شرکت Gurucul راهکار جدید خود تحت عنوان Gurucul AI Risk and Response را برای مقابله با سطح گسترده حملات ناشی از تبدیل شدن هوش مصنوعی (AI) از یک «دستیار» به یک «عامل فعال» (Actor) معرفی کرد. این سیستم با استفاده از هوش مصنوعی رفتاری (Behavioral AI)، فعالیت‌های AI را به داده‌های هویت، دسترسی‌ها و تله‌متری‌های امنیتی متصل می‌کند تا تیم‌های SOC و مدیریت ریسک‌های داخلی (Insider Risk) بتوانند تهدیدات را در مراحل اولیه شناسایی و پاسخ دهند.
تغییر پارادایم: از Prompt به Action
حوادث اخیر، مانند نفوذ به سیستم‌های Hugging Face توسط عوامل خودکار OpenAI، نشان داده است که رفتارهای خودگردان AI پیامدهای امنیتی فراتر از تعاملات ساده با چت‌بات‌ها دارند. همچنین گزارش‌های اخیر Anthropic حاکی از آن است که عملیات سایبری پیچیده‌ای با استفاده از مدل Claude در حال انجام است که در آن عوامل خودکار (Autonomous Agents) عملیات شناسایی (Reconnaissance)، اکسپلویت و سرقت داده‌ها را با کمترین دخالت انسانی اجرا می‌کنند.
قابلیت‌های کلیدی در شناسایی تهدیدات AI
راهکار Gurucul با تحلیل کاربران و عوامل خودکار به عنوان موجودیت‌های پایدار، چالش‌های زیر را هدف قرار می‌دهد:
- شناسایی Shadow AI: ردیابی استفاده‌های غیرمجاز از ابزارهای هوش مصنوعی در سازمان.
- مدیریت دسترسی‌های بیش از حد: شناسایی امتیازات (Privileges) غیرضروری که توسط AI مورد استفاده قرار می‌گیرند.
- تحلیل بافت امنیتی (Security Context): بررسی اینکه چه کسی یا چه چیزی فعالیت را شروع کرده، از چه هویتی استفاده شده و چه داده‌هایی مورد دسترسی قرار گرفته‌اند.
یکپارچه‌سازی با استانداردهای جهانی
این پلتفرم برخلاف Gatewayهای تک‌منظوره، دیدی جامع از ریسک AI در سطح سازمان ارائه می‌دهد. این سیستم داده‌های پلتفرم‌های AI را با تله‌متری‌های EDR، سیستم‌عامل، هویت و Cloud ترکیب کرده و تحلیل‌های خود را بر اساس 16 تاکتیک MITRE ATLAS و لیست OWASP Top 10 for LLM Applications تطبیق می‌دهد.
پیشگیری در زمان اجرا (Runtime Prevention)
در نسخه Preview این راهکار، قابلیت AI Prevention اضافه شده است که اجازه می‌دهد تعاملات پرریسک AI در لحظه استفاده متوقف شوند. این رویکرد به سازمان‌ها کمک می‌کند تا پیش از تشدید ریسک، رفتارهای مشکوک را در منبع (Source) شناسایی و مسدود کنند.
