網絡安全洞察:應對生成性 AI 威脅環境
隨著網絡攻擊者技術的快速演變,網絡安全供應商必須加強防禦措施。企業日益採用 AI,對創新型生成性 AI 安全解決方案的需求也隨之增長。這一前提對 Menlo Ventures 評估生成性 AI 重大影響的八個關鍵領域產生了重大影響。
新興威脅:你準備好了嗎?
近日,Menlo Ventures 的 Rama Sekhar 和 Feyza Haskaraman 討論了填補 AI 安全漏洞的緊迫性。專注於網絡安全和 AI 的新合夥人 Sekhar,及網絡安全和 SaaS 的首席研究員 Haskaraman,強調 AI 要充分惠及企業,必須建立一套新的技術架構,從軟體供應鏈到模型開發的每個階段都優先考慮安全性。
生成性 AI 的影響預測領域
Sekhar 和 Haskaraman 確定了八個將顯著影響安全環境的因素:
1. 供應商風險管理與合規自動化:隨著組織越來越多地與外部供應商整合,管理第三方應用程序安全至關重要。目前流程通常是手動且易出錯,非常適合通過生成性 AI 自動化。例如,Dialect 的 AI 助手能夠幫助快速、準確地完成安全問卷。
2. 加強安全培訓:傳統安全培訓往往效果不佳,儘管投資龐大仍會發生安全漏洞。生成性 AI 提供了更具吸引力和現實感的員工培訓場景,例如,Immersive Labs 模擬攻擊,安全副駕駛則通過 Slack 等平台進行互動培訓。
3. 滲透測試(Pen Testing):隨著攻擊者運用生成性 AI,滲透測試也需與時俱進。利用 AI 自動化快速模擬多次攻擊,可以加強防禦策略,涵蓋威脅數據庫搜索、漏洞評估及報告簡化等任務。
4. 異常檢測與預防:生成性 AI 提高了監控事件日誌和檢測可疑活動(可能表明入侵嘗試)的能力。該技術能夠有效擴展,在各個端點、網絡、API 和數據庫中提供額外的安全層。
5. 合成內容檢測與驗證:網絡犯罪分子利用生成性 AI 創建虛假數字身份,對企業造成重大影響。美國聯邦貿易委員會估計,單次欺詐事件的成本超過 $15,000。公司如 Deduce 和 DeepTrust 正在通過先進的身份驗證方法,利用 AI 區分合法和合成身份。
6. 代碼審查:軟件開發中的“向左移動”方法專注於早期測試,提高質量和安全性。然而,許多自動化安全工具效率低下。像 Semgrep 這樣的初創公司正在該領域創新,提供可自定義的規則來簡化漏洞檢測與修復。
7. 依賴管理:很多代碼庫使用開源組件,通常來自多家第三方供應商。生成性 AI 有望在這一領域帶來改進,特別是在依賴可追溯性和補丁管理方面。供應商如 Socket 正在努力檢測和減輕開源代碼中的供應鏈風險。
8. 防禦自動化和 SOAR 能力:生成性 AI 可以通過提高警報準確性和減少誤報,優化安全運營中心(SOC)的運作,從而增強分析師的工作效率。通過自動化日常任務,SOC 專業人員可以專注於更重要和複雜的項目。
為 AI 安全的未來做準備
為了實現生成性 AI 的企業級整合,組織首先必須解決與 AI 採用相關的現有安全挑戰。這八個確定的領域強調了企業改善其 AI 策略準備的必要性。通過利用生成性 AI,組織可以消除繁瑣的任務,讓安全團隊專注於更複雜的網絡威脅,加強防禦以應對日益增長的 AI 驅動攻擊。