Al jarenlang volgt cybersecurity een vertrouwde cyclus.
Aanvallers ontwikkelen nieuwe malware of technieken, verdedigers analyseren de activiteiten, detectielogica wordt verbeterd en beveiligingstools leren de volgende variant te herkennen. Traditionele beveiligingsmodellen waren grotendeels afhankelijk van het feit dat aanvallers zich voorspelbaar genoeg gedroegen, zodat detectiesystemen hen uiteindelijk konden inhalen.
Aanvallen die door AI worden aangestuurd, veranderen dat volledig.
Beveiligingsonderzoekers gebruiken steeds vaker termen als “vibe hacking” om aanvallen te beschrijven die worden aangedreven door grote taalmodellen (LLM's), waarbij aanvallers de intentie aangeven en AI een groot deel van de technische uitvoering voor zijn rekening neemt. In plaats van payloads handmatig te schrijven of scripts voortdurend aan te passen, kunnen aanvallers deze processen nu op enorme schaal automatiseren.
Het resultaat zijn snellere, adaptievere aanvallen die de groeiende beperkingen van beveiligingsstrategieën die in de eerste plaats op detectie zijn gericht, blootleggen.
Door AI gegenereerde aanvallen worden veel moeilijker te voorspellen
Traditionele malwarefamilies laten vaak herkenbare patronen achter.
Door AI gegenereerde aanvallen hoeven dat niet te doen.
Als één payload detectie activeert, kunnen aanvallers het model eenvoudig instrueren om deze te herschrijven met behulp van andere uitvoeringsmethoden, API's, scriptbenaderingen of opdrachtstructuren. Elke variant kan zich voldoende anders gedragen om eerdere detectielogica te omzeilen.
Wat dit bijzonder gevaarlijk maakt, is de snelheid.
Aanvallers hoeven niet langer dagen of weken te besteden aan het handmatig opnieuw opbouwen van hulpmiddelen. AI versnelt het aanpassen van malware, het genereren van phishingcampagnes, het automatiseren van verkenning en het wijzigen van aanvalstechnieken aanzienlijk.
We zien al voorbeelden uit de praktijk van deze verschuiving.
Onderzoekers hebben aangetoond dat aanvallers AI-assistenten gebruiken om verkenning te automatiseren, gerichte payloads te genereren, gestolen gegevens te comprimeren en zelfs aangepaste losgeldeisen op te stellen. In andere gevallen zou malware live LLM-functionaliteit rechtstreeks in de aanvalsketen hebben geïntegreerd, waarbij dynamisch om nieuwe instructies wordt gevraagd afhankelijk van de omgeving die de malware aantreft.
In plaats van afhankelijk te zijn van statische code, kunnen aanvallen zich nu in realtime ontwikkelen.
Traditionele detectiemodellen hebben moeite om het tempo bij te houden
De meeste platforms voor endpointdetectie en -respons (EDR) zijn sterk afhankelijk van herhaalbaarheid.
Ze zoeken naar verdachte binaire bestanden, gedragspatronen, bekende indicatoren of activiteiten die verband houden met eerdere aanvallen.
Het probleem is dat door AI gegenereerde aanvallen dat model aanzienlijk verzwakken.
Als één uitvoeringspad wordt gedetecteerd, genereren aanvallers een ander. Als verdedigers één scriptvariant identificeren, herschrijft AI deze op een andere manier. Detectiesystemen worden gedwongen tot een voortdurende reactieve cyclus, terwijl aanvallers zich blijven aanpassen.
AI-systemen kiezen van nature ook voor het gebruik van legitieme beheerhulpmiddelen die al aanwezig zijn in bedrijfsomgevingen, waaronder PowerShell, WMI, Python, cloud-API's en hulpprogramma's voor beheer op afstand.
Deze hulpmiddelen zijn al aanwezig in de meeste organisaties en gaan vaak rechtstreeks op in de normale bedrijfsvoering.
Daardoor zijn door AI aangestuurde aanvallen aanzienlijk moeilijker te onderscheiden van legitieme activiteiten.
Deze uitdaging is een van de redenen waarom organisaties steeds vaker preventiegerichte platforms zoals ThreatLocker® implementeren. In plaats van te proberen te bepalen of elke actie kwaadaardig is, past ThreatLocker Zero Trust-controles toe die vanaf het begin beperken welke applicaties, scripts en communicaties mogen worden uitgevoerd.
