Das Erkennen des Erstzugriffs ist ein Problem der Signalgenauigkeit. Die meisten Identitätsmanagement-Tools liegen in beide Richtungen daneben: Sie überfluten Analysten mit irrelevantem Rauschen und übersehen gleichzeitig echte Sicherheitsverletzungen. Untersuchungen von „ Vectra AI “ zu bestätigten Kontokompromittierungen zeigen, welchen Unterschied die Signalgenauigkeit ausmachen kann: Raffinierte Sicherheitsverletzungen, die von „ Vectra AI “ aufgedeckt wurden, gingen in rund 200 nativen Risikowarnungen unter, die ein Analyst andernfalls hätte sichten müssen. In diesem Beitrag wird erläutert, warum native Signale zu kurz greifen und wie die Modelle von „ Vectra AI“ das erkennen, was diese übersehen.
Fast jedem schwerwiegenden Einbruch geht eine Anmeldung voraus. Ein Angreifer, der über gültige Anmeldedaten verfügt, nutzt keine Sicherheitslücke aus. Er authentifiziert sich lediglich, und die Authentifizierung funktioniert wie vorgesehen. Erfasst man diesen Moment, beschränkt sich der Vorfall auf eine Passwortzurücksetzung. Verpasst man ihn, verbringt man den nächsten Monat damit, nach Persistenz, Postfachregeln und Datenexfiltration zu suchen.
Warum vertrauen dann so wenige SOC-Teams ihren Warnmeldungen zu Erstzugriffen?
Die Anomalieerkennung wird bei Änderungen ausgelöst. Ein neues Land, eine neue IP-Adresse oder ein neues Gerät. Doch in einem realen Unternehmen sind Veränderungen an der Tagesordnung. Analysten lernen, solche Warnmeldungen sofort zu schließen. Unterdessen sind die wirklich kritischen Sicherheitsverletzungen nach diesen Maßstäben oft gar nicht anomal: Zehn Minuten auf LinkedIn reichen einem Angreifer aus, um aus dem richtigen Land mit dem richtigen Betriebssystem anzukommen. Ein SOC, das sich ausschließlich auf native Risikosignale stützt, übernimmt diese Obergrenze als seine Sicherheitslage. Es ist durch Signale eingeschränkt, die Angreifer bereits zu umgehen gelernt haben.
Nicht jedes Signal lässt sich zum gleichen Preis fälschen. Und native Signale basieren auf den kostengünstigen Signalen.
Die entscheidende Frage bei einem Anmeldeattribut ist nicht, ob es ungewöhnlich ist, sondern wie viel Aufwand ein Angreifer betreiben müsste, um es nachzubilden.
Diese letzte Kategorie ist wohl am schwierigsten zu modellieren und zugleich die wichtigste, da es sich um diejenige handelt, aus der sich Angreifer nicht freikaufen können.
Das ist der Trugschluss, sich allein auf native Signale zu verlassen. Native Risikosignale basieren größtenteils auf der ersten Zeile, wie beispielsweise IP-Reputation, geografische Lage und Kundenmerkmale. Diese werden von Angreifern kontrolliert. Schlimmer noch: Sie verhalten sich über alle Mandanten hinweg weitgehend gleich, sodass Angreifer daran üben können. Eine Technik, die in einer Umgebung unterhalb der Risikoschwelle bleibt, bleibt wahrscheinlich überall darunter.
Die Signale in der letzten Zeile kehren dies um. Netzwerk- und Anwendungshistorien existieren nur innerhalb Ihres Unternehmens, sodass es keine externen Referenzwerte gibt, anhand derer man üben könnte, und nichts, was man nachschlagen könnte.
