Saryu Nayyar, VD och grundare av Gurucul – Intervjuserie

Saryu Nayyar är en internationellt erkänd cybersäkerhetsexpert, författare, talare och medlem i Forbes Technology Council. Hon har mer än 15 års erfarenhet inom informationssäkerhet, identitet och åtkomsthantering, IT-risk och regelefterlevnad samt säkerhetsriskhantering.

Hon utsågs till EY Entrepreneurial Winning Women 2017. Hon har haft ledande roller inom säkerhetsprodukter och tjänsterstrategi på Oracle (ORCL ), Simeio, Sun Microsystems, Vaau (förvärvad av Sun) och Disney. Saryu tillbringade också flera år i seniora positioner inom teknisk säkerhets- och riskhanteringspraxis på Ernst & Young.

Gurucul är ett cybersäkerhetsföretag som specialiserar sig på beteendebaserad säkerhet och riskanalys. Dess plattform använder maskinlärning, AI och stordata för att upptäcka insiderhot, kontokompromettering och avancerade attacker i hybridmiljöer. Gurucul är känd för sin Unified Security and Risk Analytics-plattform, som integrerar SIEM, UEBA (User and Entity Behavior Analytics), XDR och identitetsanalys för att tillhandahålla realtids hotupptäckt och svar. Företaget servar företag, regeringar och MSSP med målet att minska falska positiva resultat och påskynda hotavhjälpande genom intelligent automatisering.

Vad inspirerade dig att starta Gurucul 2010, och vilket problem försökte du lösa inom cybersäkerhetslandskapet?

Gurucul grundades för att hjälpa säkerhetsoperationer och insider-riskhanteringsteam att få insikt i de mest kritiska cyberriskerna som påverkar deras verksamhet. Sedan 2010 har vi använt en beteendebaserad och prediktiv analytisk approach, snarare än regelbaserad, vilket har genererat över 4 000 maskinlärningsmodeller som sätter användar- och entitetsavvikelser i kontext över en mängd olika attack- och riskscenarier. Vi har byggt vidare på detta som vår grund, flyttat från att hjälpa stora företag inom Fortune 50 att lösa insider-riskutmaningar till att hjälpa företag att få radikal insikt i ALLA cyberrisker. Detta är löftet från vår enhetliga och AI-drivna data- och säkerhetsanalysplattform, REVEAL. Nu bygger vi vidare på vår AI-uppdrag med en vision att leverera en självkörande säkerhetsanalysplattform, som använder maskinlärning som grund men också lägger till generativ och agentbaserad AI över hela hotlivscykeln. Målet är att analytiker och ingenjörer ska spendera mindre tid på komplexitet och mer tid på meningsfullt arbete. Tillåt maskiner att förstärka definitionen av deras dagliga aktiviteter.

Med din erfarenhet av ledande roller på Oracle, Sun Microsystems och Ernst & Young, vilka viktiga lärdomar förde du med dig från dessa erfarenheter till grundandet av Gurucul?

Min ledarerfarenhet på Oracle, Sun Microsystems och Ernst & Young stärkte min förmåga att lösa komplexa säkerhetsutmaningar och gav mig en förståelse för de utmaningar som VD och CISO för Fortune 100-företag möter. Sammantaget gav det mig en möjlighet att se de tekniska och affärsmässiga utmaningar som de flesta säkerhetsledare står inför och inspirerade mig att bygga lösningar för att överbrygga dessa gap.

Hur skiljer sig Guruculs REVEAL-plattform från traditionella SIEM-lösningar (Security Information and Event Management)?

Äldre SIEM-lösningar förlitar sig på statiska, regelbaserade metoder som leder till överdrivna falska positiva resultat, ökade kostnader och försenade upptäckt och svar. Vår REVEAL-plattform är fullständigt molnbaserad och AI-driven, som använder avancerad maskinlärning, beteendeanalys och dynamisk riskbedömning för att upptäcka och svara på hot i realtid. Till skillnad från traditionella plattformar anpassar sig REVEAL kontinuerligt till utvecklande hot och integrerar över på plats, moln och hybridmiljöer för omfattande säkerhetstäckning. Erkänd som den “mest visionära” SIEM-lösningen i Gartners Magic Quadrant i tre år i rad, omdefinierar REVEAL AI-driven SIEM med obesegrade precision, hastighet och synlighet. Dessutom kämpar SIEM med ett dataöverbelastningsproblem. De är för dyra för att ta in allt som behövs för fullständig synlighet, och även om de gör det, bidrar det bara till det falska positiva problemet. Gurucul förstår detta problem, och det är därför vi har en nativ och AI-driven Data Pipeline Management-lösning som filtrerar icke-kritisk data till lågkostnadslagring, sparar pengar, samtidigt som vi behåller förmågan att köra federerad sökning över all data. Analysystem är en “skräp in, skräp ut”-situation. Om datan som kommer in är svullen, onödig eller ofullständig, kommer utdata inte att vara korrekt, åtgärdbart eller slutligen tillförlitligt.

