Pascal Geenens, VP Cyber Threat Intelligence, Radware – Intervjuserie

Pascal Geenens, VP Cyber Threat Intelligence, Radware, är en cybersäkerhetsforskare och teknisk ledare med mer än två decenniers erfarenhet inom informationsteknologi, nätverkssäkerhet och hotinformation. På Radware hjälper han till att leda företagets forskning och tankesmedja kring den föränderliga cybersäkerhetslandskapet, med särskild fokus på distribuerade förnekelsesattacker, IoT-malware, automatiserade hot och den ökande användningen av artificiell intelligens av både angripare och försvarare. Geenens utvecklar och underhåller IoT-honeypots som en del av Radwares säkerhetsforskningsgrupp och har genomfört omfattande forskning om hot som BrickerBot och Hajime. Innan han gick med i Radware arbetade han som konsultingenjör på Juniper Networks , där han rådde stora moln- och kommunikationstjänsteleverantörer i Europa, Mellanöstern och Afrika om strategier för mjukvarudefinierat nätverk, nätverksfunktionsvirtualisering och datacenterautomatisering.

Radware är ett publikt cybersäkerhets- och applikationsleveransföretag som hjälper företag att skydda nätverk, webbplatser, applikationer och API:er i fysiska, molnbaserade, hybrid- och mjukvarudefinierade miljöer. Dess portfölj inkluderar AI-drivna distribuerade förnekelseskydd, webbapplikationsbrandväggar, bot-hantering, API-säkerhet, applikationsleveranskontrollanter och hanterade nödåtgärder. Genom att kombinera beteendeanalys, maskinlärning, molnbaserad hotinformation och automatiserad mildring är Radwares teknologi utformad för att identifiera skadlig aktivitet i realtid samtidigt som den behåller åtkomst för legitima användare och upprätthåller tillgänglighet och prestanda för kritiska digitala tjänster.

Du har tillbringat nästan tre decennier inom cybersäkerhet, från IBM AIX-kärnstöd och infrastrukturteknik till upptäckt av botnät som BrickerBot, JenX och Demonbot, och nu leder Threat Intelligence på Radware. Vad är de största förändringarna du har sett i hur angripare innovativa, och hur har AI förändrat dina förväntningar på vad nästa generation av cybersäkerhetshot kommer att se ut?

Hotlandskapet har genomgått en grundläggande förändring från ensamma hackare som var högt tekniska entusiaster till cybervåldtäktsbrottslingar som är högt organiserade, sofistikerade entreprenörer. I det förflutna var en hackare vanligtvis motiverad av den tekniska utmaningen i sig. Idag har kombinationen av digital acceleration och generativ AI kommersialiserat hela operationen, vilket har lett till en mogen Crime-as-a-Service (CaaS)-ekonomi. Skadliga aktörer har i princip speglat den korporativa Software-as-a-Service (SaaS)-modellen, där de säljer avancerade verktyg till vem som helst. Detta tillåter fullständiga noviser att lansera sofistikerade attacker i stor skala. Allteftersom vår digitala fotavtryck expanderar varje år, ökar den tillgängliga attackytan och möjligheterna för finansiell exploatering växer med den.

AI driver den nästa kapitlet i denna utveckling på två distinkta sätt.

För det första demokratiserar AI cyberbrottslighet. Det ger amatöraggresorer en omedelbar kapacitetsökning samtidigt som det hjälper stora syndikat att effektivisera sina operationer, polera sina användargränssnitt och marknadsföra sina skadliga tjänster mycket mer effektivt.

För det andra, och viktigare, leder den uppkomsten av agens-ai och den senaste fronten modeller till automatisering av sårbarhetslivscykeln. Vi rör oss mot en operativ verklighet där maskiner kan autonomt skanna nätverk, upptäcka sårbarheter och vapenalisera exploateringar nästan helt på egen hand, arbetar 24/7 och utför åtgärder i en hastighet som är flera storleksordningar snabbare än någon mänsklig försvarare.

AI sänker dramatiskt den tekniska tröskeln för angripare. Vilka offensiva AI-förmågor oroar dig mest under de närmaste tre till fem åren, och vilka får för närvarande mer uppmärksamhet än de förtjänar?

Området som kräver den närmaste uppmärksamheten just nu är AI-assisterad sårbarhetsupptäckt och exploatering. Så fort en brist avslöjas börjar en tävling. Angripare använder AI för att omedelbart analysera bristen, kartlägga var den gäller och generera och testa exploateringsvarianter. Detta komprimerar helt exploateringstiden som redan rörde sig för fort för de flesta företags patch-hanteringsprocesser.

