ThreatEye NV
KI-gesteuerte Erkennung von Unternehmensbedrohungen
und Analyse des verschlüsselten Datenverkehrs

Geschäftskontinuität und betriebliche Ausfallsicherheit werden immer wieder angegriffen und in Frage gestellt. Herkömmliche Sicherheitstools versuchen, Angriffe zu stoppen, indem sie Deep Packet Inspection oder regelbasierte Überwachung für unverschlüsselten Datenverkehr einsetzen, was nicht mehr ausreicht.

Im 2. Quartal 2021 kamen 91,5 % der Malware über eine verschlüsselte Verbindung. Angreifer sind immer auf der Suche nach einem Vorteil, um unentdeckt zu bleiben, und verstecken ihre Aktivitäten in verschlüsselten Kanälen, um einen blinden Fleck oder eine Lücke in der Sicherheitsarchitektur auszunutzen.

Die Aufrechterhaltung der Transparenz ist zunehmend komplizierter geworden und stellt sowohl NetOps- als auch SecOps-Teams vor Herausforderungen. Verschlüsselter Datenverkehr ist zwar eine gängige Praxis, um den Datenschutz zu gewährleisten, aber seine Stärke und Effektivität hat sich weiterentwickelt und wird sich auch in Zukunft weiterentwickeln, wodurch sich der blinde Fleck, in dem Bedrohungsakteure operieren können, vergrößert.

Damit Unternehmen einen sofortigen Erfolg gegen Angreifer erzielen und den Bedrohungen von morgen einen Schritt voraus sein können, ist eine andere Sicherheitsstrategie erforderlich.

Eine neue Herangehensweise: Die ThreatEye NV Network Detection and Response (NDR)-Plattform wurde speziell für die heutige Netzwerksicherheitsumgebung entwickelt und kombiniert Datenerfassung der nächsten Generation, fortschrittliche Verhaltensanalyse und maschinelles Lernen für die Erkennung von Bedrohungen und die Einhaltung von Sicherheitsvorschriften.

Unbeeindruckt von der Verschlüsselung kombiniert ThreatEye NV die Merkmale und Eigenschaften des Netzwerkverkehrs mit einer auf maschinellem Lernen basierenden Streaming-Analyse.

Im Gegensatz zu Verkehrsanalyselösungen, die auf DPI-Technologien basieren, nutzt die ThreatEye-Plattform Deep Packet Dynamics (DPD) zur Analyse von Verkehrsströmen.

DPD liefert detailgetreue Datenflussaufzeichnungen mit über 150 Merkmalen für jeden Datenfluss – und das alles ohne Prüfung der Nutzdaten. Packet Dynamics, gekoppelt mit maschinellem Lernen, bietet einzigartige Möglichkeiten, verschlüsselten Datenverkehr wieder sichtbar zu machen.

• Erkennen Sie Bedrohungen und Anomalien, die andere übersehen – Deep Packet Dynamics (DPD) von ThreatEye ist unabhängig vom Inhalt der Datenpakete und wird verwendet, um ein historisches Inventar von Merkmalen und Verhaltensweisen für die Erstellung von Profilen und Fingerabdrücken zu erstellen – eine Technik, die sowohl bei verschlüsseltem als auch bei unverschlüsseltem Datenverkehr gleichermaßen gut funktioniert. Modelle des maschinellen Lernens werden eingesetzt, um Anomalien bei fortgeschrittenen Verhaltensweisen von Bedrohungsakteuren zu erkennen.
• Bedrohungserkennung in Echtzeit – Reduzieren Sie Betriebsausfälle durch schnellere Erkennung dank branchenführender Echtzeit-Erkennungsanalyse. Die mehrstufige Analysepipeline von ThreatEye NV ist für die Verarbeitung von Millionen von Ereignissen pro Sekunde ausgelegt und wird von Analysatoren – oder Modellen – gespeist, die den Netzwerkverkehr ohne mehrfache Durchläufe des Datenstroms analysieren. Darüber hinaus sind die Analysatoren explizit für die Netzwerksicherheit konzipiert und skalieren durch Parallelverarbeitung.
• Beseitigung der Verschlüsselungsblindheit – Die zunehmende Verbreitung von verschlüsselten Netzwerkprotokollen führt dazu, dass Sicherheitsteams immer weniger Einblick in das Netzwerk haben. Infolgedessen verlieren herkömmliche Tools an Transparenz. Encrypted Traffic Analysis, die Applikation von maschinellem Lernen auf die Dynamik von Datenpaketen, ist die perfekte Lösung für die Analyse von verschlüsseltem Datenverkehr ohne Entschlüsselung
• SOC-fähig – Verkürzung der Untersuchungs- und Reaktionszeit – Die mehrstufige Analysepipeline von ThreatEye NV korreliert den Datenverkehr und reichert ihn mit detaillierten Erkenntnissen, Risikobewertungen und MITRE ATT&CK-Kennzeichnung an. Mit ThreatEye NV können Sie in Echtzeit reagieren und die Triage mit integrierter Paketanalyse beschleunigen.
• Überprüfung der Einhaltung von Verschlüsselungsrichtlinien – ThreatEye NV bietet verschlüsselungsrichtlinien-spezifische Warnmeldungen und Berichte zur Einhaltung von Sicherheitsrichtlinien. Der zunehmende Einsatz von Verschlüsselung zur Sicherung von Applikationen macht es erforderlich, dass alle Plattformen den Verschlüsselungsstandards des Unternehmens entsprechen.
• Sichern Sie Ihr gesamtes Netzwerk – vom Core über den Edge bis hin zur Cloud – Die ThreatEye NV-Lösung umfasst leichtgewichtige, einfach zu implementierende Software-Sensoren, die überall dort eingesetzt werden können, wo Transparenz erforderlich ist.
• Zusammenhängende Reaktion – ThreatEye NV lässt sich nahtlos mit vorhandenen Sicherheitstools wie SIEMs, SOAR und Threat Intelligence verbinden. Workflow-Automatisierungen mit Produkten wie Cisco SecureX können sofortige Maßnahmen auf Sicherheitsereignisse ergreifen, um Hosts unter Quarantäne zu stellen oder Bedrohungen zu blockieren. Die SIEM-Integration ermöglicht die Korrelation mit EDR-Ereignissen und böswilligen Aktivitäten auf bisher unbemerkten verschlüsselten Kanälen.

