Külső alkalmazásfüggőségeket és AI-alapú javítást kap a Falcon Cloud Security

A külső szolgáltatások is bekerülnek a kockázati képbe

A CrowdStrike október 5-én ismertetett újdonságai két területre összpontosítanak: a környezet jobb megértésére és a kockázatok gyorsabb kezelésére. A vállalat szerint a kontextus segít a biztonsági csapatoknak felmérni egy kockázat üzleti jelentőségét, a mesterséges intelligencia pedig támogatja a gyorsabb és megalapozottabb intézkedéseket.

A felhőalapú alkalmazások egyre gyakrabban támaszkodnak külső és SaaS-szolgáltatásokra üzleti feladatok elvégzéséhez. Ezek a függőségek olyan kockázatokat is létrehoznak, amelyekre a szervezetnek nincs közvetlen ráhatása. Ha egy külső szolgáltató kompromittálódik, a biztonsági csapatnak gyorsan meg kell állapítania, mely alkalmazások érintettek, hogyan kapcsolódnak a szolgáltatóhoz, és milyen biztonsági, üzleti vagy megfelelőségi következmények merülhetnek fel.

Kódvizsgálat mutatja meg az integrációkat

A Falcon Cloud Security alkalmazásbiztonsági helyzetkezelési képességei az új funkcióval láthatóvá teszik, hogy az alkalmazások milyen külső szolgáltatásoktól függenek. A rendszer alkalmazáskód-elemzéssel azonosítja a különböző szolgáltatókhoz kapcsolódó integrációkat, köztük olyan fizetési szolgáltatókat, mint a Stripe és a PayPal.

A platform feltérképezi az egyes alkalmazások által meghívott API-műveleteket, majd az adatokat az Application Explorer felületén jeleníti meg. A biztonsági csapatok így láthatják, mely szállítókra támaszkodik egy alkalmazás, és milyen műveleteket végez az adott szolgáltatáson keresztül.

A CrowdStrike szerint ez a külsőfüggőség-információ további kontextust ad az alkalmazások kockázati képéhez. A Falcon Cloud Security a függőségeket az alkalmazások sérülékenységeivel, a munkaterhelések kockázatával, a felhőinfrastruktúrával, az AI-szolgáltatásokkal és más alkalmazási adatokkal is összekapcsolja.

Rangsorolt javítási terveket készít az AI

Az összekapcsolt kockázati tényezők segíthetnek felismerni azokat az eseteket, amelyek nagyobb figyelmet igényelnek. A CrowdStrike példája szerint egy fizetési szolgáltató elleni támadás után az ügyfelek azonosíthatják az érintett szolgáltatóval kommunikáló alkalmazásokat, majd ellenőrizhetik, hogy ezek az alkalmazások sérülékeny konténereken futnak-e, vagy érzékeny AI-szolgáltatásokat használnak-e.

A több kockázati tényező közötti korreláció teljesebb képet adhat a kitettségről, és segíthet előre venni azokat az alkalmazásokat, ahol több kockázat találkozik. A külső függőségek láthatóságát az alkalmazások környezetével kombinálva a biztonsági csapatok jobban megérthetik, milyen szerepet tölt be egy adott függőség az alkalmazás teljes kockázatában.

A frissítés másik eleme az AI-alapú javítás. A CrowdStrike leírása szerint az AI a felhőkockázatok elemzését rangsorolt javítási tervekké alakítja, amelyek megmutatják, mit kell először kijavítani, miért fontos az adott lépés, és hogyan hajtható végre.