Manajemen kerentanan dengan AI

Model AI canggih telah mengubah kecepatan dan skala tim keamanan dan penyerang dalam menemukan kerentanan. AI dapat menemukan kerentanan dalam hitungan menit, dan penyerang dapat mengeksploitasi kerentanan ini lebih cepat dari sebelumnya.

Di Google, kami telah mentransformasi pengelolaan kerentanan menggunakan AI, seperti yang ditunjukkan dalam project Naptime dan Bigsleep. Kami menggunakan AI untuk memindai, mengidentifikasi, dan memperbaiki kerentanan dalam infrastruktur kami sendiri. Kami juga bekerja sama dengan partner di seluruh industri—dengan pemelihara open source, vendor chip, dan produsen hardware—untuk menemukan dan memperbaiki bug dengan AI sebelum bug tersebut dapat dieksploitasi.

Dokumen ini menjelaskan cara menemukan dan menambal kerentanan di aplikasi Anda dengan menerapkan teknologi AI yang membantu Anda melakukan hal berikut:

  • Mengembangkan program pertahanan dari ancaman AI.
  • Memindai kerentanan eksternal.
  • Prioritaskan aset dan masalah.
  • Perbaiki kerentanan kritis.
  • Pantau menggunakan playbook respons aktif.

Membangun program pertahanan ancaman AI

Ancaman AI berbeda dari ancaman konvensional dalam hal waktu dan skala. Proses manual untuk mengembangkan, menguji, dan men-deploy perbaikan untuk aplikasi Anda tidak lagi memadai. Sebagai gantinya, Anda harus menerapkan strategi baru yang mencakup pengelolaan patch otomatis, pemantauan berkelanjutan, integrasi yang lebih erat dengan pipeline pengembangan, dan modernisasi software.

Untuk membantu mengubah pendekatan organisasi Anda terhadap manajemen kerentanan, pertimbangkan prinsip-prinsip berikut:

  • Manajemen kerentanan harus mencakup opsi AI dan agentik.
  • Semua software harus di-patch.
  • Kontrol harus terus menemukan dan mengatur penggunaan AI tanpa pengawasan, integrasi API internal yang tidak sah, ekstensi browser, dan alat yang dikelola developer lokal.
  • Definisi risiko kritis organisasi Anda harus mengakui bahwa model dapat mengeksploitasi jalur serangan, bukan hanya kerentanan tunggal.
  • Organisasi Anda harus dapat mengambil tindakan perbaikan dalam hitungan menit.

Untuk membuat program pertahanan ancaman AI, Anda memerlukan dukungan dari sponsor eksekutif dan partner kolaboratif di seluruh tim pengembangan, operasi, keamanan, dan bisnis Anda. Sebagai bagian dari rencana awal Anda, selesaikan hal berikut:

  • Tetapkan tata kelola dan kepemilikan yang jelas, termasuk komite, peran, dan proses pengambilan keputusan yang ditentukan.
  • Tentukan hasil dan metrik utama (seperti kepatuhan terhadap SLA, volume pengecualian, dan cakupan aset) untuk melacak progres dan melaporkan kembali kepada pimpinan eksekutif.
  • Buat kebijakan, SLA, dan proses pengecualian.

Diagram berikut menunjukkan fase untuk membangun program pertahanan dari ancaman AI yang efektif. Setiap fase dijelaskan di bagian lain dalam dokumen ini.

Fase program pertahanan terhadap ancaman AI.

Untuk membantu Anda membuat dan menerapkan program pertahanan dari ancaman, hubungi Mandiant Cybersecurity Consulting.

Fase 1: Persiapan

Sebelum men-deploy pemindai kerentanan AI di seluruh codebase Anda, lakukan penilaian risiko terhadap aset Anda. Prioritaskan jenis pemindaian dan aset yang perlu Anda pindai menggunakan AI untuk menghindari membanjiri pipeline triase Anda.

Memindai eksposur eksternal

Aset yang paling rentan terhadap ancaman AI adalah aset yang terhubung ke internet, seperti berikut:

  • VM Compute Engine
  • Cloud Run Functions
  • Cluster Google Kubernetes Engine (GKE)
  • Bucket Cloud Storage publik

Untuk mempertahankan daftar lengkap aset ini dari waktu ke waktu, aktifkan penemuan berkelanjutan menggunakan produk seperti Wiz Red Agent. Penemuan berkelanjutan adalah proses otomatis yang berkelanjutan yang memindai aset secara real time saat aset dibuat atau diubah. Wiz Red Agent dapat secara proaktif memindai jaringan yang terhubung ke internet untuk menemukan aplikasi web aktif, API yang diekspos secara publik, software buatan kustom, dan bahkan aplikasi berkode suasana.

