A Tamnoon Amazon Bedrockre építve automatizálja a felhőbiztonsági javításokat
A Tamnoon Tami nevű AI-rendszere a CNAPP-okból és felhőalapú biztonsági eszközökből érkező hibákat vizsgálja, rangsorolja és a biztonságosnak ítélt javításokat előkészíti, illetve végrehajtja. Az AWS szerint a megoldás 90 nap alatt több mint 90 százalékkal csökkentette a kritikus felhőkitettséget, éles környezetben jelentkező problémák nélkül.
- A Tami a CNAPP-okból és felhőbiztonsági eszközökből érkező megállapításokat egységesíti.
- Négy AI-ügynök vizsgálja, pontozza, megtervezi és kódolja a javításokat.
- A rendszer SAFE, RISKY és AWAITING DATA kategóriákat használ.
- Az AWS szerint a kritikus felhőkitettség 90 nap alatt több mint 90 százalékkal csökkent.
- Az Amazon Bedrock több modell használatát és régiók közötti következtetést tesz lehetővé.
A felhőbiztonsági riasztások feldolgozása a szűk keresztmetszet
A felhőnatív alkalmazásvédelmi platformok, a felhőszolgáltatók és a biztonsági helyzetet vizsgáló eszközök gyakran több megállapítást generálnak, mint amennyit a biztonsági csapatok fel tudnak dolgozni. Egyetlen riasztás kivizsgálása órákig tarthat, miközben sok esetben több tucat jelzés ugyanarra a kiváltó okra vezethető vissza.
A Tamnoon szerint a problémát az is nehezíti, hogy minden hibánál fel kell deríteni az érintett erőforrás tulajdonosát, a függőségeket és azt, hogy a javítás nem veszélyezteti-e az éles működést. A Tami ezt a folyamatot automatizálja. A rendszer a megállapításokat egységes formátumba rendezi, környezeti és kitettségi adatokkal egészíti ki, majd rangsorolja őket.
Négy AI-ügynök dolgozik a javítási folyamaton
A Tami négy, eltérő feladatért felelős AI-ügynököt használ az Amazon Bedrockra épülő, eseményvezérelt és szerver nélküli architektúrában. A vizsgálati ügynök feltérképezi a probléma környezetét, a javítás célját és a felhőszolgáltatóhoz kapcsolódó ellenőrzéseket. Munkája olvasási műveletekre épülő vizsgálati lépéseket és teljes vizsgálati tervet eredményez.
A biztonsági pontozó ügynök minden erőforráshoz bizonyítékláncot állít össze. A javításokat három kategóriába sorolja: SAFE, RISKY vagy AWAITING DATA. A besorolás szándékosan óvatos, bizonytalanság esetén alacsonyabb biztonsági minősítést ad.
A javítási ügynök csak a SAFE minősítésű megállapításoknál aktiválódik. Figyelembe veszi a lépések sorrendjét, a függőségeket és a feltételeket, a terv pedig mentést, javítást, ellenőrzést és visszaállítási útmutatást tartalmaz. A kódgeneráló ügynök ezután végrehajtható javítást készít. A bemenetet előzetesen korlátok ellenőrzik, az elkészült anyagokat pedig külön felülvizsgáló ügynök hagyja jóvá.
Egyetlen felületen több modell és biztonsági eszköz
Az AWS 2026. október 14-i ismertetése szerint az Amazon Bedrock azért volt megfelelő a Tamnoon számára, mert egyetlen API-n keresztül különböző alapmodellek használhatók az egyes feladatokra. A nagyobb következtetési képességet igénylő vizsgálatokhoz erősebb modellek, a nagy mennyiségű ellenőrzéshez hatékonyabb modellek, a kódellenőrzéshez pedig a minőség és a költség egyensúlyára optimalizált modellek választhatók.
A Bedrock Cross-Region inference a kéréseket a meghatározott földrajzi határon belül az optimális AWS-régióba irányítja. A Tamnoon szerint ez a forgalom kezelését saját útválasztási kód fenntartása nélkül teszi lehetővé. A következtetés a cég saját AWS-környezetében, IAM-jogosultságokkal korlátozva fut, így az érzékeny ügyféladatok nem hagyják el a bizalmi határt.
A platform API-alapú integrációkkal kapcsolódik többek között a Wiz, a CrowdStrike, a Palo Alto Cortex, az Upwind, a SentinelOne, az Orca és a Cyera rendszereihez, valamint az AWS Security Hubhoz és az Amazon GuardDutyhoz. A Tamnoon ezeket tekinti a problémák forrásának, míg a Tami az utánuk következő, ellenőrzött javítási folyamatot kezeli. A felhasználók az RCI-besorolásból látják, mely javítások automatizálhatók, és melyekhez kell előbb emberi felülvizsgálat.