Samtidigt ser vi en stor förändring mot lokala, kontinuerliga AI-system. Specifikt den uppkomsten av “lokala agenter med en puls”. Ett exempel är OpenClaw och Microsofts (MSFT ) nyliga tillkännagivande att de kommer att integrera OpenClaw i varje anställds aktivitetsfält. Till skillnad från standardmolnbaserade assistenter kör dessa lokala agenter kontinuerligt i bakgrunden, direkt på en anställds maskin. De fungerar via kontinuerliga loopar och imiterar mänskliga åtgärder, som att skriva och navigera genom webbläsarautomatisering. Detta gör det i princip omöjligt för standardändpunktsäkerhetssystem att skilja mellan den faktiska anställda och den automatiserade agenten.

Den överhypade risken är den potentiella risken för fullständigt autonoma, noll-dagars-exploaterande AI-swarmer som kan spontant hacka komplexa företag i stor skala från scratch. Det kan dyka upp till slut, men det är inte dagens problem. Dagens problem är mänskliga expertangripare med mycket förbättrade verktyg och automatisering och ett ökat antal mindre erfarna angripare som kan göra mer än de kunde tidigare.

Fönstret mellan sårbarhetsavslöjande och aktiv exploatering fortsätter att minska. Hur mycket har AI accelererat den tidsramen, och vilka förändringar bör företags säkerhetsteam göra för att hålla jämna steg?

Det är en dubbel tävling: å ena sidan har du tävlingen att upptäcka, åtgärda och avslöja nya sårbarheter innan de onda killarna gör det, och å andra sidan tävlingen att patcha sårbara programvarudistributioner innan de onda killarna släpper loss en exploatering. AI är mitt i båda tävlingarna.

Försvarare måste hantera ett ökande antal sårbarheter och har allt mindre tid att reagera. Så fort en sårbarhet är offentlig rör sig angripare snabbt genom grunderna. Vad påverkas? Är det åtkomligt från internet? Kan exploateringen reproduceras och anpassas för att fungera i flera miljöer? AI hjälper till med alla dessa steg, summerar bristen, granskar beviskod, föreslår ändringar och automatiserar skanningen, exploateringen och bearbetningen av resultaten.

Patchning kan inte vara den enda klockan säkerhetsteam tittar på längre. Det är nödvändigt, men det är vanligtvis långsammare än angriparens tidsram, särskilt för produktionsklassade, internetexponerade program och API:er. Team behöver veta vad som är exponerat, vad som är exploaterbart i praktiken och vilka affärstjänster och resurser som kommer att påverkas när de blir attackerade.

För att stänga detta kritiska exponeringsfönster måste försvarare skifta från en reaktiv, patch-först-mentalitet till en automatiserad, skydd-först-modell genom att implementera miljöspecifika realtidsförsvar. Istället för att förlita sig på generiska, en-storlek-passar-alla-signaturer eller tvinga driftsteam att skynda på ovärderade programvaruuppdateringar till produktion, bör organisationer börja förlita sig på den kontinuerliga, automatiserade upptäckten av API-slutpunkter och online-applikationsaffärslogik, tillsammans med en automatiserad programvarubeskrivning (SBOM), kombinerat med hotinformation om de senaste sårbarheterna och hoten för att dynamiskt generera anpassade virtuella patchar. Distribution av dessa kontextmedvetna skydd över webbapplikationer och API-slutpunkter blockerar exploateringsförsök på körningsskiktet innan de kan nå sårbar applikationslogik. Denna typ av automatiserad avledning ger säkerhetsteam en åtgärdstid, vilket möjliggör en noggrann testning och en säker distribution av programvaruuppdateringar på en hanterbar tidslinje utan att utsätta affären för omedelbar risk eller driftstopp.

Företag deployerar alltmer AI-drivna applikationer och AI-agenter som är beroende av API:er. Underskattar företagen de säkerhetsrisker detta skapar, och vilka är de största misstagen du ser idag?