Setelah menemukan aset, Wiz Red Agent dapat menyimulasikan serangan di dunia nyata untuk menemukan kerentanan dan membuat rantai serangan. Saat menemukan kerentanan, Wiz Red Agent akan mengirimkan data ke Wiz Security Graph. Grafik Keamanan Wiz memungkinkan Anda melihat aset internal mana yang terhubung ke aset yang menghadap internet, sehingga Anda dapat memetakan potensi dampak pelanggaran eksternal.

Misalnya, anggaplah developer membuat lingkungan pengujian untuk chatbot baru. Developer ingin menguji cara chatbot berinteraksi dengan data live, jadi dia men-deploy prototipe menggunakan Cloud Run. Untuk menyederhanakan pengujian, developer mengizinkan pemanggilan yang tidak diautentikasi, yang membuat prototipe menjadi publik. Developer menghubungkan bucket Cloud Storage sementara yang berisi snapshot data pengguna sebenarnya ke prototipe. Namun, developer lupa menghapus lingkungan pengujiannya.

Dalam contoh ini, Wiz Red Agent dapat menemukan subdomain *.run.app baru dan menandai aset sebagai aset yang terhubung ke internet melalui kemampuan penemuan berkelanjutan. Kemudian, Wiz Red Agent dapat berinteraksi dengan prototipe chatbot untuk menentukan bahwa chatbot terhubung ke endpoint API. Wiz Red Agent menyimulasikan berbagai serangan, seperti serangan injeksi perintah, untuk menentukan kerentanan apa pun. Karena developer tidak menyiapkan keamanan yang sesuai, Wiz Red Agent menemukan kerentanan dan menentukan bahwa kerentanan tersebut dapat bergerak secara lateral ke dalam bucket Cloud Storage. Wiz Red Agent mengirimkan data ke Wiz Security Graph, yang menandai kerentanan ini sebagai prioritas penting. Proses Anda dapat menghentikan prototipe ini dalam beberapa menit.

Memprioritaskan aset untuk pemindaian kode mendalam

Pemindaian kode mendalam melacak alur data dan kode sumber untuk menemukan kesalahan struktural dan pintu belakang keamanan saat developer masih menulis software. Namun, pemindaian kode mendalam adalah proses yang memakan banyak resource dan waktu untuk diterapkan pada semua kode Anda.

Untuk memprioritaskan basis kode mana yang memerlukan pemindaian kode mendalam, Anda harus membuat inventaris semua repositori menurut platform atau lingkungan, seperti SaaS atau dihosting sendiri. Pertimbangkan hal berikut:

  • Aksesibilitas kode sumber atau biner Anda (apakah tersedia secara publik atau internal). Jika biner Anda tersedia secara publik, tidak ada perlindungan nyata terhadap rekayasa balik yang didukung LLM.
  • Bahasa pemrograman (apakah kode Anda menggunakan bahasa yang aman untuk memori seperti Go, Rust, Java, atau Python).
  • Hak istimewa yang diperlukan kode untuk dijalankan.
  • Sensitivitas aset yang harus diakses oleh kode.

Terapkan pemindaian kode mendalam untuk kode yang memiliki risiko tertinggi: kode yang dapat diakses secara publik, menggunakan bahasa yang tidak aman untuk memori, memerlukan hak istimewa tinggi untuk dijalankan, dan harus mengakses data yang sangat sensitif.

Selain itu, tentukan apakah Anda dapat mengambil tindakan mitigasi lain untuk membantu melindungi kode Anda. Pertimbangkan hal berikut:

  • Sebelum memindai komponen lama atau yang kurang digunakan, evaluasi apakah komponen tersebut dapat dihentikan atau tidak digunakan sama sekali, sehingga menghilangkan beban pemeliharaan dan keamanan. Dalam beberapa kasus, Anda dapat bermigrasi ke alternatif dengan permukaan serangan yang lebih kecil.
  • Tinjau status patching Anda. Jika patch tertinggal, prioritaskan mengupgrade dependensi tersebut ke versi modern yang didukung.
  • Sebagai strategi prioritas jangka panjang, identifikasi komponen penting yang ditulis dalam bahasa yang tidak aman untuk memori dan cari alternatif yang aman untuk memori. Jika tidak ada alternatif yang lebih aman, pertimbangkan untuk memasukkannya dalam peta jalan untuk penulisan ulang dalam bahasa yang aman untuk memori guna mengurangi kerentanan keamanan memori. Dalam jangka pendek, pertimbangkan sandbox sebagai mitigasi risiko, seperti dengan GKE Sandbox.