Die Sonde von ThreatEye NV extrahiert ein umfangreiches Metadatenset mit mehr als 150 dynamischen Paketmerkmalen, um die Erkennung von Bedrohungen und Anomalien, die Reaktion, die Suche, die Forensik und die Erstellung von Berichten zur Überprüfung der Compliance zu unterstützen.

Da sich die auf der Paketdynamik basierenden Metadaten auf die Eigenschaften und das Verhalten von Paketen und nicht auf deren Inhalt konzentrieren, funktioniert diese Technik der Datenerfassung sowohl bei verschlüsseltem als auch bei unverschlüsseltem Datenverkehr gleichermaßen gut.

ThreatEye NV wird von einer Streaming-Machine für maschinelles Lernen (MLE) angetrieben, die die von den Softwaresonden generierten Metadaten in hoher Qualität aufnimmt.

Die ML-Engine von ThreatEye NV ist speziell für die Netzwerksicherheit entwickelt worden. Im Gegensatz zur traditionellen Batch-Verarbeitung wird Streaming ML von Analysatoren – oder Modellen – angetrieben, die den Netzwerkverkehr ohne mehrfache Durchläufe des Datenstroms analysieren können. Die Analyzer sind für bestimmte Anwendungsfälle konzipiert und skalieren durch parallele Verarbeitung.

Das SaaS-Angebot von ThreatEye NV umfasst SOC-fähige Dashboards zur Steigerung der Reaktionsfähigkeit. Die Dashboards unterstützen die Arbeitsabläufe von SOC-Analysten und sind vollständig anpassbar, um allen Anforderungen gerecht zu werden. ThreatEye NV unterstützt zudem Reaktionsmöglichkeiten, um zu informieren als auch Maßnahmen zu ergreifen.

Alle Daten sind in Echtzeit und via RESTful API verfügbar und integrieren wichtige ergänzende Technologien. Individuelle Integrationen können auf die Bedürfnisse Ihres Unternehmens zugeschnitten werden. Die leistungsstarken Integrationen von ThreatEye NV sind in der Lage, auf der Grundlage des Technologie-Stacks des Kunden Abhilfe zu schaffen und zu handeln.

• Integrierte kontinuierliche Paketerfassung mit Pivot-to-PCAP SPLT (Sequence of Packet Lengths and Times) mit einem Mausklick

• ElasticSearch
• DataDog
• Azure
• InfluxDB
• Splunk
• Kafka – Realtime-Streaming
• Crowdstrike
• Cisco Secure X
• Cortex XSOAR

• email
• webhook
• index
• logging
• slack
• pagerduty

ThreatEye NV ist ein SaaS-Angebot mit Software-Sensoren, die als containerisierte Software-Applikationen bereitgestellt werden. Dieser Container-Ansatz ermöglicht die Bereitstellung der Lösung entweder vor Ort, in einer privaten oder öffentlichen Cloud oder einer Mischung aus beidem (Hybrid Cloud).

Unabhängig von der Bereitstellungsoption lassen sich die Softwarekomponenten von ThreatEye NV so skalieren, dass sie Netzwerkdaten direkt von physischen oder virtuellen Netzwerkabgriffen mit einer Geschwindigkeit von bis zu 40 Gbps erfassen.

Informieren Sie sich noch heute über das POC-Programm von ThreatEye.

Mindestanforderungen: Die Hardware-Empfehlungen von ThreatEye NV basieren auf einer standardmäßigen Zusammensetzung des Internetverkehrs pro Bandbreite. Daher kann sich die Zusammensetzung des Netzwerkverkehrs auf die Performance auswirken.