Ja, många företag underskattar fortfarande riskerna eftersom de fortfarande behandlar AI-agenter som applikationer att skydda och AI-säkerhet som en dataskyddsfråga snarare än en operativ fara. Problemet vi ser mest just nu är en grundläggande missuppfattning av agentens handlingsutrymme. För att en lokal AI-agent ska vara riktigt effektiv och spara en anställd tid, måste användaren vidarebefordra alla åtkomstbehörigheter till den. Detta innebär att agenten i princip ärver anställdens identitet och förtroendefull åtkomst till företagsapplikationer, webbläsarsessioner och lokala filer. Även om en organisation aktivt övervakar och begränsar AI-agentanslutningar, kan dessa lokala agenter interagera med system genom att imitera mänskligt beteende, som att skriva och navigera genom webbläsarautomatisering. Företagets säkerhetssystem blir helt oförmögna att skilja mellan den faktiska anställda och den automatiserade agenten.

Denna behörighetsdelegering blir mycket farlig på grund av hur stora språkmodeller (LLM) bearbetar information: AI-modeller skiljer inte mellan data och instruktioner. När en agent får bred systemåtkomst för att göra sitt jobb, blir det otroligt enkelt för en angripare att socialt manipulera agenten genom indirekt promptinjektion. En angripare kan enkelt plantera skadliga instruktioner i en e-post, en PDF eller en webbsida som agenten är tänkt att läsa. Modellen bearbetar den otillförlitliga datan som en kommando, helt utanför användarens medvetande. Plötsligt kan ett enkelt verktyg som är tänkt att sammanfatta dokument manipuleras till att autonomt exportera känslig information, ändra företagsdata eller installera skadlig programvara, allt medan det gömmer sig bakom den legitima användarens autentiseringsuppgifter.

Efter att ha tillbringat år med att forska om IoT-malware och botnät, hur ser du att AI förvandlar nästa generation av botnät? Kan vi så småningom se autonoma botnät som kan anpassa sina taktiker utan direkt mänsklig inblandning?

Botnätsherrar har aldrig suttit stilla. Operatörer roterar nyttolaster, implementerar nya sårbarheter, skannar kontinuerligt efter föråldrade enheter och skiftar sin kommandocentral när försvarare kommer ikapp. AI-agenter kan allvarligt påskynda dessa cykler, antingen det gäller sårbarhetsutredning, exploateringsgenerering eller infrastrukturhantering.

Autonoma botnät är inte fiktion. Brickerbot var ett av de första autonoma botnäten. Det satt tyst och väntade på att Mirai-infekterade IoT-enheter skulle försöka kompromettera dess värddator och skulle sedan slå tillbaka genom att motattackera den angripande enheten med hjälp av enhetsfingeravtryck och välja de mest lämpliga sårbarheterna för att försöka få fotfäste på enheten. Till slut förstörde Brickerbot den infekterade enheten. Botnet fungerade som ett regelbaserat expertsystem, liknande tidiga AI-system. Ett annat relevant botnät som gjorde intryck på säkerhetsgemenskapen för över ett decennium sedan var Hajime. Det var ett av de första peer-to-peer-botnäten. Genom att utnyttja Torrents distribuerade hash-tabeller kunde Hajime kontrolleras och uppdateras decentralt, utan att kräva en central kommandocentral och i följd nästan omöjlig att ta ner.

Det pågår flera diskussioner inom säkerhetsgemenskapen om potentialen för ett agens-botnät byggt på lokala AI-agentramverk som OpenClaw. Dessa är inte de traditionella kodbaserade malware-botnäten, utan botnät som drivs helt av kontextmanipulering. När lokala agenter bearbetar extern data, behöver angripare inte hitta en traditionell mjukvaruexploatering för att kapning dessa maskiner, de behöver bara lura den underliggande LLM. Genom att göra det får angriarna tillgång till kraftfull terminalkörning, webbläsarautomatisering och potentiellt en mängd andra “färdigheter”.

Gemenskapen diskuterar specifikt ett antal nyckelelement som gör ett omfattande “OpenClaw-botnät” möjligt:

• Eftersom OpenClaw kontinuerligt tar in extern data (som att övervaka GitHub-problem, läsa inkommande Slack/Telegram-meddelanden eller sammanfatta webbsidor), kan angriare infoga skadliga instruktioner i offentlig data. Om en användares lokal agent bearbetar den datan, kan den injicerade prompten åsidosätta systeminstruktionerna och kommandera agenten att ansluta till en angripare-kontrollerad C2-server.
• Säkerhetsforskare har noterat att OpenClaw-agenter har förmågan att utnyttja peer-to-peer eller agent-till-agent-krypterade kommunikationskanaler (såsom community-byggda färdigheter som ClaudeConnect). Cyberkriminella inser att de kan utnyttja dessa kommunikationskanaler för att låta kapade agenter samordna med varandra tyst, helt och hållet bypassande traditionella nätverksbrandväggar och slutpunktsövervakning.
• Säkerhetsskanningar har avslöjat att tiotusentals naiva användare startar OpenClaw-instanser på molnservrar och oavsiktligt exponerar HTTP-hanteringsgränssnitt direkt för internet. Denna enorma pool av exponerade, högprivilegierade miljöer ger angripare en enorm, förutbefintlig fotavtryck att rikta in sig på.
• Eftersom OpenClaw är beroende av “färdigheter” som laddas ner från offentliga repositorier som ClawHub, laddar angriare upp skenbart ofarliga färdigheter (som “Vad skulle Elon göra”) som innehåller dolda instruktioner. När agenten är installerad, är den tyst kommanderad att köra bakgrunds-kommandon eller ladda ner skadlig programvara, effektivt rekryterande värddatorn till ett botnät utan att användaren någonsin ser en misstänkt filvarning.

Till slut är konsensus inom gemenskapen att OpenClaw är ett primärt mål för världens första riktiga agens-botnät. Istället för ett botnät bestående av komprometterade routrar eller IoT-enheter som kör DDoS-skript, skulle ett OpenClaw-botnät bestå av högpresterande, fullt autentiserade maskiner som angripare kan kommandera för att stjäla autentiseringsuppgifter, ändra data eller orkestrera massiva leverantörskedjeattacker i maskinhastighet.

Angående automatiserade botnät som pivoterar och anpassar sig autonomt med en central LLM som sin hjärna, är det inte fiktion, men det är inte heller något som erfarna botnätsherrar skulle föredra. Botnät är tillgångar. Automation som missköter sig kan exponera infrastruktur, dra uppmärksamhet för tidigt, exponera operatören eller bränna tokens i onödan. Angripare kommer att använda automation där det hjälper dem att flytta snabbare, men de kommer inte att ge upp kontrollen över beslut som kan bränna åtkomst, exponera infrastruktur eller skada vinster.

Jag skulle inte helt förkasta eller eliminera risken dock. När vi går in i edge-AI och nya smarta enheter blir alltmer utrustade med lokala små språkmodeller (SLM), kan jag se att opportunistiska angripare kommer att gå efter de lågt hängande frukterna och infoga prompt-assisterad bot-funktionalitet i sina botnät. Åtminstone behöver de inte betala för den excessiva tokenanvändningen när en lokal SLM börjar loopa på en för sofistikerad prompt eller en kontext som växte för stor.

Hacktivist-kampanjer och storskaliga DDoS-attacker har blivit alltmer vanliga. Blir dessa grupper mer sofistikerade, eller gör AI och lättillgängliga attackverktyg bara avancerade attacker tillgängliga för en mycket större publik?

Båda. Vissa hacktivistgrupper har blivit genuint mer organiserade. Vissa grupper, som den ikoniska NoName057(16), har aktivt utfört DDoS-attacker på daglig basis sedan februari 2022. De har haft tid att förbättra sin verktygslåda, bygga en lojal följarskara och lära sig att välja mål som drar uppmärksamhet, tajma sina attacker runt politiska händelser och använda offentliga påståenden för att bygga tryck. För hacktivister är meddelandet viktigare än störningen i sig.

Samtidigt har verktygen blivit lättare att få tag på än de var tidigare. DDoS-for-hire-tjänster, botnät, proxynätverk, läckta skript och tutorials har tillåtit vem som helst med begränsad färdighet att ansluta sig till en kampanj och känna sig som en del av något större. AI lägger till kodassistans, målforskning, översättning, kampanjmeddelande och grundläggande automation ovanpå allt detta.

Målen känner av effekten antingen way, oavsett om attacken kommer från en skicklig grupp driven av ideologi eller en ensam ulv som hyr DDoS-attack-infrastruktur. En nere webbplats påverkar kunder. En otillgänglig offentlig tjänst märks av medborgare. Tillräckligt med brus, och chefer och kommunikationsteam måste svara, oavsett vem som sitter bakom tangentbordet.

När företag rusar för att integrera generativ AI i sina verksamheter, vilka nya attackytor uppstår som säkerhetsledare kanske inte fullt ut uppskattar?