Kan du förklara hur maskinlärning och beteendeanalys används för att upptäcka hot i realtid?

Vår plattform använder över 4 000 maskinlärningsmodeller för att kontinuerligt analysera alla relevanta datamängder och identifiera avvikelser och misstänkta beteenden i realtid. Till skillnad från äldre säkerhetssystem som förlitar sig på statiska regler, avslöjar REVEAL hot när de uppstår. Plattformen använder också User and Entity Behavior Analytics (UEBA) för att etablera baslinjer för normalt användar- och entitetsbeteende, som upptäcker avvikelser som kan indikera insiderhot, komprometterade konton eller skadlig aktivitet. Detta beteende kontextualiseras ytterligare av en stordatamotor som korrelerar, berikar och länkar säkerhets-, nätverks-, IT-, IoT-, moln-, identitets-, affärsapplikationsdata och både interna och externa hotintelligens. Detta informerar en dynamisk riskbedömningsmotor som tilldelar realtidsriskpoäng som hjälper till att prioritera svar på kritiska hot. Tillsammans ger dessa funktioner en omfattande, AI-driven metod för upptäckt och svar på hot i realtid som sätter REVEAL isär från konventionella säkerhetslösningar.

Hur hjälper Guruculs AI-drivna tillvägagångssätt till att minska falska positiva resultat jämfört med konventionella cybersäkerhetslösningar?

REVEAL-plattformen minskar falska positiva resultat genom att använda AI-driven kontextuell analys, beteendeenhet och maskinlärning för att skilja på legitim användaraktivitet och faktiska hot. Till skillnad från konventionella lösningar, förfinar REVEAL sin upptäcktsförmåga över tid, förbättrar precisionen och minskar bruset. Dess UEBA upptäcker avvikelser från baslinjeaktivitet med hög precision, vilket tillåter säkerhetsteam att fokusera på legitima säkerhetsrisker snarare än att överväldigas av falska larm. Medan maskinlärning är en grundläggande aspekt, spelar generativ och agentbaserad AI en betydande roll för att ytterligare lägga till kontext i naturligt språk för att hjälpa analytiker att förstå exakt vad som händer runt en varning och till och med automatisera svaret på dessa varningar.

Vilken roll spelar motståndskraftig AI i moderna cybersäkerhetshot, och hur bekämpar Gurucul dessa utvecklande risker?

Först och främst ser vi redan att motståndskraftig AI används på de lägsta hängande frukterna, den mänskliga vektorn och identitetsbaserade hot. Detta är varför beteendeanalys och identitetsanalys är avgörande för att identifiera avvikande beteenden, sätta dem i kontext och förutsäga skadligt beteende innan det sprider sig. Dessutom är motståndskraftig AI den sista spiken i kistan för signaturbaserade upptäcktsmetoder. Motståndare använder AI för att undvika dessa TTP-definierade upptäcktsregler, men de kan inte undvika beteendebaserade upptäckter på samma sätt. SOC-team är inte tillräckligt resurserade för att fortsätta skriva regler för att hålla jämna steg och kommer att kräva en modern tillvägagångssätt för hotupptäckt, utredning och svar. Beteende och kontext är de viktigaste ingredienserna. Slutligen förlitar sig plattformar som REVEAL på en kontinuerlig återkopplingsloop, och vi tillämpar kontinuerligt AI för att förfinare våra upptäcktsmodeller, rekommendera nya modeller och informera om ny hotintelligens som hela vår kundekosystem kan dra nytta av.

Hur förbättrar Guruculs riskbaserade poängsystem säkerhetsteams förmåga att prioritera hot?

