Carl Froggett, Deep Instinct’ın CIO’su – Röportaj Serisi

Carl Froggett, Deep Instinct şirketinin Bilgi Teknolojileri Direktörüdür (CIO). Şirket, yapay zekânın gelişmiş bir alt alanı olan derin öğrenmenin siber güvenliğe uygulanarak daha fazla tehdidi daha hızlı önleyebileceği düşüncesiyle kuruldu.

Froggett; ekip kurma, sistem mimarisi, büyük ölçekli kurumsal yazılım uygulamaları ve süreçlerle araçları iş gereksinimleriyle uyumlu hâle getirme alanlarında deneyimlidir. Daha önce Citi’de Küresel Altyapı Savunması ve CISO Siber Güvenlik Hizmetleri Başkanıydı.

Geçmişiniz finans sektörüne dayanıyor. Siber güvenliğe nasıl geçtiniz?

1990’ların sonunda Citi’de çalışırken BT görevimden siber güvenliğe geçtim. Kısa sürede liderlik pozisyonuna yükselerek BT operasyonları deneyimimi siber güvenliğin gelişen ve zorlu dünyasına uyguladım. Bu alanda farklı iş ihtiyaçları için teknoloji ve güvenlik çözümlerini devreye alıp işletirken yeniliklere odaklanabildim. Citi’deki sorumluluklarım, dünya çapındaki işletmeleri ve müşterileri için küresel platformların inovasyonunu, mühendisliğini, teslimini ve operasyonlarını kapsıyordu.

Citi’de 25 yılı aşkın süre çalıştınız ve bunun büyük bölümünde güvenlik stratejileri ile mühendislikten sorumlu ekiplere liderlik ettiniz. Deep Instinct girişimine katılmanızı sağlayan neydi?

Yeni bir sorumluluk üstlenmek ve deneyimimi farklı bir şekilde kullanmak istedim. On beş yılı aşkın süredir siber güvenlik girişimleri ve FinTech şirketleriyle yakından çalışıyor, iş büyümesini desteklemek üzere ekiplere mentorluk yapıp onları geliştiriyor ve bazı şirketleri halka arza hazırlıyordum. Deep Instinct’i tanıyordum; benzersiz ve dönüştürücü derin öğrenme (DL) teknolojisinin başka sağlayıcıların elde edemediği sonuçlar ürettiğini görmüştüm. Şirketleri her gün karşılaştığımız kötü amaçlı tehditlere karşı korumada yeni bir dönemi başlatacak çalışmanın parçası olmak istedim.

Deep Instinct’in derin öğrenmeyi siber güvenliğe uygulaması neden bu kadar önemli bir değişim yaratıyor?

Şirket kurulduğunda siber güvenlik sektörünü dönüştürmeyi hedefledi. Sürekli geriden gelen “tespit et, müdahale et, sınırlandır” yaklaşımı yerine önlemeyi önceleyen bir felsefe benimsedi. Fidye yazılımları, sıfır gün açıklarından yararlanma ve daha önce görülmemiş tehditler artarken mevcut tepkisel güvenlik modeli işe yaramıyor. Üretken yapay zekâ tehditlerin sayısını ve hızını artırıyor; saldırganlar yeni yöntemler geliştirip mevcut kontrolleri aşarken kuruluşların bir adım önde kalabilmek için öngörücü ve önleyici kapasiteye ihtiyacı var.

Saldırganlar WormGPT, FraudGPT ve değişime uğrayan zararlı yazılımlar gibi araçlarla karşıt amaçlı yapay zekâ kullanımını artırıyor. Kuruluşların yapay zekâya yapay zekâyla karşı koyması gereken kritik bir dönemdeyiz. Ancak tüm yapay zekâlar aynı değildir. Bunun için daha gelişmiş bir yaklaşım olan derin öğrenmeye dayalı çözümler gerekiyor. Çoğu siber güvenlik aracı makine öğrenimi (ML) kullanıyor. Froggett’e göre bu modeller genellikle mevcut verilerin yalnızca %2–5’iyle eğitiliyor, bilinmeyen tehditlerde %50–70 doğruluk sağlıyor ve çok sayıda yanlış pozitif üretiyor. Yoğun insan müdahalesi ve küçük eğitim kümeleri insan önyargısı ile hata riskini de getiriyor. Uç noktada bile yavaş kalıp tehditlerle hareketsizken ilgilenmek yerine çalışana kadar bekliyorlar. DL’nin gücü, veri alırken kendi kendine öğrenebilmesi ve karmaşık tehditleri belirleme, tespit etme ve önleme işini bağımsız yürütmesidir.

DL, geleneksel “ihlalin gerçekleşeceğini varsay” anlayışından öngörücü önlemeye geçiş sağlar. Böylece yapay zekâyla üretilen zararlı yazılımlar da dâhil tehditler gerçekleşmeden belirlenip azaltılabilir. Bilinen ve bilinmeyen zararlı yazılımlarda yüksek etkinlik ve ML tabanlı çözümlere göre düşük yanlış pozitif oranları sunar. DL çekirdeğinin bu etkinliği koruması için yılda bir veya iki güncelleme yeterlidir; bağımsız çalıştığından sürekli bulut sorgusu veya istihbarat paylaşımı gerektirmez. Bu da hız ve gizlilik avantajı sağlar.

Derin öğrenme daha önce hiç görülmemiş zararlı yazılımları nasıl öngörerek önleyebiliyor?

Bilinmeyen zararlı yazılımlar farklı şekillerde oluşturulur. Yaygın yöntemlerden biri dosyanın karma değerini değiştirmektir; tek bir bayt eklemek bile yeterli olabilir. Karma değerlerini kara listeye alan uç nokta çözümleri bu tür değişimlere açıktır, çünkü mevcut imzalar yeni karma değerleriyle eşleşmez. Başka bir yöntem, ikili dosyayı özgün dosyanın üzerine bir maske gibi genel bir katman ekleyen paketleyiciyle paketlemektir. Yeni varyantlar özgün zararlı yazılımın ikili yapısı değiştirilerek de oluşturulur. Sabit metinler, komuta ve kontrol sunucularının IP veya alan adları, kayıt defteri anahtarları, dosya yolları, meta veriler, mutex’ler, sertifikalar, ofsetler ve fidye yazılımının şifrelediği dosyalarla ilişkili uzantılar değiştirilebilir. Kodun tamamı veya bir bölümü değiştirilerek ya da eklenerek geleneksel tespit atlatılabilir.

DL, sinir ağına dayanır ve “beynini” ham veriler üzerinde sürekli eğitir. Eğitimde mevcut verilerin tamamı kullanılır ve insan müdahalesi bulunmaz; yüksek doğruluğun önemli nedenlerinden biri budur. Böylece yüksek etkinlik, düşük yanlış pozitif oranı ve bilinmeyen tehditlere dayanıklılık sağlanır. DL çerçevemiz imzalara veya kalıplara dayanmadığından karma değeri değişikliklerine karşı dayanıklıdır. Basit ve bilinen paketleyicilerle ya da FUD yöntemleriyle paketlenmiş dosyaları da sınıflandırabiliyoruz.

Eğitim sırasında algoritmaya verdiğimiz dosyaların ham verilerini değiştiren “gürültü” ekleyerek küçük değişimler üretiyor ve bunları her eğitim döngüsünde kullanıyoruz. Bu yaklaşım, platformu bilinmeyen zararlı yazılım varyantlarındaki metin değişiklikleri ve polimorfizm gibi değişimlere dayanıklı kılıyor.

Siber güvenlikte önlemeyi öncelemek genellikle önemlidir. Deep Instinct saldırıları önlemeye nasıl odaklanıyor?

Veri her kuruluşun can damarıdır ve korunması öncelikli olmalıdır. İhlal için tek bir zararlı dosya yeterlidir. Yıllardır yaygın olan “ihlali varsay” yaklaşımı, saldırganların verilere erişmesini kaçınılmaz kabul eder. Ancak bu anlayış ve buna dayanan araçlar yeterli veri güvenliği sağlayamadı; saldırganlar da bu edilgen yaklaşımdan yararlanıyor. Yakın tarihli araştırmamız, 2023’ün ilk yarısındaki fidye yazılımı olaylarının 2022’nin tamamından fazla olduğunu buldu. Bu değişime karşı yalnızca zihniyet değişikliği yetmez; tümüyle yeni bir yaklaşım ve önleyici araçlar gerekir. Tehditler yeni, bilinmeyen ve hızlıdır. İmzalar değişen tehditlere yetişemediği gibi, ML tabanlı mevcut çözümler de yetişemiyor.

Deep Instinct’te DL’nin gücüyle veri güvenliğinde önlemeyi önceleyen bir yaklaşım sunuyoruz. Deep Instinct Predictive Prevention Platform, siber güvenlik için özel geliştirilmiş benzersiz DL çerçevemize dayanan ilk ve tek çözüm olarak tanımladığımız platformdur. Sıfır gün, fidye yazılımı ve diğer bilinmeyen tehditlerin %99’undan fazlasını 20 milisaniyeden kısa sürede, %0,1’in altında yanlış pozitif oranıyla önlediğini belirtiyoruz. Çerçevemizi uygulamaları ve uç noktaları korumaya zaten uyguladık; Deep Instinct Prevention for Storage ile depolama korumasına da genişlettik.

Açıkların önünde kalmak, yanlış pozitifleri sınırlamak ve güvenlik ekiplerinin stresini azaltmak için öngörücü önlemeye geçiş gerekiyor. Bu misyonun öncüleriyiz ve eski sağlayıcılar da önlemeyi önceleyen özellikler tanıtmaya başladığından yaklaşım yaygınlaşıyor.

Modellerinizi eğitmek için hangi verileri kullanıyorsunuz?

Diğer AI ve ML modelleri gibi bizim modelimiz de verilerle eğitilir. Farkı, öğrenmek ve gelişmek için müşterilerin verilerine veya dosyalarına ihtiyaç duymamasıdır. Bu gizlilik özelliği müşterilere ek güvence sağlar. Modelimizi eğitmek üzere dosya indirdiğimiz 50’den fazla veri akışına aboneyiz. Verileri şirket içinde geliştirdiğimiz algoritmalarla doğrulayıp sınıflandırıyoruz.

Bu eğitim modeli sayesinde yılda ortalama yalnızca iki veya üç yeni “beyin” oluşturmamız gerekiyor. Bunlar bağımsız dağıtılır ve müşterilerdeki operasyonel etkiyi önemli ölçüde azaltır. Değişen tehditlere yetişmek için sürekli güncelleme de gerekmez. DL’nin avantajı budur; diğer AI ve ML çözümleri tepkisel kalırken önleyici ve proaktif çalışabiliriz.

Depo hazır olduğunda tüm dosya türlerini kötü amaçlı veya zararsız olarak sınıflandırıp diğer meta verilerle birlikte veri kümeleri oluşturuyoruz. Ardından beyni mevcut verilerin tamamıyla eğitiyoruz; eğitimde veri elememek düşük yanlış pozitif ve yüksek etkinliğe katkı sağlıyor. Öğrenme kendi kendine devam ediyor; sonuçları ayarlayarak beyne öğretiyoruz ve o da öğrenmeyi sürdürüyor. İnsan öğrenmesine benzer biçimde, daha fazla eğitim daha yüksek doğruluk getiriyor. Ancak öğrenip anlamak yerine veriyi ezberlememesi için aşırı uyuma karşı çok dikkatliyiz.

Yeterince yüksek etkinliğe ulaştığımızda müşterilere dağıtılacak bir çıkarım modeli oluşturuyoruz. Dağıtılan model artık yeni şeyler öğrenemez. Buna karşılık yeni veriler ve bilinmeyen tehditlerle etkileşip kötü amaçlı olup olmadıklarını belirleyebilir. Gördüğü her şey hakkında adeta bir “sıfır gün” kararı verir.

Deep Instinct müşterinin konteyner ortamında çalışıyor. Bunun önemi nedir?

Deep Instinct Prevention for Applications (DPA), DL kapasitemizi API veya iCAP arayüzüyle kullanma olanağı sağlar. Böylece kuruluşlar bu yetenekleri uygulama ve altyapılarına gömerek katmanlı savunma stratejisiyle daha geniş bir alanda tehditleri önleyebilir. Sağladığımız bir konteynerde çalışan DPA, müşterilerin uygulama ve hizmetlerini şirket içi veya bulut konteynerlerine taşıma gibi dijitalleşme stratejileriyle uyumludur. Bu müşteriler genellikle DevOps süreçlerinde güvenliği daha erken aşamaya taşıyan “shift left” yaklaşımını da benimser. API odaklı hizmet modelimiz, çevik geliştirme ve hizmetlerde tehdit önlemeyi destekleyerek bunu tamamlar.

Mevcut hizmetlerden yararlanarak kuruluşun teknoloji stratejisine sorunsuz entegre oluruz; yeni donanım, lojistik sorun veya operasyonel yük gerekmez ve toplam sahip olma maliyeti (TCO) düşük kalır. Konteynerlerin talep üzerine geniş ölçekli otomatik büyüme, dayanıklılık, düşük gecikme ve kolay yükseltme avantajlarını kullanırız. Bu, tehdit önlemeyi uygulama ve altyapıya büyük ölçekte yerleştirir. DL’nin düşük gecikme, yüksek etkinlik ve düşük yanlış pozitif özellikleri gizlilikle birleşir: dosya veya veri, daima müşterinin kontrolündeki konteynerden çıkmaz. Ürünün bulutla dosya veya veri paylaşması ya da bulut analitiği yapması gerekmez.