Untuk membantu memprioritaskan aset, Anda dapat menggunakan fitur Wiz seperti berikut:

  • Katalog Layanan Wiz dan inventaris Wiz untuk menentukan risiko eksposur dan dampak yang terkait dengan aset Anda.

    Inventaris Wiz secara otomatis menemukan aset seperti virtual machine, database, dan repositori kode. Inventaris Wiz dapat menentukan apakah aset dapat diakses secara publik, menangani input pengguna yang tidak tepercaya atau traffic API eksternal, dan lingkungan tempat aset berjalan. Wiz Service Catalog dapat mengelompokkan aset ini ke dalam layanan bisnis (misalnya, Sistem Penagihan atau Customer Portal) yang dapat Anda tetapkan kepemilikannya. Grup ini membantu mengidentifikasi aset mana yang merupakan sistem bisnis penting, sistem mana yang memiliki akses ke data sensitif, dan siapa yang bertanggung jawab atas aplikasi tersebut.

  • Wiz Security Graph dan Wiz Workload Scanner untuk mengidentifikasi repositori kode sumber yang digunakan di lingkungan produksi aktif.

    Wiz Workload Scanner memeriksa lingkungan Anda untuk menentukan apakah kode benar-benar berjalan di lingkungan Anda dan melacak asal-usul software untuk kode Anda. Wiz Security Graph menemukan kombinasi berbahaya untuk menentukan apakah potensi masalah berisiko tinggi. Anda dapat menggunakan informasi ini untuk memprioritaskan pemindaian kode mendalam pada jalur serangan berisiko tinggi dan potensi kerentanan pergerakan lateral.

  • Pipeline Code-to-Cloud Wiz memetakan silsilah aset dalam produksi.

    Pipeline Code-to-Cloud Wiz dapat memprioritaskan kode yang aktif dan dapat dijangkau dalam produksi, menentukan repositori asal untuk kerentanan, dan memperkuat konfigurasi infrastruktur sebagai kode (IaC) Anda. Pipeline Code-to-Cloud Wiz memungkinkan Anda mengaitkan repositori kode dengan penggunaan sebenarnya.

Fase 2: Pindai dan prioritaskan

Setelah membuat program dan memprioritaskan aset berdasarkan risiko, Anda dapat menggunakan AI untuk membantu menemukan dan menyeleksi kerentanan di lingkungan Anda.

Menyelesaikan pemindaian mendalam codebase Anda

Saat menyelesaikan pemindaian kode mendalam, Anda menggunakan penalaran AI tingkat lanjut untuk menemukan kelemahan kode yang kompleks, mengaitkan kelemahan tersebut dengan kerentanan cloud, dan mengurangi positif palsu. Selesaikan jenis pemindaian berikut:

  • Pemindaian dasar: Memindai kode secara berkelanjutan di IDE dan pipeline CI/CD Anda untuk menemukan kesalahan coding umum, secret yang di-hardcode, dan dependensi yang rentan.
  • Pemindaian AI mendalam: Menganalisis code base yang sangat penting dengan logika bisnis yang kompleks dan mengidentifikasi kerentanan yang saling terkait atau kerentanan zero-day yang mungkin tidak terdeteksi oleh SAST.

Untuk menyelesaikan pemindaian dasar, Anda dapat menggunakan Wiz Code untuk memindai rahasia, menemukan kesalahan konfigurasi IaC, menyelesaikan pengujian keamanan aplikasi statis (SAST), dan mengidentifikasi risiko keamanan dalam software pihak ketiga menggunakan analisis komposisi software (SCA).