Vår plattforms dynamiska riskpoängsystem tilldelar realtidsriskpoäng till användare, enheter och åtgärder baserat på observerade beteenden och kontextuell insikt. Detta möjliggör för säkerhetsteam att prioritera kritiska hot, minska svartid och optimera resurser. Genom att kvantifiera risk på en skala från 0 till 100, ser till att REVEAL att organisationer fokuserar på de mest pressande incidenterna snarare än att överväldigas av lågprioriterade varningar. Med en enhetlig riskpoäng som omfattar alla företagsdatakällor, får säkerhetsteam större synlighet och kontroll, vilket leder till snabbare och mer informerade beslut.

I en tid av ökande dataintrång, hur kan AI-drivna säkerhetslösningar hjälpa organisationer att förhindra insiderhot?

Insiderhot är en särskilt utmanande säkerhetsrisk på grund av deras subtila natur och den åtkomst som anställda besitter. REVEALs UEBA upptäcker avvikelser från etablerade beteendebaslinjer, identifierar riskfyllda aktiviteter som obehörig dataåtkomst, ovanliga inloggnings­tider och missbruk av privilegier. Dynamisk riskbedömning bedömer också kontinuerligt beteenden i realtid, tilldelar risknivåer för att prioritera de mest pressande insiderhoten. Dessa AI-drivna funktioner möjliggör för säkerhetsteam att proaktivt upptäcka och mildra insiderhot innan de eskalerar till dataintrång. Med tanke på den prediktiva naturen av beteendeanalys är insider-riskhantering en kapplöpning mot klockan. Insider-riskhanteringsteam behöver kunna svara och samarbeta snabbt, med sekretess i toppen av sinnet. Kontext är återigen avgörande här, och tillägger beteendeanalytiska avvikelser med kontext från identitetssystem, HR-applikationer och alla andra relevanta datakällor ger dessa team de verktyg de behöver för att snabbt bygga och försvara en bevisfallsättning så att företaget kan svara och mildra innan dataexfiltrering sker.

Hur förbättrar Guruculs identitetsanalyslösning säkerheten jämfört med traditionella IAM-verktyg (Identity and Access Management)?

Traditionella IAM-lösningar fokuserar på åtkomstkontroll och autentisering, men saknar intelligensen och synligheten för att upptäcka komprometterade konton eller privilegie­missbruk i realtid. REVEAL går utöver dessa begränsningar genom att använda AI-driven beteendeanalys för att kontinuerligt bedöma användarrisk, dynamiskt justera riskpoäng och verkställa adaptiva åtkomstberättiganden, minimera missbruk och illegitimt privilegie­missbruk. Genom att integrera med befintliga IAM-ramverk och verkställa minsta möjliga privilegier, förbättrar vår lösning identitetssäkerheten och minskar angreppsytor. Problemet med IAM-styrning är identitetssystemspridning och bristen på sammanhang mellan olika identitetssystem. Gurucul ger team en 360° vy av deras identitetsrisker över alla identitetsinfrastrukturer. Nu kan de stoppa gummi­stämplar på åtkomst, men istället ta en riskorienterad tillvägagångssätt för åtkomst­politik. Dessutom kan de påskynda efterlevnadsaspekten av IAM och demonstrera en kontinuerlig övervakning och holistisk tillvägagångssätt för åtkomstkontroll över hela organisationen.

Vilka är de viktigaste cybersäkerhetshoten du förutser under de närmaste fem åren, och hur kan AI hjälpa till att mildra dem?

Identitetsbaserade hot kommer att fortsätta att spridas, eftersom de har fungerat. Motståndare kommer att dubbla sina ansträngningar för att få åtkomst genom att logga in antingen via att kompromettera insiders eller attackera identitetsinfrastruktur. Naturligtvis kommer insiderhot att fortsätta att vara en viktig riskvektor för många företag, särskilt eftersom skugg-IT fortsätter. Oavsett om det är avsiktligt eller oaktsamt, kommer företag alltmer att behöva synlighet i insider-risk. Dessutom kommer AI att påskynda variationer av konventionella TTP, eftersom motståndare vet att det är så de kan undvika upptäckt genom att göra det, och det kommer att vara lågkostnad för dem att skapa anpassade taktiker, tekniker och protokoll. Än en gång, varför fokus på beteende i kontext och ha upptäcktsystem som kan anpassa sig lika snabbt kommer att vara avgörande för den närmaste framtiden. Tack för den underbara intervjun, läsare som vill lära sig mer bör besöka Gurucul.