A Rubrik bemutatásában ismertetett elemzés szerint az enterprise szintű kiberbiztonság alapvető sebességi problémával néz szembe: az élvonalbeli (frontier) AI-modellek mostantól autonóm támadásokat képesek végrehajtani, amelyek az első hozzáféréstől a teljes rendszerkifosztásig mindössze 27 másodperc alatt juthatnak el. Ez gyorsabb, mint amennyi idő alatt bármely embervezérelt biztonsági munkafolyamat észlelni, eszkalálni és reagálni tud.
Ezért a biztonsági műveletek (SecOps) nem számíthatnak arra, hogy az esemény és a kár keletkezése között elegendő idő marad az emberi beavatkozásra. A Rubrik szerint az AI-korszakban a vállalati biztonsági állapot középpontjában a kibereziliencia (cyber resilience) kell hogy álljon: folyamatosan azonosított tiszta visszaállítási állapotok, a kritikus adatok és identitásfüggőségek feltérképezése, valamint az automatizált helyreállítás, hogy a működés órákon belül, ne napok alatt álljon helyre.
"Minden, ami folyamatokra vagy emberi beavatkozásra épült, már nem fog tudni végrehajtódni a támadások sebességével" — fogalmaz Dev Rishi, a Rubrik AI-üzletágának igazgatója. "Ha a támadások 27 másodperc alatt zajlanak le, akkor a helyreállításnak ugyanolyan gyorsnak kell lennie."
A hagyományos észlelés és megelőzés kudarca az AI-támadásokkal szemben
Évtizedeken át a vállalati biztonságot szabályalapú logika határozta meg: statikus hozzáférés-vezérlés, ismert jelszignatúrák alapú észlelés és determinisztikus viselkedési szabályok. Ezeket determinisztikus szoftverekre tervezték. Az AI-ügynökök viszont nem determinisztikusak: ugyanazt a célt többféle úton képesek elérni, és képesek kikerülni statikus védőkorlátokat alternatív utak megtalálásával.
A hagyományos logika személyazonosságot, jogosultságokat és hozzáféréseket vizsgál, illetve azt, hogy egy-egy egyedi hozzáférés engedélyezett-e — de nem tudja megítélni, hogy egy engedélyezett műveletsor több alkalmazáson átvégezve adatkiszivárgást, destruktív műveletet vagy támadást eredményez-e. "Szükség van egy rendszerre, amely érti a kontextust" — mondja Rishi. "AI-t kell használni arra, hogy megnézzük, mit csinál egy ügynök, és azt mondjuk: 'úgy tűnik, amit csinálsz, az kockázatot jelenthet szenzitív adatok külső kiszivárgására.'"
A belső és külső fenyegetés közötti határ elmosódása
A vállalati biztonság korábban élesen elkülönítette a külső és belső fenyegetéseket: a belső támadások sebességét és méretét hagyományosan egyetlen ember képességei korlátozták. Az AI-ügynökök azonban egyszerre több rendszerhez férhetnek hozzá és emberi tempónál jóval gyorsabban mozognak. Egy hibás lépés, hallucination, félreértelmezett utasítás vagy véletlen adatátvitel működésileg egy rosszindulatú belső fenyegetéshez hasonló kárt okozhat. Ha egy külső támadó kompromittál egy belső ügynököt, azonnal hozzáfér az ügynök minden alkalmazáshoz tartozó jogosultságprofiljához.
Rishi szerint ezért futásidejű (runtime) védőkorlátokra van szükség, amelyek következetesen érvényesítik a szervezet szabályait az ügynökökön. A gyakorlati válasz egy AI-native védelmi réteg: olyan rendszer, amely szemantikai szinten figyeli az ügynök viselkedését, megérti a szándékot a műveletek között, és gépi sebességgel letilt vagy terminál egy rosszul működő ügynököt, majd azonnal indítja a helyreállítást.
A kompromisszum elkerülhetetlenségére való felkészülés
Az élvonalbeli AI-modellek — köztük azok is, amelyek önállóan képesek felfedezni és kihasználni zero-day sérülékenységeket — megváltoztatják a támadások gazdaságát. Ennek következtében nő az érdeklődés a Mythos-hoz hasonló rendszerekre való felkészültség iránt. A vállalatok egyre gyakrabban két alapfeltevéssel működnek: a támadások elkerülhetetlenek, és a reziliencia illetve a gyors helyreállítás stratégiai befektetésnek tekintendő, legalább olyan fontosnak, mint a megelőzésbe fektetett erőforrások.
