Swimlane добавляет в Turbine настраиваемые средства обнаружения угроз с помощью ИИ и двустороннюю поддержку MCP

Аналитик по безопасности на базе ИИ может быстро расследовать оповещение, но не может расследовать предупреждение, которое так и не было создано. Swimlane намерена устранить этот пробел с помощью новых возможностей обнаружения, которые настраивают сами клиенты. Они позволяют командам по безопасности применять собственную логику к операционным данным и направлять сформированные оповещения непосредственно в Swimlane AI SOC.

В релизе от 28 октября также появилась двусторонняя поддержка Model Context Protocol (MCP) и агент-конструктор приложений Hero AI. В совокупности эти нововведения расширяют возможности платформы автоматизации компании, охватывая три взаимосвязанные задачи: определение действий, требующих расследования, подключение агентов к инструментам и создание приложений для поддержки рабочих процессов в сфере безопасности.

По словам Swimlane, новые возможности уже доступны для широкого использования. В анонсе они представлены как дополнения к существующей инфраструктуре безопасности, включая системы управления информацией и событиями безопасности (SIEM), средства обнаружения угроз и реагирования на конечных устройствах (EDR), а также инструменты облачной безопасности.

Команды по безопасности сами решают, какие события станут оповещениями

Многие продукты для ИИ-центров операций безопасности сосредоточены на сортировке, расследовании и реагировании после того, как система обнаружения выявила подозрительное поведение. Такое разделение задач становится проблематичнее, когда организации внедряют новых агентов, помощников на базе ИИ, локальные модели и MCP-серверы быстрее, чем существующие средства обнаружения успевают адаптироваться к ним.

Компании может потребоваться расследовать передачу конфиденциальной информации в неавторизованный сервис ИИ, неожиданное использование локальной модели, отключённый защитный механизм или расход агентом ресурсов, значительно превышающий предусмотренный бюджет. Некоторые из этих условий зависят от политики и среды конкретной организации, а не представляют собой универсальные признаки, которые поставщик может определить заранее.

Новые возможности Turbine позволяют командам запускать собственную логику обнаружения для анализа данных, доступных платформе. По словам Swimlane, одно действие по обработке больших данных может анализировать десятки тысяч записей на параллельно работающих вычислительных узлах, а затем направлять оповещение в AI SOC для расследования и реагирования с соблюдением установленных правил.

Такая архитектура приближает логику обнаружения к автоматизации, которая действует на основе её результатов. Вместо того чтобы отдельно выявлять условие, а затем вручную составлять план дальнейших действий, команда может связать правило, разработанное с учётом особенностей своей организации, с уже существующим процессом расследования. При этом эффективность любого обнаружения по-прежнему зависит от того, представлены ли соответствующие действия в данных, к которым Turbine имеет доступ.

«Последние два года индустрия безопасности обсуждала, насколько автономно ИИ может обрабатывать оповещения, но при этом упускала более фундаментальный вопрос: откуда взялось оповещение?» — сказал Коди Корнелл, сооснователь и генеральный директор Swimlane.

В релизе также описана возможность создавать правила обнаружения с помощью ИИ. Команды могут объяснить, что именно нужно обнаруживать, и использовать возможности Turbine по генерации сценариев для помощи в создании такого правила. Однако создание логики и подтверждение того, что она надёжно выявляет нужное поведение, остаются отдельными задачами: правила для конкретной организации должны учитывать данные, разрешения и условия среды, в которой они работают.

Расследование инцидентов, источником которых могут быть системы ИИ

Swimlane описывает такие сценарии как обнаружение угроз и реагирование на них с помощью ИИ (AIDR): сама система ИИ становится объектом расследования инцидента. Это отличается от простого использования модели ИИ для обобщения сведений о традиционной фишинговой атаке или оповещении от системы защиты конечных устройств.

Инъекция промпта наглядно демонстрирует это различие. Агент может столкнуться с инструкциями, встроенными в обрабатываемый им контент, что создаёт риск влияния внешних материалов на его поведение. Для полноценного расследования может потребоваться изучить входные данные агента, его взаимодействие с инструментами и последующие действия, а не только искать знакомый признак вредоносного ПО.

Аналогичным образом, неожиданное увеличение расходов может указывать на сбой в работе агента или на то, что он выполняет не те задачи, даже если это не похоже на традиционное вторжение в систему. Правила, заданные клиентом, позволяют командам определить, что считать отклонением от нормы в их собственной среде, при условии что необходимые данные об использовании и операционных процессах доступны.