Det är definierat av vad AI-agenten kan nå. När den har åtkomst till interna dokument, kod, CI/CD-pipelines, API-nycklar eller DevOps-verktyg, expanderar attackytan snabbt. För att vara användbar behöver en agent handlingsutrymme, annars är den inte mer än en glorifierad chatbot. Frågan blir då vad agenten är tillåten att göra. Vilken konfidentiell information kan den läsa? Kan den ändra en biljett eller en bankkontonummer i CRM? Kan den köra kod? Kan den anropa en extern tjänst? Kan den exponera data genom verktygsanrop?

Indirekt promptinjektion blir allvarligare i en sådan miljö. Om en agent bearbetar otillförlitlig innehåll och sedan agerar, kan prompten bli en väg in i arbetsflödet. Det är annorlunda än en chatbot som svarar på en fråga.

AI används nu av både angripare och försvarare. Tror du att defensiv AI slutligen kommer att hålla jämna steg med offensiv AI, eller kommer organisationer att stå inför en alltmer asymmetrisk kamp under de kommande åren?

AI skapar en obalans som gynnar angriparen. Detta beror inte på att defensiv AI-modell är underlägsen. Faktum är att användningen av AI i försvar är mycket effektiv för att filtrera bort dagligt brus och accelerera incidentrespons. Problemet är en strukturell klyfta i operativ hastighet och begränsningar.

Historiskt sett, när en sårbarhet upptäcktes, hade säkerhetsteam en liten tid att distribuera en patch innan angripare kunde vapenalisera den. Idag har agens-ai komprimerat den tidsramen till nästan noll. Automatiserade verktyg kan hitta en brist och omedelbart generera en riktad exploatering. En traditionell, mänsklig patch-hanteringsprocess kan helt enkelt inte konkurrera med en automatiserad pipeline som kör kontinuerliga attackloopar.

Dessutom opererar de två sidorna under helt olika regler. Angripare står inför inga begränsningar när det gäller regelefterlevnad, etik eller driftstopp. De kan distribuera anpassade AI-agenter för att lansera obehindrade, storskaliga kampanjer. Försvarare, å andra sidan, måste operera deterministiskt. En defensiv AI kan inte blint isolera en central produktionsdatabas eller återkalla en chefsautentiseringsuppgifter baserat enbart på en högsannolikhetsanomal. Försvarare behöver verifiering för att skydda affärskontinuitet, och den fördröjning som introduceras av dessa nödvändiga skydd är exakt vad automatiserade attacker utnyttjar.

Slutligen kommer säkerhetsledning inte att definieras av vem som besitter den “smartare” AI:n, utan av vem som löser denna arkitektoniska hastighetsgap. Organisationer som behandlar AI som bara ett annat standardverktyg för säkerhet kommer att bli överväldigade av hastigheten hos moderna hot. Framgång kräver att man omkonstruerar infrastrukturen för att tillåta defensiv AI att isolera och innesluta hot autonomt.

Många säkerhetsteam fortsätter att förlita sig på traditionella säkerhetsmätningar och upptäcktsmetoder. När attacker blir snabbare och mer automatiserade, vilka indikatorer eller beteenden bör organisationer prioritera istället?

De flesta säkerhetsmätningar fokuserar fortfarande tungt på aktivitet: utlösta larm, blockerade attacker eller upptäckta sårbarheter. Medan dessa siffror är användbara för att mäta incidentrespons, ger de inte insikt i organisationens faktiska exponering. De berättar för försvarare vad de fångade, men de visar inte de blinda fläckar som lämnas öppna tills en angripare utnyttjar dem.

I en era av automatiserade hot är det inte längre möjligt att förlita sig på reaktiva mätningar. Så fort en organisation är måltavla, kräver attackhastigheten proaktiv hantering. Real-tidsattackytashantering är nu avgörande. Försvarare behöver kontinuerlig visibilitet i specifika operativa risker: Vilka kritiska applikationer och API:er är exponerade för internet? Vilka sårbarheter finns i dem?

Sann motståndskraft kommer från att koppla denna attackyta-kontext med beteendeanalys och hotinformation. Genom att förstå exakt vad som är exponerat och hur det beter sig, kan säkerhetsteam förutse och blockera tidigare okända attacker.

Slutligen förblir operativ hastighet en kritisk indikator för framgång, men försvarare måste mäta rätt tidsfönster: Hur snabbt kan vi identifiera att en ny sårbarhet påverkar ett exponerat system, och hur snabbt kan vi sätta in en kompenserande kontroll för att skydda det? Den specifika hastigheten är den sannaste måttstocken för om ett säkerhetsprogram kan motstå höghastighetsattacker i stor skala.