Ez a szemléletváltás a helyreállítást nem pusztán incidens utáni tevékenységként kezeli, hanem szándékosan megtervezett, tesztelt és folyamatosan validált képességként. "Az a gondolat, hogy gyorsan vissza tudsz állni egy támadás után, a biztonság egyik legfontosabb eleme lesz" — mondja Rishi. "Ez a biztosítási elv, amelyet a szervezeteknek most elsőrendű állampolgárként kell kezelniük."
Miért szükségesek a kicsi modellek az AI-alapú kiberezilienciához
A valódi kibereziliencia kétoldalú: egyrészt valós idejű intelligens végrehajtásra van szükség a mozgás közbeni fenyegetések elfogásához, másrészt automatizált helyreállításra, hogy azonnal visszaálljanak a műveletek. A backupok önmagukban alap, de a szervezeteknek olyan munkafolyamatokra van szükségük, amelyek gépi sebességgel folyamatosan monitorozzák a rendszereket, és azonnal meghatározzák a legutóbbi, támadás előtti tiszta állapotot.
A valós idejű végrehajtás AI-hoz való alkalmazása technikai és gazdasági kihívást teremt: a nagy, frontier modellekre hagyatkozó monitorozás jelentős késleltetést és kimagasló számítási költségeket okoz. Egy védő AI-réteg, amely lassítja a rendszereket vagy költségben megduplázza azokat, amelyekre felügyel, nem praktikus.
"Gyorsnak, kicsinek és olcsónak kell lennie a modellnek" — mondja Rishi. "Senki sem akar olyan biztonsági megoldást, amely megduplázza a költséget vagy a késleltetést." Ezért fontosak a kis nyelvi modellek (SLM-ek) a valós idejű végrehajtásban. A Rubrik módszere, amely részben a Predibase megszerzésére épül, az, hogy a frontvonal védelmi réteget kifejezetten sebességre és hatékonyságra optimalizált kis modellekre építik. Az SLM-ek a nehéz frontier modellekkel ellentétben szemantikailag képesek értékelni az ügynök viselkedését gépi sebességgel és töredéknyi költséggel, így valós idejű ellenőrzőpontként működnek.
Ez a hipereffektív végrehajtási réteg teszi lehetővé a szoros, zökkenőmentes kapcsolatot a helyreállítással: ha a rendszer egy destruktív műveletet észlel (adatbázis törlése, kritikus fájl sérülése, szenzitív adatok exfiltrációja), a kis modell azonnal felismeri, megállítja a kárt, megtalálja a legutóbbi tiszta pillanatfelvételt (snapshot), és egyetlen, automatizált munkafolyamatban indítja el a helyreállítást.
Az incidensre adott reakciótól az architekturális rezilienciáig
A Mythoshoz és hasonló frontier rendszerekhez kapcsolódó tágabb következmény az, hogy megváltoztatja a szervezetek biztonságról alkotott gondolkodását. Ahogy az AI összenyomja a támadás és a következmény közti időt, a reziliencia és a helyreállítás architekturális követelményekké válnak, nem csupán operatív kérdésekké.
A Rubrik álláspontja szerint a biztonsági rendszerek nem állhatnak meg az észlelésnél: az AI-ügynökök autonómiájának növekedésével az észlelés, megfigyelhetőség, identitás-környezet és helyreállítás összehangolt reziliencia réteget kell, hogy alkossanak. A cél nem pusztán annak megállapítása, hogy valami rosszul ment, hanem a detektálás és a helyreállítás közti hézag lerövidítése.
"Az ugyanaz a technológia, amely fenyegetést hoz létre — a Mythoshoz hasonló modellek frontier képességei —, ugyanakkor segíthet ellene is" — mondja Rishi. "Az AI-korszakra való felkészülés azt jelenti, hogy bezárod azt a hézagot, amely az észlelés és az érintett rendszerek visszaállítása között van, mielőtt ennek költsége elszállna."
Ez a cikk támogatott tartalom (Presented by Rubrik). A „sponsored article" megjelölés arra utal, hogy a cikket egy vállalat fizette vagy üzleti kapcsolatban áll a közzétevővel. További információ: sales@venturebeat.com.