Wiz Code membantu menerapkan kebijakan keamanan Anda dengan mengevaluasi kode dalam dasar CI/CD dan memblokir build apa pun yang tidak memenuhi standar Anda. Wiz Code dapat memeriksa inventaris Anda untuk menentukan kerentanan mana yang dapat dijangkau dalam produksi. Saat Wiz Code menemukan kerentanan, Wiz Green Agent akan otomatis menganalisis kode di sekitarnya dan membuat patch untuk mengatasi masalah tersebut. Jika masalah ditemukan di IDE developer, Green Agent dapat memfaktorkan ulang kode sebelum developer melakukan perubahan pada pipeline. Jika masalah ditemukan di pipeline CI/CD, Wiz Green Agent dapat otomatis membuat permintaan pull di GitHub atau GitLab dengan patch kode.

Untuk menyelesaikan pemindaian AI mendalam, Anda dapat men-deploy CodeMender (Pratinjau) dengan Gemini Enterprise Agent Platform. CodeMender (dikembangkan oleh Google DeepMind) adalah agen engineering AI otonom yang sangat terspesialisasi dan berfokus pada penalaran, proses debug, dan patching tingkat kode yang mendalam. CodeMender bertindak seperti engineer software senior otonom yang menarik kode ke sandbox, menjalankan berbagai pengujian, dan memperbaiki logika inti. Eksekusi pengujian dapat mencakup analisis dinamis, pengujian fuzz, dan pengujian kompilasi otomatis. CodeMender dapat secara mandiri memprioritaskan bug berdasarkan dampak struktural, memperbaiki masalah, dan memfaktorkan ulang kode menggunakan metode iteratif.

Triase dan rencana perbaikan

Setelah menyusun daftar kerentanan, Anda dapat mengarahkan temuan dari Wiz Code dan CodeMender ke mesin seperti Wiz SAST Triage AI Engine untuk meningkatkan kualitas temuan dan membantu menentukan apakah vektor serangan dapat dieksploitasi. Wiz Security Graph juga dapat membantu memperkaya konteks menggunakan pipeline code-to-cloud. Wiz Red Agent dapat menyelidiki situs aktif dan memvalidasi jalur serangan.

Setelah Anda menyelesaikan pekerjaan triase, pertimbangkan rekomendasi berikut untuk menyesuaikan agen AI dan menghapus positif palsu:

  • Minta engineer senior untuk meninjau sampel kecil temuan secara acak untuk mengidentifikasi pola, mengklarifikasi batas kepercayaan, dan menyempurnakan proses AI Anda.
  • Buat keterampilan AI berdasarkan panduan pelaporan kerentanan Anda yang menentukan apa yang dianggap organisasi Anda sebagai kerentanan nyata, dan bukan positif palsu atau bug non-keamanan.
  • Menggunakan agen AI untuk merencanakan dan menulis kasus pengujian serta menjalankannya di lingkungan sandbox.
  • Jalankan agen AI Anda terhadap temuan sampel baru dan sesuaikan perintah serta kemampuan AI Anda hingga sesuai dengan keputusan manusia Anda.

Jika pembuktian bahwa kerentanan dapat dieksploitasi memerlukan waktu lebih lama daripada penerapan perbaikan berisiko rendah, lewati proses reproduksi dan lanjutkan ke tahap perbaikan.

Fase 3: Perbaikan

Untuk memperbaiki masalah, Anda harus menerapkan alur kerja berkecepatan tinggi yang dapat memverifikasi, menerapkan patch, dan memvalidasi kerentanan secara otonom dalam skala besar, di IDE developer, repositori kode, dan lingkungan produksi.

Wiz Green Agent dapat otomatis membuat rencana perbaikan berdasarkan data yang tersedia. Hal ini memicu Wiz Workflows untuk memberi tahu tim SecOps Anda menggunakan sistem tiket Anda dan mengirim rencana perbaikan ke CodeMender. CodeMender membuat patch, menguji perbaikan dalam sandbox yang aman untuk mencegah regresi, dan membuat permintaan pull untuk mem-patch sistem Anda. Kemudian, developer dapat meninjau permintaan pull dan mengklik untuk men-deploy perubahan.

Meskipun praktik inti untuk mengupgrade dependensi bukanlah hal baru, mempertahankan sistem patching otomatis yang sehat adalah kebutuhan penting untuk mengatasi banyaknya patch yang dihasilkan oleh penemuan berbasis AI. Organisasi Anda harus siap untuk menyerap update dengan cepat tanpa merusak sistem produksi.

