкции в публично доступные данные. Если агент пользователя обрабатывает эти данные, внедренная подсказка может переопределить системные инструкции и командовать агенту подключиться к серверу управления и контроля (C2) атакующего.
• Исследователи безопасности отметили, что агенты OpenClaw имеют возможность использовать шифрованные каналы связи peer-to-peer или агент-to-агент (например, навыки, построенные сообществом, такие как ClaudeConnect). Киберпреступники осознают, что они могут эксплуатировать эти каналы связи, чтобы позволить захваченным агентам координировать друг с другом молча, полностью обходя традиционные сетевые брандмауэры и мониторинг конечных точек.
• Сканирования безопасности показали, что десятки тысяч наивных пользователей запускают экземпляры OpenClaw на серверах облачного хостинга и случайно подвергают интерфейсы HTTP-управления напрямую Интернету. Этот огромный пул открытых, высоко привилегированных сред предоставляет угрозам огромную, предварительно существующую основу для атаки.
• Поскольку OpenClaw сильно полагается на “навыки”, загруженные из публичных репозиториев, таких как ClawHub, атакующие загружают, казалось бы, безобидные навыки (например, “Что бы сделал Илон”), которые содержат скрытые инструкции. Как только они установлены, агент молча приказывается выполнять фоновые команды оболочки или сбрасывать вредоносное ПО, эффективно вербуя хост-машину в ботнет без того, чтобы пользователь когда-либо видел подозрительный файловый сигнал.

В конечном итоге, консенсус в сообществе заключается в том, что OpenClaw является основной целью для первого в мире真正ого ботнета Agentic. Вместо ботнета, состоящего из скомпрометированных маршрутизаторов или устройств Интернета вещей, работающих скрипты DDoS, ботнет OpenClaw будет состоять из высоко способных, полностью аутентифицированных машин, которые угрозы могут командовать, чтобы украсть учетные данные, изменить данные или оркестрировать масштабные атаки на цепочку поставок на скорости машины.

Что касается автоматизированных ботов, которые адаптируются и меняют тактику автономно, используя центральный LLM как мозг, это определенно не фантастика, но это также не то, что опытные владельцы ботнетов будут отдавать предпочтение. Ботнеты – это активы. Автоматизация, которая ведет себя неправильно, может раскрыть инфраструктуру, привлечь внимание слишком рано, раскрыть оператора или чрезмерно сжечь токены. Атакующие будут использовать автоматизацию, где это помогает им двигаться быстрее, но они вряд ли откажутся от контроля над решениями, которые могут сжечь доступ, раскрыть инфраструктуру или навредить прибыли.

Я не стал бы полностью игнорировать или исключать этот риск, однако. Когда мы переходим к краю искусственного интеллекта и новые умные устройства все чаще оснащены локальными малыми языковыми моделями (SLM), я могу представить себе угрозы, которые будут использовать низко висящие плоды и встраивать функциональность бота, облегченную подсказкой, в свои ботнеты. По крайней мере, они не будут должны платить за чрезмерное использование токенов, когда локальная SLM начинает зацикливаться на слишком сложной подсказке или контексте, который вырос слишком большим.

Кампании хактивистов и крупномасштабные атаки на отказ в обслуживании стали все более распространенными. Становятся ли эти группы более сложными, или искусственный интеллект и легко доступные инструменты атак делают продвинутые атаки доступными для гораздо более широкой аудитории?

И то, и другое. Некоторые группы хактивистов действительно стали более организованными. Некоторые группы, такие как иконическая NoName057(16), активно проводили атаки на отказ в обслуживании на ежедневной основе с февраля 2022 года. У них было время улучшить свою инструментацию, построить лояльную аудиторию и узнать, как выбирать цели, которые привлекают внимание, планировать свои атаки вокруг политических событий и использовать публичные заявления, чтобы оказать давление. Для хактивистов сообщение более важно, чем сам сбой.

В то же время инструменты стали легче получить, чем они были раньше. Услуги DDoS за выкуп, ботнеты, прокси-сети, утечки скриптов и учебники позволили любому с ограниченными навыками присоединиться к кампании и почувствовать себя частью чего-то большего. Искусственный интеллект добавляет помощь в кодировании, исследование целей, перевод, сообщения кампании и базовую автоматизацию в дополнение к этому.

Цели чувствуют влияние в любом случае, будь то атака от опытной группы, движимой идеологией, или одинокого волка, нанятого конкурентом, арендовавшим инфраструктуру атаки на отказ в обслуживании. Сбой веб-сайта влияет на клиентов. Недоступная публичная служба замечается гражданами. Достаточно шума, и руководители и команды связи должны ответить, независимо от того, кто находится за клавиатурой.