Üretken yapay zekâ siber saldırıların ölçeğini büyütebilir. Bunlara karşı gereken hızı nasıl koruyorsunuz?

DL çerçevemiz sinir ağlarına dayanır; “beyni” ham verilerden öğrenip kendini eğitir. Hız ve doğruluk yüz milyonlarca örnekle eğitimden gelir. Eğitim kümeleri büyüdükçe ağ, bir dosyayı zararlı yapan özellikleri daha ayrıntılı anlar. Zararlı dosyaların yapı taşlarını bu ayrıntıyla tanıdığı için bilinen, bilinmeyen ve sıfır gün tehditlerini yüksek hız ve doğrulukla durdurur. Bulut analitiği veya sorgusu gerektirmemesi de fark yaratır. ML tek başına yeterli olmadığından bulut analitiğiyle desteklenir; fakat bu onu yavaş ve tepkisel yapar. DL’de bu kısıt yoktur.

Kuruluşlar üretken yapay zekânın güçlendirdiği hangi büyük tehditlere dikkat etmeli?

Kimlik avı e-postaları AI sayesinde daha gelişmiş hâle geldi. Eskiden dilbilgisi hatalarıyla kolayca fark edilirken saldırganlar şimdi ChatGPT gibi araçlarla farklı dillerde ayrıntılı ve dilbilgisi doğru mesajlar oluşturuyor. Bunları hem istenmeyen posta filtrelerinin hem de insanların yakalaması zorlaşıyor.

Derin sahte içerikler de daha gerçekçi ve inandırıcı. Ses AI araçları yöneticilerin seslerini taklit edip çalışanlara sahte sesli mesajlar bırakmak için kullanılıyor.

Saldırganlar güvenlik çözümlerini aşmak, tespitten kaçmak ve daha etkili yayılmak üzere davranış değiştiren bilinmeyen zararlı yazılımlar oluşturuyor. AI yalnızca yeni ve gelişmiş zararlı yazılımlar üretmek için değil, uçtan uca saldırı zincirini otomatikleştirmek için de kullanılacak. Bu, maliyetleri düşürüp ölçeği artırırken saldırı kampanyalarını daha gelişmiş ve başarılı yapabilir. Sektör son 15 yıldır güvendiği çözümleri, eğitimleri ve farkındalık programlarını yeniden düşünmeli. Bu yılki ihlaller başarısızlıkları gösteriyor ve durum ağırlaşabilir.

Uygulama, uç nokta ve depolama çözümlerinizi kısaca özetler misiniz?

Deep Instinct Predictive Prevention Platform, tehditlerin çalışıp ortama yerleşmesinden önce önlenmesi için özel DL çerçevemize dayanan platformdur. Üç temel bileşeni vardır:

1. API veya ICAP ile bağlanan, konteyner tabanlı ve ajansız çözüm: Deep Instinct Prevention for Applications, kullanıcı deneyimini etkilemeden fidye yazılımlarını, sıfır gün tehditlerini ve diğer bilinmeyen zararlı yazılımları uygulamalara ulaşmadan önler.
2. Uç noktada ajan tabanlı çözüm: Deep Instinct Prevention for Endpoints, günümüzdeki birçok çözüm gibi çalışma anında değil, çalıştırma öncesinde önlemeye odaklanan bağımsız bir platformdur. Ayrıca mevcut EDR çözümlerini tamamlayan bir tehdit önleme katmanı olabilir. Bilinen ve bilinmeyen tehditleri, sıfır gün saldırılarını ve fidye yazılımlarını zararlı etkinlik başlamadan önleyerek uyarı sayısını ve yanlış pozitifleri azaltır; SOC ekiplerinin güvenilir biçimde belirlenmiş gerçek tehditlere odaklanmasını sağlar.
3. Depolamada önlemeyi önceleyen koruma: Deep Instinct Prevention for Storage, şirket içinde veya bulutta depolanan verilere fidye yazılımları, sıfır gün tehditleri ve diğer bilinmeyen zararlı yazılımların sızmasını öngörücü biçimde önler. Merkezi depolamada hızlı ve yüksek etkinlikli koruma, depolamanın tehdit yayma ve dağıtma noktasına dönüşmesini engeller.

Bu değerlendirme için teşekkür ederiz. Daha fazla bilgi isteyen okuyucular Deep Instinct sitesini ziyaret edebilir.