Ramutė Varnelytė, IPXO’nun CEO’su – Röportaj Serisi

Ramutė Varnelytė, IPXO’nun CEO’su, 15 yılı aşkın ticari liderlik deneyimine sahip ve 2025 yılı başlarında şirketin başına atandı. Rolünde, stratejik büyümeyi, operasyonel mükemmelliği ve pazar konumlandırmasını teşvik ederek, IPXO’nun IP adresi kiralaması ve yönetimi alanındaki inovasyonun ön saflarında kalmasını sağlıyor.

IPXO, Internet Protokolü Değişim Organizasyonu’nun kısaltması, 2021 yılında küresel IPv4 kıtlığını gidermek için dinamik bir kiralama ve para kazanma platformu oluşturmak amacıyla kuruldu. Dünyanın en büyük tam otomatik IP adresi kiralama pazarına dönüşmüştür. Platform, milyonlarca IP adresini küresel olarak desteklemektedir ve güçlü Bölgesel İnternet Kayıt Defterleri ile birleşik, verimli bir IP ekosistemi oluşturma misyonuna sahiptir.

IPXO’nun davranış tabanlı risk profili oluşturma ve makine öğrenimi kullanarak benign AI otomasyonunu ve kötü niyetli bot faaliyetinden ayırt etme yöntemlerini tartışacağız. Konuşma, internet trafiğindeki AI ajanlarının yükselişini, ISP siber güvenlik zorluklarını ve güvenliği operasyonel verimlilikle dengeleme stratejilerini keşfedecek.

Çeşitli organizasyonlarda trafik kalıplarının artık AI ajanları tarafından değil, sadece web tarama botları tarafından değil, AI ajanlarının hakim olduğu sonucuna varmanıza yol açan trendler nelerdir?

Botlar her yerde now, insan trafiğini büyük ölçüde aşmış durumdalar. Bot trafiğinin yaklaşık üçte biri “kötü bot” payından oluşuyor ve bu da birçok kötü amaçlı faaliyete katkıda bulunuyor. Trend, çeşitli olay raporlarında açıkça görülüyor: şirketler alışılmadık veya zararlı trafiği, API kullanımındaki anormal artışları veya diğer düzensizlikleri araştırdıklarında, kanıtlar bu otomatik sistemlerin basit web tarama botlarından ziyade AI ajanlarına benzediğini gösteriyor; çünkü bunlar farklı tarayıcılar veya cihazlar gibi davranıyorlar (user-agent spoofing), IP’lerini hızlı bir şekilde değiştiriyorlar (hızlı IP rotasyonu), tutarlı değiller ve benzeri. Aslında, trafiğin hacmi ve eylemlerinin artan karmaşıklığı, basit web tarama botlarından ziyade AI ajanlarına işaret ediyor.

IP risk profillerini oluşturmak için kullanılan davranış sinyalleri nelerdir – Örneğin, istek sıklığı, başlıklar veya coğrafi kalıplar?

Bir IP’nin “itibar puanını” gerçekten isteklerin içeriğini görmeden, sadece nasıl davrandığını gözlemleyerek değerlendirmek mümkündür. Bu düzensiz kalıplar “içerikten bağımsız”dır, yani gerçekten veri gerektirmez. Meta veri ve belirli davranış yeterli IP risk profili oluşturmak için yeterlidir. Bu, modern şifreleme gibi TLS 1.3 veya ECH tarafından gizlenmeyen observable veriler sayesinde ölçeklenebilir.

Sistem, kötü amaçlı faaliyetler gibi web tarama, botnet veya kimlik bilgileri doldurma gibi kötü amaçlı faaliyetlerden benign AI otomasyonunu nasıl ayırt eder – özellikle yük içeriğini incelemeksizin?

Bir otomasyonun belirli bir süre boyunca nasıl davrandığını dikkate almak önemlidir, yalnızca talep ettiği içeriği değil. “İyi” botlar genellikle çok öngörülebilir, belirli bir yapıya ve adımlara sahiptir. Kötü niyetli botlar ise genellikle öngörülemez bir şekilde atlar, atılabilir tanımlayıcılar kullanır, makine gibi bir tempoya sahiptir ve tespit edilmemek için birçok sunucuya dağıtır. Bu, zaman içinde sitenin etrafında nasıl hareket ettiğini değerlendirmek için genişletilmiş davranış modellemesine indirgenir.

Mevcut ISP’ler, siber saldırılarına karşı güçlü savunmalar korurken artan proxy trafiğini nasıl ele alıyor?

