Ankündigung der Beta-Version von Red Sift Radar: Ein LLM-Assistent für Sicherheitsteams

Wir freuen uns, die Beta-Version von Red Sift Radar anzukündigen – unseren neuen LLM-Assistenten für Sicherheitsteams.

Mit Red Sift Radar können Teams ein LLM nutzen, um manuelle Prüfungen zu automatisieren, Sicherheitskonsistenz zu gewährleisten und Brücken zu weniger technischen Teams zu bauen.

Um dies zu realisieren, haben wir Basis-LLMs mit unseren internetweiten Datenfeeds und den Hunderten von Echtzeit-APIs kombiniert, die unsere bestehenden Anwendungen antreiben, um etwas Neues zu schaffen.

Mit Radar können Betreiber den Echtzeit-Sicherheitsstatus internetfähiger Assets mithilfe unserer Hardenize-Funktionen untersuchen oder Web- und E-Mail-Sicherheitsprobleme von Standorten auf der ganzen Welt aus diagnostizieren. All dies wird unseren Endnutzern über eine vertraute Chat-Oberfläche zur Verfügung gestellt, die praktisch kein Fachwissen erfordert.

Dies ist unsere neueste Innovation, um KI zu einem Werkzeug für Verteidiger zu machen, die täglich mit einer wachsenden Zahl von Bedrohungen konfrontiert sind.

Red Sift (und Hardenize) Kunden mit einem Enterprise-Plan können nun auf diese neuen Funktionen zugreifen, indem sie ihr Interesse bekunden.

Cyberkriminelle gehörten zu den frühesten Anwendern von KI. Generative KI ermöglicht es Nutzern mit kriminellen Absichten, in großem Umfang sehr überzeugende Texte für Phishing-E-Mails zu schreiben, überzeugendere Social-Engineering-Taktiken zu entwickeln und schädlichen Code zu schreiben – um nur einige Beispiele zu nennen.

Doch GenAI bietet Verteidigern nicht die gleichen sofort nutzbaren Vorteile.

Sicherheitsteams benötigen Echtzeitinformationen und die Fähigkeit zur Automatisierung. LLMs sind hervorragend darin, nuancierte Muster zu erfassen, menschenähnlichen Text zu generieren und eine breite Palette sprachbezogener Aufgaben auszuführen. Bei komplexen Problemen, die mehrere Schritte erfordern, insbesondere im Bereich der Cybersicherheit, sind die Antworten von LLMs jedoch nach wie vor inkonsistent, unvollständig und manchmal fehlerhaft.

Wir haben es uns zum Ziel gesetzt, LLMs für Sicherheitsteams nützlicher zu machen. Um dies zu erreichen, mussten wir drei Innovationen einführen:

1. Steuerung der LLMs zur Verbesserung der Konsistenz bei der Lösung mehrstufiger Probleme, während die Fähigkeit erhalten bleibt, neu auftretende Probleme zu diagnostizieren.
2. Integration von Standard- und proprietären Tools, um Echtzeit-Erfassung internetverbundener Ressourcen zu ermöglichen.
3. Integration internetweiter Datensätze bei Bedarf, um Erkenntnisse zu gewinnen, die nicht direkt aus diesen internetverbundenen Ressourcen verfügbar sind.

Eine Möglichkeit, sich heutige LLMs vorzustellen, ist, sie als verlustbehaftete Kompressionsalgorithmen für die Gesamtheit des menschlichen Wissens zu betrachten, wie es in ihren Trainingsdaten (dem Internet) zum Ausdruck kommt. Während dies unglaublich ist zu beobachten, erfordert es einige Arbeit, sie dazu zu bringen, bei Aufgaben, die weniger kreatives Schreiben und mehr funktionale Anwendung erfordern, konsistent zu funktionieren. Zu diesem Zweck haben wir einen neuartigen Steuerungsmechanismus entwickelt, der hinter den Kulissen einer vertrauten Chat-Oberfläche arbeitet, um die Zuverlässigkeit der Steuerung des LLM zu verbessern.