Sebaiknya lakukan praktik berikut untuk mengoptimalkan proses perbaikan:

  • Menetapkan visibilitas dependensi: Pertahankan inventaris berkelanjutan dari dependensi software Anda.
  • Otomatiskan mekanisme build dan rilis Anda: Setelah pengujian dan kualifikasi selesai, minimalkan langkah-langkah manual yang diperlukan untuk merilis kode dan memulai upgrade.
  • Tetapkan irama upgrade berkelanjutan: Terus memperbarui dependensi Anda secara rutin akan meminimalkan delta kode saat patch keamanan dirilis. Delta yang lebih kecil berarti lebih sedikit risiko perubahan yang merusak dan waktu deployment yang lebih cepat selama patch darurat.
  • Uji peluncuran dengan deployment canary: Terapkan deployment canary otomatis dan mekanisme rollback yang andal untuk upgrade dependensi. Deployment Canary memungkinkan Anda menguji patch dalam produksi dengan dampak minimal.

Memodernisasi software Anda

Beralih dari alur kerja pengembangan konvensional ke framework agentic memerlukan orkestrasi agen AI khusus yang berfokus pada tugas tertentu seperti penulisan, pembuatan pengujian, dan audit keamanan. Contoh berikut menjelaskan cara memperkenalkan agen AI ke siklus proses pengembangan software Anda:

  • Pengembangan: Developer mendesain dan membuat prototipe aplikasi dengan perintah bahasa alami CLI atau chat dalam IDE.
  • Membangun: Pemrosesan AI membantu developer dalam membuat kode atau mengubah kode yang ada dengan penyelesaian kode.
  • Menguji dan memelihara: Developer dan tim uji mutu menggunakan pengujian yang didukung AI dan refaktorisasi otomatis.
  • Tinjau dan deploy: Developer menggunakan peninjauan kode yang didukung AI dan dukungan untuk infrastructure-as-code.
  • Pemecahan masalah: Developer menggunakan analisis masalah berbasis AI di alat seperti Firebase Crashlytics untuk error dan masalah.
  • Mengoperasikan: Developer dan software engineer menggunakan agen AI untuk memahami dan mengubah aplikasi yang ada.

Dengan modernisasi software, mitigasi utang teknis dan keamanan dialihkan ke kiri ke agen otonom yang dirancang untuk melakukan perubahan kecil dan berulang pada lingkungan Anda. Modernisasi software mengandalkan server Model Context Protocol (MCP), yang memberi model akses langsung dan real-time ke alat eksternal dan data lingkungan aktif.

Untuk memitigasi risiko kode tidak aman di awal siklus proses pengembangan software, deploy agen independen yang dapat menganalisis dependensi selama perencanaan, membuat pengujian unit menggunakan integrasi alat, dan melakukan peninjauan kode otomatis langsung dalam repositori sumber. Dengan menyematkan aturan khusus project, keterampilan khusus, dan hook perintah deterministik langsung ke ruang kerja developer, agen coding menjadi garis depan utama untuk pengurangan risiko. Untuk memaksa agen mengambil langkah yang tepat, gunakan skrip deterministik dan panggil peninjauan rekan menggunakan agen terpisah dan khusus. Agen khusus dapat mencakup agen pemindai keamanan, agen penge-debug, atau agen red teaming otomatis.

Untuk membantu modernisasi software, alat seperti Google Antigravity dan Gemini Code Assist dapat berfungsi sebagai kolaborator independen yang menangkap, menguji, dan memperbaiki masalah sebelum peninjauan manual atau build pipeline pusat terjadi. Google Antigravity menyediakan pengalaman IDE dan pengelola agen yang lengkap, dan Gemini Code Assist di Gemini CLI menyediakan CLI terminal untuk eksekusi tanpa antarmuka. Anda dapat menggunakan berbagai kemampuan agen di Wiz dan di seluruh produk Google lainnya untuk membantu proses pengembangan Anda. Agent Platform mencakup model, seperti Gemini 3.5 Pro dan Flash, yang menyediakan penalaran multi-langkah, jendela konteks panjang, dan eksekusi alat bawaan.

Untuk mendapatkan kecepatan pengembangan yang lebih tinggi, gunakan agen yang dapat merencanakan secara inkremental, menguji secara berkelanjutan, dan memindai perubahan kecil secara lokal sebelum melakukan commit. Agen ini membantu memastikan stabilitas codebase dan melakukan rollback saat commit kecil dan terisolasi.