Om fem år, vad tror du kommer att vara den definierande cybersäkerhetsutmaningen under AI-eran, och vad bör CISO:er och säkerhetsteam börja göra idag för att förbereda sig på det?

Om fem år kommer den definierande cybersäkerhetsutmaningen under AI-eran att vara att styra och skydda autonoma icke-mänskliga relationer. När organisationer flyttar bort från fristående chatbotar till sammanhängande, multi-agentsystem som besitter handlingsutrymme för att utföra finansiella transaktioner, ändra källkod och ändra molninfrastruktur, kommer traditionella säkerhetsgränser att brytas ned. Om fem år kommer ett företag inte bara att hantera mänskliga anställda och statisk programvara, utan också att övervaka tusentals autonoma AI-agenter som interagerar med varandra, företagsdata och externa tredjepartssystem.

Visibilitet i agenssystem över hela organisationen kommer att vara avgörande. Innan agenter sprids, bör CISO:er etablera en central register som definierar tydligt ägarskap för varje distribuerad agent, datamodellerna och lagren som agenten är auktoriserad att läsa och verktygen, API:erna och systemkommandona som den är tillåten att anropa. CISO:er bör också kräva att alla distributioner av agens-teknologi använder standardiserade, verifierbara anslutningsprotokoll för att säkerställa att alla verktygsintegrationer är strikt loggade.

Om fem år kommer att försvara API:er och online-applikationer inte längre att handla om att hantera konfigurationer, blockera kända signaturer och patcha sårbarheter, utan om att föra en automatiserad logik-strid. När angriare distribuerar fullt automatiserade, kontextmedvetna agens-pipelines som kan omvända en applikations affärslogik inom sekunder efter upptäckt, kommer traditionella webbapplikationsbrandväggar (WAF) att bli föråldrade. Att försvara detta landskap kommer att kräva en skiftning till autonoma, kontextdrivna arkitekturer.

Angriare kommer att använda frontier-modeller för att fullständigt automatisera upptäckts- och exploateringscykeln för API-logikfel (såsom Broken Object Level Authorization, eller BOLA). Istället för att leta efter kända mjukvarufel, kommer automatiserade attackbotar att kartlägga en hel applikations API-schema, förstå hur data flödar och dynamiskt generera precisa, högt anpassade payload-sekvenser för att manipulera affärslogik. Eftersom dessa attacker använder giltig syntax och legitima API-anrop, kommer standardtröskelbaserad ratelimitering och signaturupptäckt att vara helt blinda för dem.

För att motverka automatiserad upptäckt, måste försvarare uppnå realtids, kontinuerlig visibilitet i sin egen exponerade arkitektur. Säkerhetsteam kan inte förlita sig på statisk dokumentation eller föråldrade API-kataloger. Defensiv AI måste kontinuerligt skanna och kartlägga varje aktiv API-slutpunkt, mikrotjänstrelation och online-applikationsarbetsflöde över hybridmolnmiljöer. Denna automatiserade visibilitet måste kombineras med en dynamisk programvarubeskrivning (SBOM) för att omedelbart ansluta en ny global sårbarhetsavslöjande till de specifika interna kodrader som är exponerade för internet.

Eftersom automatiserade attacker kommer att blanda sig med legitima användartrafik, måste försvar skifta helt till kontextbaserad beteendeanalys. Defensiv AI kommer att profilera standardbeteendet för varje enskild API-klient, token och användaridentitet. Den kommer att övervaka avsikten och sekvensen av API-anrop snarare än bara indata. Om en angripares automatiserad skript börjar montera ihop legitima API-anrop i en anomalt mönster för att skrapa data eller testa en logikfel, måste systemet känna igen den strukturella avvikelsen i avsikt och ingripa omedelbart.

Den sannaste måttstocken för motståndskraft kommer att vara hur snabbt en organisation kan komprimera fönstret mellan en sårbarhets exponering och dess åtgärd. Att vänta på att dev-team skriver, testar och distribuerar koduppdateringar till produktion kommer att vara en fatal strategi. Sann skydd kräver automatiserad, kontextmedveten virtuell patchning på körningsskiktet. Genom att mata realtids hotinformation och API-upptäcktsdata direkt in i defensiva AI-motorer på kanten, kommer infrastrukturen att automatiskt generera och distribuera anpassade virtuella patchar för att interceptera och blockera exploateringsförsök innan de någonsin kan nå sårbar applikationslogik.

Tack för den utmärkta intervjun, läsare som vill lära sig mer bör besöka Radware.