Когда предприятия спешат интегрировать генеративный искусственный интеллект в свои операции, какие новые поверхности атак появляются, которые лидеры безопасности могут еще не полностью оценить?

Ответ определяется тем, к чему может получить доступ агент искусственного интеллекта. Как только он получает доступ к внутренним документам, коду, конвейерам CI/CD, ключам API или инструментам DevOps, поверхность атаки расширяется быстро. Чтобы быть полезным, агенту необходимо агентство, в противном случае это не более чем простой чат-бот. Вопрос тогда заключается в том, что агент может делать. Какую конфиденциальную информацию он может прочитать? Может ли он изменить билет или банковский счет клиента в CRM? Может ли он запустить код? Может ли он вызвать внешнюю службу? Может ли он раскрыть данные через вызов инструментов?

Косвенная инъекция подсказки становится более серьезной в такой среде. Если агент обрабатывает недоверенную информацию и затем действует, подсказка может стать путем в рабочий процесс.

Искусственный интеллект теперь используется как атакующими, так и защитниками. Думаете ли вы, что защитный искусственный интеллект в конечном итоге будет идти в ногу с наступательным искусственным интеллектом, или организации столкнутся с все более асимметричной битвой в течение следующих лет?

Искусственный интеллект создает дисбаланс, который отдает предпочтение атакующему. Это не потому, что модели защитного искусственного интеллекта хуже. На самом деле, использование искусственного интеллекта в защите очень эффективно для фильтрации ежедневного шума и ускорения реагирования на инциденты. Проблема, однако, заключается в структурном разрыве в операционной скорости и ограничениях.

Исторически, когда обнаруживалась уязвимость, команды безопасности имели небольшое окно времени, чтобы развернуть исправление, прежде чем угрозы оружие. Сегодня агентный искусственный интеллект сжал это окно до почти нуля. Автоматические инструменты могут найти уязвимость и мгновенно создать целевой эксплойт. Традиционный, человеко-ориентированный процесс управления исправлениями просто не может конкурировать с автоматизированным конвейером, работающим непрерывные циклы атак.

Кроме того, две стороны действуют под совершенно разными правилами. Атакующие сталкиваются с никакими ограничениями в отношении соблюдения требований, этики или операционного простоя. Они могут развернуть настраиваемые агенты искусственного интеллекта для запуска неограниченных, крупномасштабных кампаний. Защитники, с другой стороны, должны действовать определенно. Защитный искусственный интеллект не может слепо изолировать основную базу данных или отозвать учетные данные исполнительного директора только на основе высокой вероятности аномалии. Защитники требуют верификации, чтобы защитить бизнес-непрерывность, и задержка, введенная этими необходимыми ограждениями, является именно той, которую эксплуатируют автоматические атаки.

В конечном итоге, лидерство в безопасности будет определяться не тем, кто обладает “умнее” искусственным интеллектом, а тем, кто решит эту архитектурную проблему скорости. Организации, которые рассматривают искусственный интеллект как просто еще один стандартный инструмент безопасности, будут подавлены скоростью современных угроз. Успех требует перестройки инфраструктуры, чтобы позволить защитному искусственному интеллекту изолировать и сдерживать угрозы автономно.

Многие команды безопасности продолжают полагаться на традиционные метрики безопасности и методы обнаружения. Когда атаки становятся быстрее и более автоматизированными, какие индикаторы или поведения должны организации отдавать предпочтение вместо этого?

Большинство метрик безопасности по-прежнему сильно фокусируются на активности: срабатывании оповещений, блокировании атак или обнаружении уязвимостей. Хотя эти цифры полезны для измерения реагирования на инциденты, они не дают представления об фактической экспозиции организации. Они говорят защитникам, что они поймали, но не показывают им слепые зоны, которые остаются открытыми до тех пор, пока атакующий не эксплуатирует их.

В эпоху автоматизированных угроз полагаться на реактивные метрики больше не жизнеспособно. Как только организация нацеливается, скорость атаки требует прогрессивного управления. Управление поверхностью атаки в реальном времени теперь является обязательным. Защитники нуждаются в непрерывной видимости конкретных операционных рисков: какие критические приложения и API подвергаются Интернету? Какие уязвимости существуют внутри них?

Истинная устойчивость исходит от соединения этого контекста поверхности атаки с поведенческим обнаружением и интеллектом угроз. Понимая точно, что находится под угрозой и как оно ведет себя, команды безопасности могут предвидеть и блокировать ранее неизвестные атаки.

В конечном итоге, операционная скорость остается критическим индикатором успеха, но защитники должны измерять правильное окно времени: как быстро мы определяем, что новая уязвимость влияет на подверженную системе, и как быстро мы можем ввести компенсирующий контроль, чтобы защитить ее? Эта конкретная скорость является истинной мерой того, может ли программа безопасности выдержать высокоскоростные атаки в масштабе.