Der „ Vectra AI “-Ansatz: Mehrdimensionale Referenzwerte, gewichtet nach Kosten
Bei Vectra AI basieren unsere Erkennungsmechanismen für erstmalige Zugriffe auf KI-Modellen, die mehrdimensionale Referenzwerte erlernen: statistische Darstellungen davon, wie sich Anmeldeaktivitäten normalerweise für jede menschliche und nicht-menschliche Identität sowie für die zugehörige Organisation darstellen. Dazu gehören Netzwerkverlauf, geografische Daten, Geräte- und Client-Attribute sowie das Anwendungsverhalten. Die Modelle lernen kontinuierlich Verteilungen aus den eigenen Aktivitäten der Organisation. Keine einzelne Dimension ist für sich allein ausschlaggebend. Eine Anmeldung wird so interpretiert, wie es ein erfahrener Analyst tun würde: als ein einzelner Moment, der mit allem verglichen wird, was bereits über die Identität und die Organisation, zu der sie gehört, bekannt ist.
Da es sich bei den Basislinien um erlernte Wahrscheinlichkeitsverteilungen handelt, lässt sich jede neue Anmeldung anhand ihres „Surprisal“-Werts bewerten – einer Kennzahl aus der Informationstheorie, die genau angibt, wie unwahrscheinlich jede Beobachtung angesichts all dessen ist, was das Modell gelernt hat. Routinemäßige Aktivitäten erzielen einen niedrigen Wert. Wirklich beispiellose Aktivitäten erzielen einen hohen Wert. Im riesigen Mittelbereich findet der Großteil der eigentlichen Arbeit statt.
Anschließend erfolgt die Gewichtung anhand der „Cost-to-Fake“-Reihenfolge. Eine hohe Überraschungsrate bei etwas, das sich trivial fälschen lässt, bringt nur wenig ein; bei etwas, das ein Angreifer unmöglich hätte wissen können, bringt sie mehr ein. Die Erkennung wird nicht durch Neuartigkeit ausgelöst, sondern durch Neuartigkeit, deren Herstellung kostspielig gewesen wäre.
Die Auswirkungen, gemessen an bestätigten Angriffen: hochpräzise Erkennung und Priorisierung. Zum Vergleich: Die nativen Risikosignale von Microsoft stuften dieselben Anmeldungen höchstens als „mittel“ ein – eine Stufe, bei der ein Analyst etwa 200 Warnmeldungen prüfen muss, um einen einzigen tatsächlichen Sicherheitsverstoß zu identifizieren, den das „ Vectra AI “-Modell als solchen erkennt.
Proofpoint: KI, die aus der Vergangenheit lernt, im Gegensatz zu Warnmeldungen, die bei jeder Änderung Panik auslösen
Denken Sie an den Alarm, den fast jedes SOC schon hundertmal abgehandelt hat. Ein Mitarbeiter, der normalerweise von den USA aus arbeitet, fliegt zur Niederlassung des Unternehmens in Sydney.
Die systemeigenen Warnmeldungen lösen Panik aus: neues Land, neue IP-Adresse, neues Netzwerk. Ein Analyst verbringt zwanzig Minuten damit, eine Geschäftsreise zu bestätigen. Multiplizieren Sie das mit jedem Reisenden, jede Woche. Das ist die typische „Alarmmüdigkeit“, mit der SecOps zu kämpfen hat.
Ein Angreifer hingegen umgeht genau diese Warnmeldungen für nur wenige Dollar: ein VPN- endpoint im richtigen Land, das richtige Betriebssystem, ein passender User-Agent. Da diese Merkmale leicht nachzuahmen sind, erkennen native Signale nichts, was einen Alarm auslösen würde.
Das „ Vectra AI “-Überraschungsmodell erkennt beide Anzeichen korrekt, da es anhand historischer Daten bewertet, die dem Angreifer nicht zugänglich sind. Das „neue“ Netzwerk des Reisenden ist für das Unternehmen nicht neu. Hunderte von Kollegen authentifizieren sich bereits über den Provider, der dieses Büro bedient. Die Anmeldung des Angreifers besteht denselben Test nicht. Ein Netzwerk, das noch niemand im Mandanten genutzt hat, ein nicht registriertes Gerät und ein direkter Weg zu den allgemein zugänglichen Einstiegspunkten – genau das, was jeder Dieb neuer Zugangsdaten braucht. Billige Attribute erzielen eine niedrige Punktzahl, teure eine hohe. Das Ergebnis ist ein schlüssiges Angriffsszenario.