Memperketat fondasi keamanan Anda

Sebelum memperkenalkan agen ke lingkungan Anda, pastikan Anda telah mengamankan infrastruktur dan pipeline SDLC dengan tepat. Pertimbangkan tindakan berikut untuk menciptakan fondasi yang aman:

  • Konfigurasi kebijakan dan kontrol akses untuk mendapatkan visibilitas ke komponen software Anda, membantu mendeteksi kerentanan, dan memperbaiki masalah sebelum men-deploy software ke produksi.
  • Gunakan image dasar yang telah melalui proses hardening dengan Shielded VM, Confidential Computing, dan WizOS untuk melindungi lapisan aplikasi, lapisan OS, dan lapisan hardware.
  • Pantau workstation developer dan runner build CI/CD menggunakan Wiz Runtime Sensor untuk mendeteksi serangan pipeline CI/CD live dan memberikan konteks aktif dalam memori.
  • Temukan dan perbaiki penyimpangan dari layanan postur keamanan Anda untuk mempertahankan lingkungan yang konsisten dengan kebijakan keamanan Anda.
  • Konfigurasi gateway yang aman untuk penggunaan open source guna menerapkan kebijakan keamanan Anda menggunakan Wiz Registry Connectors.
  • Mengisolasi lingkungan pengembangan, staging, dan produksi menggunakan segmentasi jaringan dan aturan firewall yang ketat.
  • Simpan semua log pipeline, deployment, dan akses di lokasi penyimpanan terpusat yang tidak dapat diubah untuk pemantauan dan analisis forensik berkelanjutan.
  • Perlakukan pipeline CI/CD sebagai infrastruktur immutable untuk menghindari gangguan dan penyimpangan konfigurasi. Infrastruktur yang tidak dapat diubah juga memerlukan penggunaan runner sementara dan berumur pendek yang tidak memungkinkan penyerang mendapatkan pijakan permanen di infrastruktur Anda.
  • Simpan semua perubahan pada aplikasi dan cluster di repositori sumber yang memungkinkan kontrol versi dan peninjauan sebelum deployment.

Untuk mengetahui praktik terbaik lainnya, lihat Google Cloud platform aman yang layak minimum.

Melakukan hardening pada SDLC Anda

Secure AI Framework (SAIF) menjelaskan kontrol yang harus Anda terapkan untuk memastikan penggunaan AI yang aman dalam pipeline SDLC Anda. Item utama yang perlu dipertimbangkan saat menambahkan AI meliputi hal-hal berikut:

  • Manusia harus tetap memegang kendali untuk memastikan akuntabilitas dan mencegah agen bertindak secara otonom dalam situasi kritis tanpa pengawasan atau atribusi manusia yang jelas. Anda memerlukan identitas agen yang berbeda, mekanisme izin pengguna, dan input yang aman.
  • Kemampuan agen harus tetap terbatas untuk memastikan agen hanya dapat menyelesaikan tujuan yang dimaksud dan tidak mengeskalasi izin akses secara tidak tepat. Anda harus mengonfigurasi kontrol akses yang sesuai, pengelolaan kredensial yang tercakup, dan menggunakan sandbox untuk mengisolasi komponen dengan tepat.
  • Semua tindakan harus dapat diamati untuk memastikan transparansi dan auditabilitas serta memungkinkan pengambilan keputusan keamanan dan pemahaman pengguna.

Serangan supply chain dapat membahayakan agen tepercaya untuk mengubah database penting, merusak kode, atau mengekspos rahasia produksi. Untuk memitigasi, pipeline SDLC yang menggunakan AI mengandalkan praktik terbaik keamanan seperti berikut:

  • Setelan IDE dan ruang kerja yang mengontrol ekstensi browser, utilitas CLI, dan plugin IDE untuk mencegah asisten coding AI yang tidak disetujui mengekstraksi baris kode dasar kepemilikan ke endpoint model eksternal yang tidak diseleksi.
  • Kontrol akses yang ketat untuk mencegah modifikasi yang tidak sah. Kontrol autentikasi dan Pengelolaan Identitas dan Akses (IAM) yang ketat membantu memastikan bahwa Anda memberikan izin minimum wajib kepada akun layanan pipeline, termasuk akun agen, menerapkan autentikasi multi-faktor untuk semua pengguna manusia, dan meninjau akses yang dimiliki pengguna dan agen secara berkala untuk memastikan bahwa akses tersebut tetap berlaku.
  • Perlindungan kode sumber dan konfigurasi untuk memastikan bahwa kode berbahaya atau tidak disengaja tidak pernah mencapai fase build. Pertimbangkan hal berikut:
    • Pastikan cabang ditinjau dan tarik atau gabungkan permintaan ditinjau dari rekan tepercaya yang berwenang, terutama petugas peninjau.
    • Jangan izinkan opsi melewati penggabungan.
    • Pastikan semua commit ditandatangani untuk memverifikasi keaslian kode dan mencegah pengubahan tanpa izin.
    • Membatasi kemampuan untuk membuat cabang kode internal atau secara tidak sengaja membuat repositori pribadi menjadi publik.
  • Pengelolaan secret dinamis untuk menghindari kredensial yang disusupi. Untuk menangani secret secara dinamis, hilangkan sandi, kunci API, dan token yang di-hardcode dalam kode sumber dan file konfigurasi. Alat pemindaian secret otomatis dalam file konfigurasi dan IaC Anda membantu menemukan secret apa pun sebelum commit diterima. Dengan Secret Manager, Anda dapat memasukkan kredensial secara dinamis saat runtime.
  • Otomatisasi pemeriksaan keamanan dalam pipeline untuk mendeteksi kerentanan sejak awal. Pertimbangkan strategi pengujian yang mencakup pengujian SAST, SCA, dan DAST sehingga Anda dapat menemukan kerentanan selama pengembangan, di library pihak ketiga, dan saat menjalankan aplikasi.
  • Paket aplikasi yang diamankan untuk membantu mencegah modifikasi tidak sah. Gunakan pembuatan versi yang tidak dapat diubah untuk paket build Anda, dan pindai image container dan paket sebelum mengirimkannya ke Artifact Registry Anda. Promosikan image container yang sama di semua lingkungan, termasuk pengembangan, staging, dan produksi.

Tahap 4: Memantau

Karena serangan berbasis agen mengubah lanskap ancaman dengan cepat, Anda harus terus memantau proses dan mengidentifikasi peluang otomatisasi. Anda juga harus dapat mendeteksi dan merespons ancaman yang dibuat oleh kerentanan dalam kode, di mana pun kode tersebut berada. Untuk memantau ancaman secara efektif, Anda harus memastikan sensor sudah terpasang, menetapkan metrik yang sesuai, menyelesaikan simulasi berjalan, dan menggunakan playbook respons aktif yang telah dilatih.

Wiz Defend terintegrasi dengan Google Security Operations untuk meningkatkan alur kerja SOC Anda dengan pemberitahuan dan konteks dari platform Wiz. Wiz Defend memantau perilaku runtime, konfigurasi cloud, identitas, dan kerentanan langsung di dalam lingkungan cloud Anda. Wiz Defend mengatur peringatan real-time dan memproses bukti forensik menjadi deteksi fidelitas tinggi dan ancaman gabungan. Wiz Blue Agent dapat menyelidiki data untuk menentukan apakah ancaman itu nyata. Wiz kemudian dapat mengirimkan pemberitahuan yang diprioritaskan ke Google SecOps untuk aktivitas respons lebih lanjut.

Google SecOps dapat menyerap telemetri dari seluruh lingkungan Anda untuk mengorelasikan peristiwa dan mengoordinasikan playbook respons. Telemetri ini mencakup server lokal, penyedia identitas SaaS, endpoint, firewall, dan lingkungan multi-cloud. Google SecOps menyertakan SOC berbasis agenyang dapat menyelidiki peringatan secara otomatis untuk memberikan konteks tambahan. Analis dapat mengajukan pertanyaan dalam bahasa alami, dan agen dapat memberikan konteks teknis, telemetri, dan rekomendasi tentang cara mengatasi masalah. Agen ini juga dapat mengotomatiskan pembuatan dan pengelolaan aturan deteksi ancaman, mengidentifikasi celah deteksi, dan otomatis membuat aturan deteksi untuk celah tersebut.

Agentic Threat Intelligence dapat menggunakan data dari Mandiant dan VirusTotal untuk mempercepat penyelidikan. Agentic Threat Intelligence mengotomatiskan tugas yang kompleks dan memakan waktu seperti merekayasa balik kode, menganalisis malware, dan membuat ringkasan ancaman kustom, sehingga tim keamanan dapat fokus pada tugas penting lainnya.

Diagram berikut menunjukkan cara berbagai alat pemantauan bekerja sama untuk menambahkan konteks, menyelesaikan tugas otomatis, dan memprioritaskan pemberitahuan.

Alat pemantauan ancaman AI.

Langkah berikutnya