Brava Security ระดมทุนรอบซีด 15 ล้านดอลลาร์ เพื่อขยายธุรกิจ SecOps ด้วย AI ในอเมริกาเหนือ

Brava Security ประกาศเมื่อวันที่ 4 พฤศจิกายน 2026 ว่าบริษัทได้ออกจากโหมดพรางตัว พร้อมเงินทุนรอบซีด 15 ล้านดอลลาร์ นำโดย F2 Venture Capital และ Pitango ควบคู่กับแพลตฟอร์มแบบหลายเอเจนต์ที่ออกแบบมาเพื่อทดสอบว่าเครื่องมือรักษาความปลอดภัยจะตรวจจับการโจมตีได้จริงหรือไม่

รอบระดมทุนนี้มีนักลงทุน angel ซึ่งเป็นผู้บริหารของ Anthropic, Microsoft และ Check Point เงินทุนจะนำไปใช้พัฒนาเทคโนโลยีของ Brava และขยายธุรกิจทั่วอเมริกาเหนือ รวมถึงในภาคบริการทางการเงิน ภาครัฐ และพลังงาน Brava ระบุว่าปัจจุบันบริษัททำงานร่วมกับบริษัทใน Fortune 100 ในธุรกิจค้าปลีก พลังงาน และการบริการอยู่แล้ว

การเปิดตัวนี้มุ่งแก้จุดอ่อนของปฏิบัติการรักษาความปลอดภัยที่ขับเคลื่อนด้วย AI กล่าวคือ เอเจนต์อาจตัดสินใจเกี่ยวกับภัยคุกคามที่ตรวจพบได้ แต่ยังไม่รู้ว่ามีการโจมตีที่ระบบป้องกันเบื้องหลังตรวจจับไม่พบ Brava ระบุว่าสาเหตุที่อาจเป็นไปได้ ได้แก่ การเก็บรวบรวมบันทึกข้อมูลที่ไม่ครบถ้วน ไปป์ไลน์ข้อมูลเทเลเมทรีที่ขัดข้องโดยไม่มีสัญญาณเตือน และตรรกะการตรวจจับที่มีข้อบกพร่อง

สร้างหลักฐานโดยไม่ต้องลงมือโจมตี

เอเจนต์ AI ที่ทำงานร่วมกันของ Brava จำลองพฤติกรรมของผู้โจมตีและสร้างข้อมูลเทเลเมทรีสังเคราะห์ที่การโจมตีจะก่อให้เกิดขึ้นทั่วสภาพแวดล้อมของลูกค้า โดยไม่ลงมือโจมตีจริง กระบวนการนี้ทำงานแยกจากกฎการตรวจจับที่มีอยู่และการทดสอบที่กำหนดไว้ล่วงหน้า เพื่อระบุว่าระบบป้องกันควรตรวจจับอะไรได้ ก่อนทดสอบว่าปัจจุบันตรวจจับอะไรได้บ้าง

แพลตฟอร์มทำงานควบคู่กับ SIEM ที่ลูกค้ามีอยู่แล้ว ฟังก์ชันวิศวกรรมการตรวจจับจะตรวจสอบว่าระบบป้องกันปัจจุบันรับรู้ขั้นตอนใดของการโจมตี ระบุกฎที่ไม่แจ้งเตือน และเขียนการตรวจจับที่ขาดหายไปด้วยภาษาคิวรีของ SIEM โดยใช้เฉพาะฟิลด์ที่มีอยู่ในหลักฐานที่สร้างขึ้น จากนั้นระบบจะเล่นหลักฐานดังกล่าวซ้ำเพื่อยืนยันว่ามีการแจ้งเตือนจริง

การทดสอบจำลองตามกำหนดเวลาจะทำการตรวจสอบซ้ำหลังสภาพแวดล้อมเปลี่ยนแปลง แผนที่ที่มีหลักฐานรองรับจะแสดงพื้นที่ที่ผ่านการตรวจสอบแล้ว ผ่านการตรวจสอบบางส่วน เป็นจุดบอด และมีข้อมูลเทเลเมทรีขาดหาย ส่วนความล้มเหลวที่ตรวจพบ ได้แก่ การตรวจจับที่ขัดข้อง ความคลาดเคลื่อนของสคีมา และแหล่งบันทึกข้อมูลที่หยุดทำงาน

Aquarium ซึ่งเป็นเอเจนต์สำหรับการสืบสวน รับคำถามเป็นภาษาทั่วไป วางแผนและปรับคิวรี แล้วค้นหาข้อมูลใน SIEM บันทึกข้อมูลที่เก็บถาวร ระบบ EDR และบันทึกการตรวจสอบบนคลาวด์ รายงานของระบบจะเชื่อมโยงข้อค้นพบแต่ละรายการกับเหตุการณ์ดิบที่เกี่ยวข้อง

ฟังก์ชันจัดการไปป์ไลน์ข้อมูลจะส่งเหตุการณ์ที่จำเป็นต่อการตรวจจับไปยัง SIEM และย้ายข้อมูลอื่นไปเก็บในพื้นที่จัดเก็บต้นทุนต่ำที่ค้นหาได้ แทนที่จะลบทิ้ง Brava รายงานว่าการกำหนดเส้นทางข้อมูลเช่นนี้ช่วยลดค่าใช้จ่าย SIEM ของลูกค้าลง 65–85%

ขนาดการใช้งานและการติดตั้งในระยะแรกที่รายงาน

Brava ระบุว่าแพลตฟอร์มรองรับแหล่งข้อมูลและปลายทางมากกว่า 70 รายการ รวมถึง Splunk, Microsoft Sentinel, Google SecOps, CrowdStrike NG-SIEM, Elastic Security และ IBM QRadar โดยจะเริ่มรับข้อมูลเชิงลึกได้ภายใน 10–15 นาทีหลังเชื่อมต่อ SIEM

บริษัทเปิดเผยตัวเลขรายวันโดยประมาณจากสภาพแวดล้อมของลูกค้า ดังนี้ อ่านและสร้างลายนิ้วมือข้อมูลจากเหตุการณ์ 2.4 ล้านล้านรายการ จำลองเทคนิคการโจมตี 1,100 รายการ ทดสอบการตรวจจับซ้ำ 3,800 รายการ และจับคู่ฟิลด์ 140,000 รายการต่อวัน

Iain Paterson ประธานเจ้าหน้าที่ฝ่ายรักษาความปลอดภัยสารสนเทศของ WELL Health กล่าวในคำรับรองที่ Brava เผยแพร่ว่าแพลตฟอร์มช่วยให้องค์กรของเขาสร้างและนำ SIEM ใหม่มาใช้งานจริงได้ภายในไม่กี่สัปดาห์ เขากล่าวว่า “วิศวกรรมการตรวจจับอย่างต่อเนื่องช่วยให้มั่นใจว่าเราจะไม่มีกฎที่หยุดทำงาน และมีการเพิ่มการตรวจจับใหม่ ๆ อย่างสม่ำเสมอ”

ผู้ก่อตั้งผู้อยู่เบื้องหลังแพลตฟอร์ม

ประวัติผู้ก่อตั้งระบุว่า Idan Basre เป็นผู้ร่วมก่อตั้งและ CEO ประจำอยู่ที่นิวยอร์ก ส่วน Itay Gabbay เป็นผู้ร่วมก่อตั้งและ CTO ประจำอยู่ที่เทลอาวีฟ Basre ซึ่งเป็นศิษย์เก่า Talpiot ใช้เวลาหนึ่งทศวรรษศึกษาพฤติกรรมของผู้โจมตีใน Unit 8200 ก่อนย้ายไปเป็นผู้นำด้านผลิตภัณฑ์ที่ Microsoft Defender ส่วน Gabbay เป็นผู้นำการวิจัย AI ของ DARPA ที่สหรัฐฯ และอิสราเอลร่วมกัน พัฒนาระบบ AI อัตโนมัติ และนำโครงการริเริ่มด้านความปลอดภัย AI สำหรับองค์กร

การขยายธุรกิจของ Brava ตั้งอยู่บนสมมติฐานเฉพาะเกี่ยวกับปฏิบัติการรักษาความปลอดภัยที่ใช้ AI ช่วย นั่นคือ ระบบอัตโนมัติขึ้นอยู่กับคุณภาพของข้อมูลเทเลเมทรีและตรรกะการตรวจจับที่อยู่เบื้องหลัง แพลตฟอร์มใช้ชั้นหลักฐานเดียวเพื่อตรวจสอบระบบป้องกัน สนับสนุนการสืบสวน และตัดสินว่าข้อมูลใดควรอยู่ใน SIEM ประเด็นที่ยังต้องติดตามคือ ประโยชน์ด้านการตรวจจับและต้นทุนที่รายงานไว้จะคงอยู่ได้หรือไม่เมื่อสภาพแวดล้อมของลูกค้าเปลี่ยนแปลง