Erster Zugriff: Ein sich wandelndes Problem und wie Verteidiger immer einen Schritt voraus bleiben Die Erkennung des ersten Zugriffs ist kein statisches Problem.
Die Techniken, mit denen native Signale umgangen werden, werden immer leichter zugänglich: Proxy-Infrastruktur, IP-Dienste für Privathaushalte und Toolkits zum Session-Hijacking, für deren Nutzung früher echte Fachkenntnisse erforderlich waren, sind mittlerweile als Standardprodukte erhältlich. Der durchschnittliche Angreifer wird immer besser, ohne dabei klüger zu werden.
Es gibt auch echte Grenzfälle. Ein Mitarbeiter, der das WLAN am Flughafen nutzt – auf einem nicht verwalteten Gerät und über ein Netzwerk, an dem niemand im Mandantenbereich etwas verändert hat –, kann ein Muster hervorrufen, das dem eines Einbruchs im Frühstadium ähnelt. Dies löst gelegentlich eine Warnmeldung aus, die einer Erklärung bedarf.
Aus diesem Grund sind „ Vectra AI “-Modelle als dynamisches Lernsystem und nicht als statischer Regelsatz aufgebaut. Die Modelle werden kontinuierlich anhand von Produktionsergebnissen und bestätigten Angriffen bewertet, Grenzfälle fließen in die Verfeinerung ein, und wenn neue Zugriffstechniken auftauchen, passen sich die Basiswerte und Gewichtungen entsprechend an. Angreifer konzentrieren sich immer wieder auf das, was sich am einfachsten ändern lässt. Die Modelle lernen aus dem, was Angreifer nicht verbergen können, und durch diesen Kreislauf bleibt die Erkennung immer einen Schritt voraus.
Fazit
Beim Erstzugang zahlt sich die Erkennung besonders aus – und gerade hier genießen die meisten Tools das geringste Vertrauen. Erkennungsmodule, die jedes Signal gleich gewichten, lassen Angreifern Spielraum. Die Gewichtung von Signalen anhand der Kosten für deren Reproduktion im Vergleich zu Referenzwerten, die aus der eigenen Historie eines Unternehmens abgeleitet wurden, kehrt diesen Umstand um. Routinemäßige Änderungen lösen keine Warnmeldungen mehr aus, und die Warnmeldungen, die dennoch ausgelöst werden, sind eine Untersuchung wert. Auf dieser Umkehrung basieren die Erstzugangsmodelle von „ Vectra AI “.
Das Ergebnis: Analysten ergreifen Maßnahmen, anstatt eine Triage durchzuführen. Führungskräfte erkennen Kompromittierungen bereits in der Phase der Passwortzurücksetzung und nicht erst in der Phase der Reaktion auf Sicherheitsvorfälle.
Das gleiche Signalproblem reicht weit über den ersten Zugriff hinaus. Sobald ein Angreifer eingedrungen ist, bewegt er sich zwischen Identitäten, Netzwerken, „ cloud “-Diensten, SaaS-Anwendungen, Endpunkten, OT- und IoT-Umgebungen sowie zunehmend auch KI-Agenten hin und her und hinterlässt dabei Spuren des Angriffs über die gesamte moderne Angriffsfläche hinweg. Die „ Vectra AI “-Plattform führt diese Signale zusammen, nutzt KI, um das Verhalten und den Kontext des Angreifers zu verstehen, und korreliert Aktivitäten im Verlauf des Angriffs. Das Ergebnis ist eine hochpräzise „ Attack Signal Intelligence “, die den Angriff überallhin verfolgt – so können Sicherheitsteams wichtige Ereignisse früher erkennen, die Absichten des Angreifers verstehen und sicher handeln.