Заявленный масштаб обработки — это характеристика, приведённая компанией, а не опубликованный результат сравнительного тестирования, подтверждающий обнаружение всех видов инъекций промпта или несанкционированного использования ИИ. Практическое изменение состоит в том, что у команд появляется ещё один способ превращать собственные наблюдения в задачи, требующие действий, наряду с оповещениями от существующих продуктов безопасности.

MCP связывает агентов и средства автоматизации в обоих направлениях

MCP предоставляет единый интерфейс, с помощью которого приложения на базе ИИ могут использовать инструменты. В октябрьском релизе Swimlane поддерживаются оба направления такого взаимодействия.

В роли MCP-хоста Turbine позволяет Hero AI подключаться к сторонним MCP-серверам и использовать их инструменты при расследованиях и выполнении сценариев, обеспечивая централизованную аутентификацию и контроль доступа. Благодаря этому рабочий процесс обеспечения безопасности может обращаться к внешним возможностям, совместимым с MCP, наряду с уже используемыми интеграциями через API.

В роли MCP-сервера Turbine предоставляет внешним клиентам ИИ доступ к автоматизации с контролем доступа. В анонсе в качестве примеров таких клиентов названы Claude, ChatGPT, Cursor, Gemini CLI и Microsoft Copilot. Они могут вызывать компоненты Turbine, включая многоэтапные сценарии, в рамках существующей системы разграничения доступа на основе ролей.

Это различие имеет существенное значение. В первом случае агент Swimlane обращается к другой системе. Во втором внешний помощник может запустить утвержденный рабочий процесс Turbine. Подключение помощника к уже существующему сценарию позволяет компании повторно использовать имеющиеся средства автоматизации и разрешения, а не воссоздавать операционный процесс в каждом ИИ-клиенте.

По словам Swimlane, Turbine может объединять инструменты MCP с традиционными API. Благодаря этому выпуск актуален для сред, где MCP поддерживают лишь некоторые системы: команды могут встроить этот протокол в более широкий рабочий процесс, не меняя сразу все существующие интеграции.

Создание приложений для обеспечения безопасности с проверкой человеком

Агент Hero AI Application Builder Agent помогает решить еще одну трудоемкую задачу: настроить структуры записей, макеты и рабочие процессы, необходимые для нового сценария применения средств безопасности. Пользователи описывают свои потребности обычным языком, а агент создает или изменяет соответствующее приложение.

Согласно сообщению о выпуске, созданные изменения не сохраняются, пока их не проверит человек. Изменения выделяются, и пользователи могут принять или отклонить их до сохранения. Этот этап утверждения важен, поскольку структура приложения может влиять на то, как аналитики фиксируют доказательства, переводят дела между этапами и принимают меры реагирования.

Новый агент развивает возможности более широкой платформы Hero AI. В материалах Swimlane о продуктах описаны уже существующие агенты для загрузки данных, создания сценариев, визуализации и расследований, а также возможность выбирать модели для отдельных агентов. Создание приложений распространяет эту поддержку на рабочую среду, в которой выполняются эти задачи.

Сочетание рассуждений ИИ с предсказуемой автоматизацией

Новые возможности интегрируются в модель маршрутизации Swimlane AI SOC, которая направляет работу между детерминированной автоматизацией, расследованиями с помощью ИИ и полностью автономными расследованиями с участием ИИ-агентов — в зависимости от требуемого уровня рассуждений. Существующие сценарии могут выполнять привычные шаги, тогда как в более сложных случаях можно задействовать расследование с помощью ИИ-агентов и проверку человеком.

Это важная часть концепции продукта: рабочему процессу не обязательно направлять каждую задачу на обработку модели. Известную последовательность реагирования можно оставить обычной автоматизацией, а агент поможет интерпретировать незнакомые свидетельства или составить план расследования.

Возможность самостоятельно задавать правила обнаружения добавляет к этой модели работы еще один, более ранний вопрос: что должно запускать процесс? Для команд по безопасности, внедряющих ИИ во всей организации, выпуск в октябре предлагает способ связать собственное понимание допустимого поведения с инструментами, которые расследуют инциденты и реагируют на них, когда действия выходят за установленные рамки.