Während unsere Steuerung dem Modell Kontext gibt, bleibt seine Fähigkeit, das Hier und Jetzt zu messen, begrenzt. Hier kommen unsere bestehenden Funktionen ins Spiel. Im Laufe der Jahre haben wir umfassende APIs und Datensätze entwickelt, die die für die Cybersicherheit relevanten Signale im Internet messen. Wir betreiben öffentliche Ressourcen wie bimiradar, kostenlose Tools wie Hardenize und Red Sift Investigate sowie Hunderte von APIs, die unsere Produkte antreiben. Wenn wir dem Modell diese granularen Funktionen zur Verfügung stellen und sie mit der oben genannten Steuerung kombinieren, entsteht etwas Erstaunliches.

Als Nächstes kommen unsere Sensoren und Datenpartnerschaften. Obwohl diese Funktionen in der heute angekündigten Beta-Version noch nicht freigegeben sind, befinden sie sich derzeit in der Testphase, und wir sehen bereits einige unglaubliche Erkenntnisse entstehen, wenn wir unserem Modell diese Art von Daten – entsprechend vorverarbeitet, um sie zu verkleinern – zur Verfügung stellen.

Das Ergebnis all dessen ist ein LLM-basierter Sicherheitsassistent, der Einblicke in den Sicherheitsstatus von Organisationen bieten kann, indem er internetfähige Assets wie DNS, Domains, Subdomains, Zertifikate und IP-Adressen konsistent und mit dem richtigen Kontext untersucht.

Wie bei ChatGPT beginnt die Nutzung von Red Sift Radar damit, dass der Nutzer eine einzelne Frage stellt, die er beantwortet haben möchte. Nutzer können Prompts stellen wie:

• Wie ist der Sicherheitsstatus von {mydomain}?
• Ist DMARC bei {mydomain} korrekt eingerichtet?
• Können Sie prüfen, ob Port 80 bei {mydomain} offen ist?
• Prüfen Sie, ob meine Website korrekt geladen wird oder Probleme aufweist.

Sobald Ihre Frage verarbeitet wurde, ermittelt Red Sift Radar die passendste Aktion oder Antwort für Ihre Anfrage.

Nehmen wir ein Szenario, in dem Sie die Frage stellen: „Wie sicher ist {mydomain}?“ In diesem Fall führt Red Sift Radar eine umfassende Analyse mit verschiedenen Abfragen und Prüfungen durch, darunter:

• Domain-Einträge: Bewertet DMARC-, SPF-, MX-, NS-, BIMI-, DKIM- und MTA-STS-Konfigurationen.
• Subdomains: Listet zugehörige Subdomains auf und analysiert sie.
• Zertifikate: Prüft den SSL/TLS-Zertifikatsstatus.
• Website-Sicherheit: Bewertet Hosting-Server und Website-Schwachstellen.
• DNS-Gesundheit: Überprüft DNS-Sicherheit und -Konfigurationen.
• IP-Analyse: Untersucht exponierte Dienste und lokalisiert IP-Adressen geografisch.

Abhängig von Ihrer Anfrage führt Red Sift Radar eine Vielzahl von Aufgaben aus, von der Bewertung des Sicherheitsstatus einer Domain bis hin zur Prüfung auf potenzielle Fehlkonfigurationen. Diese Flexibilität sorgt dafür, dass Sie jedes Mal präzise und relevante Informationen erhalten.

Die Anpassungsfähigkeit von Red Sift Radar an verschiedene sicherheitsbezogene Aufgaben sowie seine Fähigkeit, menschenähnlichen Text zu verstehen und zu generieren, machen es zu einem unschätzbaren Werkzeug für Sicherheitsexperten.

Nach einer ersten Sicherheitsanfrage können Nutzer Folgefragen stellen, um Informationen in der gesamten Organisation verständlicher und umsetzbarer zu machen. Beispiele für Folgefragen sind:

• Können Sie diese Informationen für mich zusammenfassen?
• Unsere Sicherheitsabteilung befindet sich in Frankreich; können Sie das bitte ins Französische übersetzen?
• Können Sie prüfen, ob meine Website von verschiedenen Standorten weltweit aus funktioniert?

Bisher haben wir eher einfache Anfragen gezeigt, aber es wird sehr spannend, wenn Nutzer ausgetretene Pfade verlassen.

Zum Beispiel könnte eine umfassendere Anfrage die weltweite DNS-Änderungsverbreitung betreffen.