Modern protokoller, artan gizlilik için daha fazla bağlantı ayrıntısını gizler, bu nedenle ISP’ler trafiğin türünü değerlendirmek ve doğru şekilde sınıflandırmak için daha zor ve daha pahalı hale geliyor. İçeriği göremedikleri için, ISP’ler daha çok trafiğin davranışına, içeriğine değil, güveniyor. Mücadele, traffic inspection’a güvenmekten, operasyonel maliyetleri artıran ve yeni tehdit istihbarat araçlarını entegre etmek için yeni bir yaklaşım benimsemeye zorlanmaktan kaynaklanıyor.

ISP’ler AI ajanı trafiğini kolaylaştırmak için kısıtlamaları gevşetmekle karşılaştıkları siber güvenlik trade-off’ları nelerdir?

Kısıtlamaları gevşetmek, yanlış pozitifleri azaltabilir ve ajanların görevlerini sorunsuz bir şekilde gerçekleştirmesini sağlayabilir. Ancak bu aynı zamanda tehdit ve saldırı sayısını artırabilir, çünkü “kötü bot” payı zaten önemli bir trafiği oluşturuyor. Daha gevşek filtreler daha yüksek riskler anlamına gelir. Bir uzlaşma, risk ağırlıklı kapı yaklaşımı olabilir. Örneğin, şüpheli trafik varsa, ilk adım olarak tamamen engelleme yerine yavaşlatmak olabilir. Daha nüanslı kontroller kurulmalıdır.

Gerçek zamanlı risk puanlama için kullandığınız temel teknolojiler nelerdir – Makine öğrenimi, tehdit istihbarat beslemeleri veya davranışsal anomali tespiti mi kullanıyorsunuz?

Canlı veri izleme ve değerlendirme, makine öğrenimi ve çeşitli tehdit istihbarat araçlarının bir karışımını kullanıyoruz. Hedef, davranıştaki bấtırlıkları nhanh bir şekilde tespit etmek, trafiğin niyetini anlamak ve zararlı olduğuna inanmak için nedenler varsa, yüksek riskli durumları işaretlemek ve buna göre davranmaktır.

Sistem, mevcut ISP veya kurumsal SOC iş akışlarına nasıl entegre edilir – Otomatik olarak uyarı veya müdahale tetikleyebilir mi?

Evet, sistem mevcut iş akışlarına uyarı gönderir ve ayrıca belirli tehditleri ağ düzeyinde engeller. Farklı risk toleranslarına bağlı olarak çeşitli modlarda çalışabilir.

Profilleme sistemi, erken test veya dağıtımlar sırasında sürpriz saldırı kalıpları veya kötüye kullanım durumları ortaya çıkardı mı?

Evet, birçok örnek vardı. Endüstri genelinde bir örnek, “halüsinasyon taramaları” olabilir, burada LLM’ler var olmayan URL’leri uydurur ve sonra bunları almaya çalışırlar. Veya belirli zaman aralıklarında, örneğin 15 dakika veya bir saat, tekrar eden istek patlamaları. Tüm bu kalıplar, davranış izlemeyi daha da iyileştirmek ve yanlış pozitifleri azaltmak için faydalıdır.

Şifreli içeriği incelemeksizin davranış tabanlı profiller oluşturmanın gizlilik ve güvenlik etkileri nelerdir – özellikle küresel veri koruma yasaları altında?

Davranış meta verisi kişisel veri olarak kabul edilebilir, ancak bazı istisnalar vardır, örneğin meşru bir ilgi varsa, haklı gösterilebilir ve güvenlik izleme için gerekliyse. Bu ilgi ve erişilen veri miktarı, değerlendirilen risklerle orantılı olmalıdır.

Araştırmacı web tarama botları veya beyaz listeye alınan AI ajanları gibi benign otomasyonun yanlış pozitiflerden korunması nasıl sağlanır?

Yeni güvenlik önlemlerini ve kuralları uygulamadan önce test ediyoruz, eylemlerden önce birden fazla sinyali değerlendiriyoruz, ayrıca trafik meşruiyetini test etmek için ilk olarak yumuşak zorluklar kullanıyoruz, doğrudan engelleme yerine. Bu, sürekli olarak iyileştirilen bir çok katmanlı kontrol listesidir.

Harika röportaj için teşekkür ederiz, daha fazla bilgi edinmek isteyen okuyucular IPXO‘yu ziyaret edebilir.