AI versnelt de verschuiving naar Zero Trust
Daarom versterken door AI aangestuurde aanvallen precies de noodzaak van Zero Trust-beveiligingsmodellen.
Zero Trust gaat ervan uit dat geen enkele applicatie, gebruiker, apparaat of communicatie automatisch moet worden vertrouwd, zelfs niet als deze al in de omgeving aanwezig is.
In plaats van volledig te vertrouwen op het achteraf identificeren van kwaadaardig gedrag, richt Zero Trust zich op het vooraf beheersen van wat systemen mogen doen.
Die aanpak wordt bijzonder waardevol wanneer aanvallen zijn ontworpen om zich voortdurend aan te passen.
Als niet-goedgekeurde applicaties niet kunnen worden uitgevoerd, maakt het niet uit hoe vaak AI de payload herschrijft.
Als PowerShell-toegang strikt wordt gecontroleerd via ThreatLocker Applicatietoestaan en Ringfencing™, verliezen aanvallers een van hun effectiefste hulpmiddelen voor verkenning, privilege-escalatie en laterale beweging. Als uitgaande communicatie wordt beperkt, wordt het veel moeilijker om gestolen gegevens te exfiltreren.
In plaats van te proberen elke nieuwe aanvalvariant te voorspellen, verkleinen organisaties hun blootstelling door onnodig vertrouwen te elimineren, machtigingen te beperken en uitvoeringspaden volledig te beperken.
Beperking wordt effectiever dan herkenning
Traditionele cyberbeveiligingsstrategieën waren sterk gericht op het herkennen van kwaadaardige activiteiten nadat deze zich voordeden.
Door AI gegenereerde aanvallen maken dat steeds moeilijker.
Organisaties schakelen nu over op beveiligingsmodellen die beperking boven herkenning stellen. In plaats van te proberen elke mogelijke bedreiging te identificeren, bepalen verdedigers wat expliciet is toegestaan en blokkeren ze standaard al het overige.
Dat betekent dat de uitvoering van applicaties wordt gecontroleerd, beheertools worden beperkt, communicatie wordt beperkt, het principe van minimale bevoegdheden wordt afgedwongen en mogelijkheden voor laterale beweging worden verkleind.
Bij ThreatLocker zijn we er sterk van overtuigd dat preventie voorop moet staan.
Een snelle reactie is niet snel genoeg wanneer AI aanvallen sneller kan aanpassen dan verdedigers detecties kunnen ontwikkelen.
ThreatLocker®-oplossingen helpen organisaties deze aanpak in de praktijk te brengen via het toestaan van applicaties, standaard alles blokkeren, communicatiebeperkingen en gedetailleerde controle over activiteiten op eindpunten.
Het AI-tijdperk vereist een andere beveiligingsmentaliteit
AI verandert fundamenteel de snelheid, schaal en aanpasbaarheid van cyberaanvallen en legt tegelijkertijd de beperkingen van traditionele reactieve beveiligingsmodellen bloot.
Organisaties kunnen er niet langer van uitgaan dat malware lang genoeg statisch blijft om handtekeningen of gedragsanalyses de tijd te geven deze betrouwbaar bij te benen.
Door AI gegenereerde aanvallen zijn ontworpen om zich voortdurend te ontwikkelen.
Daarom wordt Zero Trust steeds belangrijker.
Door strikte operationele grenzen af te dwingen en voortdurend te valideren wat applicaties, systemen, gebruikers en apparaten mogen doen, kunnen organisaties de mogelijkheden voor door AI aangestuurde aanvallen om succesvol uit te voeren, zich te verspreiden of te communiceren aanzienlijk verkleinen.
Want wanneer aanvallen onmiddellijk kunnen veranderen, is het beheersen van de omgeving veel effectiever dan proberen elke variant achteraf te herkennen.
Bekijk het ThreatLocker Cyber Hero-magazine voor meer praktische Zero Trust-tips en inzichten
En de onderstaande artikelen voor meer informatie over het gebruik van Zero Trust-oplossingen om uw omgeving tegen AI te verdedigen:



