אבטחת מידע בסקייל וחקירות AI-Native: ראיון בלעדי עם גילי קנפו מחברת Vega

בפרק השלישי של סדרת הפודקאסט Hidden Layers לקראת כנס CyberML של קהילת MDLI, אירחתי את גילי קנפו, מוביל תחום ה-AI והדאטה בחברת Vega. גילי מגיע עם רקע עשיר של מעל 10 שנות ניסיון בעולמות הנתונים והאנליטיקה, החל משירותו בתוכנית חבצלות היוקרתית של אמ"ן וביחידה 8200 ועד להובלת הפיתוח האלגוריתמי ב-Vega בשנתיים האחרונות. רציתי להבין ממנו כיצד חברת סייבר מודרנית מתמודדת עם הפרגמנטציה ההרסנית של נתוני אבטחה בארגוני אנטרפרייז, וכיצד ניתן לבנות פלטפורמת תפעול אבטחה (Security Operations) המבוססת על בינה מלאכותית מבוזרת מבלי לשרוף תקציבים אדירים על מיגרציות ענן מורכבות.

מנוע שאילתות מבוזר ונורמליזציה דטרמיניסטית בזמן אמת

כששאלתי את גילי על האתגר ההנדסי המרכזי שעמד בפניהם בעת תכנון הפלטפורמה של Vega, הוא העלה מיד את בעיית פיזור הנתונים (Data Fragmentation). ארגוני ענק צוברים לאורך השנים עשרות מופעים של מנועי SIEM, אגמי נתונים (Data Lakes) ואחסון אובייקטים (Object Storage) עקב מיזוגים ורכישות. הגישה המסורתית של הסייבר ניסתה להילחם בתופעה באמצעות מיגרציות אינסופיות של לוגים למרכז אחד – תהליך יקר, איטי ובלתי יציב. גילי הסביר לי שב-Vega בחרו לבצע הפרדה מוחלטת (Decoupling) בין שכבת האחסון לבין שכבת האפליקציה באמצעות מנוע שאילתות מבוזר (Federated Query Engine).

סקרן אותי להבין כיצד ה-AI משתלב בארכיטקטורה כזו, במיוחד כשנתוני הלקוח כלל אינם נשמרים בשרתי החברה. גילי חשף בפניי שתהליך האונבורדינג של לקוח כולל מיפוי ונורמליזציה שמתרחשים בזמן אמת (Runtime) בתוך סביבת הלקוח. המודל מייצר קובצי קוד ושאילתות SQL כדי להפוך לוגים גולמיים מגוונים למבנה אחיד. סכמנו על עיקרון הנדסי קריטי: כל תהליך שניתן לבצע באופן דטרמיניסטי באמצעות קוד שנוצר על ידי AI, יבוצע על ידי הקוד בלבד. בצורה זו נמנעים מהכנסת רכיבים סטוכסטיים ועיכובים (Latency) מיותרים לתוך ריצת המערכת בזמן אמת.

תובנה זו המחישה לי עד כמה חשוב השימוש ב-AI כאמצעי לייצור קוד תשתיות ולא כמנוע ריצה ישיר על כל פיסת מידע. הצירוף בין תרגום קוד אוטומטי להרצה דטרמיניסטית מאפשר לשמור על רובסטיות גבוהה, תוך חיסכון ניכר בעלויות החישוב והורדת מס הכניסה ההנדסי לטיפול במקורות דאטה מורכבים.

הפשטת סכמות וייצוג גרפי: Context Graph ואונטולוגיות לאג'נטים

ככל שהעמקנו בשיחה, סקרן אותי להבין כיצד המערכת מנגישה את הררי הנתונים הללו גם לאנליסטים אנושיים וגם לסוכנים אוטונומיים (Agents). גילי הסביר שהשאיפה המרכזית ב-Vega היא לאפשר עבודה מלאה בשפה טבעית (Natural Language). בעוד שעבור בני אדם מדובר בממשק נוח, עבור סוכני AI מדובר בצורך קיומי – אג'נטים פולטים טוקנים בשפה טבעית, וכל ניסיון לאלץ אותם לכתוב שאילתות בשפות יעודיות מורכבות כמו KQL מייצר נקודות כשל רבות.

הופתעתי לגלות את העומק של בעיית ההזיות (Hallucination) בהקשר של שאילתות לוגים. גילי הדגים כיצד סוכן עלול לנסח שאילתה הגיונית לחלוטין שמפלטרת לפי שם משתמש ספציפי, אך בשל רגישות לאותיות קטנות וגדולות (Case Sensitivity) או היעדר קונטקסט של הסביבה, השאילתה תחזיר אפס תוצאות והסוכן יסיק בטעות שאירוע מסוים לא התרחש. כדי לפתור את הבעיה, המערכת מנתחת את נתוני הלקוח, מייצרת ייצוגים אגרגטיביים ללא איבוד מידע, ושומרת אותם בתוך בסיס נתונים וקטורי (Vector DB) לצד בניית גרף הקשר (Context Graph).

מבחינתי, הבחירה לתרגם את המציאות הארגונית לעולם של אונטולוגיות וגרפים היא פריצת דרך תפיסתית. במקום לצייד את סוכן ה-AI ב"פנס" קטן המאיר שאילתה בודדת בכל פעם ומאלץ אותו להריץ עשרות ניסיונות סרק, גרף הקשר מציק לסוכן "מפה" מלאה של הארגון. הגרף מנהל את כל הישויות (Entities) והקשרים ביניהן כסינגל סורס אוף טרות' (Single Source of Truth), מה שמקצר דרמטית את זמן החקירה ומונע איבוד קונטקסט.

צמצום עייפות התראות בגישת Shift Left של שכבת הגילוי

אחד הנושאים הבוערים ביותר בעולמות הסייבר שדנו בהם בפרק הוא התופעה של עייפות התראות (Alert Fatigue). ארגוני אנטרפרייז מוצפים במיליוני התראות ביום מכלל מערכות ה-EDR וה-SIEM, דבר שמוביל לשחיקה חמורה של צוותי ה-SOC ולפספוס אירועים קריטיים. גילי ציין כי הנטייה הרווחת בתעשייה היא להרים סוכן AI שיחקור כל התראה בקצה הפאנל, אך גישה זו מגיעה מאוחר מדי בשרשרת ואינה ישימה מבחינה כלכלית בסקייל רחב.

תפיסת הפיתוח של Vega מיישמת גישת הסטה שמאלה (Shift Left) לצמצום הרעש ישירות במקור. המערכת מזהה דפוסים חוזרים ונשנים בהתראות גולמיות וממליצה על עדכון חוקי הגילוי (Detectors) עוד לפני שההתראה נוצרת. גילי הדגיש כי בשל הסיכון הקיים בשינוי חוקי אבטחה, המערכת מציעה את השינוי כהמלצה (Suggest) בלבד למהנדסי הדיטקשן ולא מוחקת כללים באופן אוטונומי לחלוטין. עבור התראות שעברו את הסינון הראשוני, המערכת מבצעת קורלציה ומקבצת אותן לפי תרחיש האירוע (Incident).

התרשמתי מאוד מהדרך שבה Vega מודדת את האימפקט של המודלים בפרודקשן. במקום להסתמך רק על מדדי אבולואציה מעבדתיים, הם בוחנים את התפלגות סוגי פסק הדין (Verdict) הניתנים לאירועים – החל מאירוע תמים (Benign), דרך אירוע חשוד (Suspicious) או בלתי שלם (Inconclusive), ועד לאירוע זדוני (Malicious). ניתוח התפלגות זו מוודא שהמערכת אינה מעבירה את כל ההתראות לקטגוריית הזדוניות, אלא מצליחה לסנן בצורה מדויקת את הרעש ולהציג לאנליסטים רק את המקרים המצריכים התערבות אנושית.

אוטונומיית חקירה: מודלים קטנים, אורקסטרציה וסימולציות בקוד

כשנגענו בשלב החקירה האוטונומית (Investigation), שאלתי את גילי כיצד הם מתמודדים עם המורכבות והשונות האדירה של תרחישי התקפה. גילי סיפר כי בתחילה הם ניסו לבנות תהליכי עבודה (Workflows) מוגדרים מראש לכל דומיין, אך מהר מאוד הבינו שהשיטה אינה סקילבילית. הפתרון ההנדסי שנבחר הוא אג'נט מרכזי הפועל כמתזמר (Orchestrator), המעמיס דינמית סקילים (Skills) מודולריים בהתאם לתרחיש הנחקר – בין אם מדובר באירוע זהויות, ענן AWS או תשתיות GCP.

המכשול ההנדסי הכבד ביותר בחקירת לוגים מסיבית טמון במגבלות חלון הקשר (Context Window). גם כשאפשרי להכניס מאות אלפי שורות לוג לתוך מודלי ענק, ביצועי המודל חווים דגרדציה קשה עקב בעיית "מחט בערימת שחור". כדי להתגבר על כך, Vega פיתחה תשתית מבוססת מודלי שפה קטנים (Small Language Models / SLM) המשולבים בסנדבוקס (Sandbox) מאובטח. האג'נט כותב קוד Python המטעין את הלוגים לתוך פנדס (Pandas DataFrames), מריץ שאילתות אגרגציה ועיבוד דטרמיניסטיות מקומיות, ומחלץ רק את המסקנות המזוקקות לתוך חלון הקשר של המודל המנהל.

שילוב המודלים הקטנים – כדוגמת סדרת Qwen בגרסאות 3B, 4B ואף 30B הרצות בסביבות AWS Bedrock או בסנדבוקס פנימי – מייצר איזון מרשים בין חיסכון בעלויות, שמירה על הפרטיות והורדת ה-Latency. הניסיון של Vega לפצל את משימת החקירה לכתיבת קוד דטרמיניסטית מחד וסנתוז תובנות מאידך, ממחיש את המגמה העכשווית של LLMOps מורכב המשלב כמה מודלים ייעודיים במקום מודל יחיד כבד.

עתיד ה-Security Operations וההגנה בעידן הדמוקרטיזציה של התקיפות

כשביקשתי מגילי לספק מבט צופה פני עתיד על המאבק בין התוקפים למגינים, הוא ציין כי הכניסה של כלי AI מייצרת דמוקרטיזציה של יכולות התקיפה. כיום, כל גורם עוין יכול לייצר תקיפות מורכבות, מותאמות אישית ובסקייל אקספוננציאלי. מצב זה מעמיד את ארגוני ההגנה בפני אתגר חסר תקדים, שכן לא ניתן להרים סוכן חקירה יקר לכל התראה בודדת עקב מגבלות תקציב ומשאבי חישוב.

הלקח המרכזי שלקחתי מהשיחה הזו הוא שהעתיד של סייבר מבוסס AI אינו נשען רק על סוכנים חכמים יותר בקצה, אלא על תכנון ארכיטקטוני נכון של שכבת הנתונים. מנהלי אבטחת מידע (CISOs) וצוותי הנדסה יידרשו לאמץ תפיסת Shift Left אגרסיבית, לנהל סיכונים בצורה מחושבת ולבנות תשתיות דאטה גמישות המאפשרות לסוכנים לפעול על גבי מידע מובנה, מדויק וזמין.

לפרק המלא ולכל הפרטים, האזינו כאן.

לצפייה בפרק יוטיוב, לחצו כאן.