Hier weiß das Modell, wie es die verschiedenen Standorte von Red Sift auf der ganzen Welt nutzen kann, um sowohl globale als auch lokale DNS-Server der Nutzer abzufragen und eine Zusammenfassung dieser technischen Details mit einer einfachen Anfrage zu erstellen. Die Alternative würde eine Vielzahl von VPNs, Terminalbefehlen sowie Zeit und Fachwissen der Betreiber erfordern.

Wir sehen auch einige erstaunliche Erkenntnisse entstehen, wenn wir Radar bitten, den Sicherheitsstatus mehrerer Assets im Internet zu vergleichen und die wesentlichen Unterschiede hervorzuheben.

Der größte Vorteil für Nutzer, den wir bisher gesehen haben, ist die Möglichkeit, manuelle Aufgaben zu automatisieren, die zeitaufwändig, aber geschäftskritisch sind.

Nehmen wir das Beispiel „Wie ist der Sicherheitsstatus von {mydomain}?“

Um diese Frage ohne Red Sift Radar zu beantworten, müsste ein Sicherheitsanalyst manuell Web-, E-Mail- und Infrastruktursicherheitsinformationen über verschiedene Tools hinweg prüfen, gute Kenntnisse grundlegender CLI-Befehle besitzen und wissen, wie man die Ergebnisse in eine für das Unternehmen verständliche Zusammenfassung übersetzt.

Unsere frühen Anwender nutzen Red Sift Radar, um den manuellen Charakter dieser Aufgaben zu eliminieren, und sparen im Durchschnitt 10 Stunden pro Woche. Diese Zeitersparnis geht Hand in Hand mit dem Wert der Konsistenz – die gleichen Dinge werden jedes Mal auf die gleiche Weise geprüft, unabhängig davon, wer im Team dafür verantwortlich ist.

Wir gehörten zu den frühen Anwendern des GPT-Stacks, angefangen mit der Veröffentlichung von GPT-3 im Jahr 2020, und haben Red Sift Radar zunächst als Plugin prototypisiert, das auf der öffentlichen Version von GPT-4 läuft. Es wurde jedoch deutlich, dass wir dem Modell sehr viel Macht zur Verfügung stellten, und wir blieben vorsichtig hinsichtlich der Risiken, die mit einem uneingeschränkten Zugang zu dieser Funktion verbunden sind. Zudem stießen wir auf technische Einschränkungen bezüglich der verfügbaren Kontextgröße in der Verbraucherversion des Chat-GPT-LLM und entschieden uns stattdessen, das LLM auf unsere Plattform zu bringen, um ein sichereres und leistungsfähigeres Erlebnis zu schaffen.

Wir können es kaum erwarten, dass Red Sift Radar in die Hände unserer Kunden gelangt. Wir freuen uns darauf, das Beta-Programm zu nutzen, um Nutzerfeedback zu erhalten und unsere Funktionen weiter zu verbessern. Wir werden diese Woche damit beginnen, Kunden einzuladen, die wir für die Beta-Version als gut geeignet betrachten. Falls Sie noch keine Einladung erhalten haben und teilnehmen möchten, stellen Sie sicher, dass Sie Ihr Interesse bekunden, wenn Sie mitmachen möchten. Unsere großartigen Produkt- und Customer-Success-Teams werden sich innerhalb einer Woche bei allen Anfragen zurückmelden.

Gleichzeitig werden wir weiterhin auf eine allgemein verfügbare Version hinarbeiten, die für alle Red Sift-Kunden zugänglich ist. Zu den geplanten Funktionen zählt die Möglichkeit, über Ihre Red Sift-Anwendungen hinweg Anfragen zu stellen und tiefer zu gehen als öffentlich verfügbare Sicherheitsinformationen. Und seien Sie versichert, dass wir diese Zeit auch nutzen werden, um Radars Dark Mode zu perfektionieren.

Es ist wichtig zu betonen, dass wir alle notwendigen Schritte unternehmen, um sicherzustellen, dass Red Sift Radar nicht für böswillige Zwecke genutzt wird, wie etwa das Sammeln von Informationen zur Ausnutzung von Schwachstellen oder zur Aufklärung. Um dieses Risiko zu mindern, setzt Red Sift Best Practices in den Bereichen Sicherheit und Datenschutz um, einschließlich Zugriffskontrollen, Überwachung und verantwortungsvoller Offenlegungsrichtlinien, und wird dies in jeder Phase weiterhin tun.