Оглядываясь вперед на пять лет, что, по вашему мнению, будет определяющей проблемой кибербезопасности в эпоху искусственного интеллекта, и что должны начать делать сегодня CISO и команды безопасности, чтобы подготовиться к этому?

Оглядываясь вперед на пять лет, определяющей проблемой кибербезопасности в эпоху искусственного интеллекта будет управление и обеспечение безопасности автономных, нечеловеческих отношений. Когда организации переходят от отдельных чат-ботов к взаимосвязанным, многоагентным системам, которые обладают агентством для выполнения финансовых транзакций, изменения исходного кода и модификации инфраструктуры облака, традиционные границы безопасности разрушатся. Через пять лет предприятие не будет просто управлять человеческими сотрудниками и статическим программным обеспечением; оно будет курировать тысячи автономных агентов искусственного интеллекта, взаимодействующих друг с другом, корпоративными данными и внешними третьими системами.

Видимость в агентских системах по всей организации будет иметь решающее значение. Прежде чем агенты будут развернуты, CISO должны установить централизованный реестр, который определяет четкую собственность для каждого развернутого агента, модели данных и репозиториев, которые агент уполномочен читать, и инструменты, API и системные команды, которые он уполномочен вызывать. CISO также должны обязать любое развертывание агентской технологии использовать стандартизированные, верифицируемые протоколы подключения, чтобы обеспечить, что все интеграции инструментов строго зарегистрированы.

Через пять лет защита API и онлайн-приложений больше не будет заключаться в управлении конфигурациями, блокировании известных подписей или исправлении уязвимостей; это будет автоматическая война логики против логики. Когда угрозы развертывают полностью автоматизированные, контекстно-осведомленные агентские конвейеры, которые могут обратить логику бизнеса приложения в течение секунд после обнаружения, традиционные веб-приложения-брандмауэры (WAF) станут устаревшими. Защита этого ландшафта будет требовать перехода к автономным, контекстно-ориентированным архитектурам.

Атакующие будут использовать передовые модели для полной автоматизации цикла обнаружения и эксплуатации ошибок логики API (например, Broken Object Level Authorization, или BOLA). Вместо поиска известных программных ошибок автоматизированные боты атак будут картографировать всю схему API приложения, понимать, как течет информация, и динамически генерировать точные, высоко настраиваемые последовательности полезных нагрузок для манипулирования логикой бизнеса. Поскольку эти атаки используют допустимый синтаксис и легитимные вызовы API, стандартные пороговые ограничения скорости и обнаружение подписей будут полностью слепы к ним.

Чтобы противостоять автоматизированному обнаружению, защитники должны достичь реального, непрерывного понимания своей собственной открытой архитектуры. Команды безопасности не могут полагаться на статическую документацию или устаревшие каталоги API. Защитный искусственный интеллект должен непрерывно сканировать и картографировать каждый активный конечный пункт API, микросервисные отношения и онлайн-логику приложения по всей гибридной облачной среде. Это автоматическое понимание должно быть сопряжено с динамическим программным обеспечением счета материалов (SBOM), чтобы мгновенно соединить новое глобальное раскрытие уязвимости с конкретными внутренними строками кода, которые подвергаются Интернету.

Поскольку автоматизированные атаки будут сливаться с законным трафиком пользователей, защита должна полностью перейти к контекстно-поведенческому анализу. Защитный искусственный интеллект будет профилировать стандартное поведение каждого клиента API, токена и пользовательской идентичности. Он будет отслеживать намерение и последовательность вызовов API, а не только входные данные. Если автоматизированный сценарий атакующего начинает вышивать вместе легитимные вызовы API в аномальной последовательности для сбора данных или проверки ошибки логики, система должна распознать структурное отклонение в намерении и вмешаться мгновенно.

Истинная мера устойчивости будет заключаться в том, как быстро организация может сжать окно между экспозицией уязвимости и ее исправлением. Ждать, пока команды разработчиков напишут, протестируют и развернут обновления кода в производство, будет фатальной стратегией. Истинная защита будет полагаться на автоматическое, контекстно-осведомленное виртуальное исправление на уровне выполнения. Питая реальный интеллект угроз и данные о обнаружении API напрямую в защитные двигатели искусственного интеллекта на краю, инфраструктура будет автоматически создавать и развертывать адаптированные виртуальные исправления, чтобы перехватить и блокировать попытки эксплуатации до того, как они смогут достичь уязвимой логики приложения.

Спасибо за отличное интервью, читатели, которые хотят узнать больше, должны посетить Radware.