Wenn das Konto echt und das Verhalten normal ist, muss KI die Absicht erkennen
Die gefährlichsten Angriffe kommen heutzutage nicht von Fremden, sondern von echten Konten, in vertrauten Threads, und stellen Fragen, die diese Konten immer stellen. Das kompromittierte Konto authentifiziert sich korrekt, sendet Nachrichten über die gewohnte Infrastruktur und verhält sich wie immer, weil es sich um dasselbe Konto handelt. Um den Rest kümmert sich die KI: Sie ahmt für den Angreifer den Schreibstil und die Lieferantenbeziehungen einer realen Person nach, dass selbst der Inhalt nicht mehr ungewöhnlich aussieht. Das Einzige, was übrig bleibt und nicht aus der Historie kopiert werden kann, ist das Ziel, das mit der Nachricht verfolgt wird.
Bedrohungsakteure nutzen KI mittlerweile, um ihre Angriffe so zielgenau, technisch anspruchsvoll und skaliert zu konzipieren, dass herkömmliche Mustererkennungsverfahren versagen. Eine einzelne Kampagne könnte 50 Opfer mit 50 verschiedenen E-Mails angreifen, die alle unterschiedlich formuliert, für den Empfänger personalisiert und fortlaufend angepasst werden, während der Angreifer mit den Angegriffenen interagiert und ihr Vertrauen erwirbt. Jede Nachricht ist individuell, aber die Bedeutung ist immer gleich: dieselbe Bitte, dieselbe Absicht, 50 Mal wiederholt in 50 verschiedenen Gewändern.
Deshalb muss die Erkennung parallel auf zwei Ebenen funktionieren. Erstens muss die Bedeutung einer Nachricht unabhängig von ihrem Wortlaut erkannt werden, damit fünfzig unterschiedlich formulierte E-Mails, die dasselbe Ziel verfolgen, als dieselbe Bedrohung erkannt werden. Zweitens ist es wichtig, den Kontext zu verstehen, in dem eine Nachricht eingeht: die Beziehungen, die Vorgeschichte und den Wissensgraphen rund um Absender und Empfänger. Dieselbe Anfrage kann routinemäßig oder böswillig sein – je nachdem, wer sie stellt und warum.
Sicherheitstools, die ausschließlich auf verhaltensbasierte Erkennungen setzen, identifizieren Abweichungen von einer Basislinie, jedoch keine Ereignisketten, bei denen jeder einzelne Schritt normal aussieht und nur die zugrunde liegende Absicht böswillig ist. Diese neue Ära erfordert ein differenziertes Verständnis der Absicht: Die Frage lautet nicht mehr, ob etwas ungewöhnlich ist, sondern was damit erreichen werden soll.
Heute kündigen wir die nächste Generation von Proofpoint Nexus an, die genau diese Frage beantworten soll: das Nexus-Modell für absichtsbasierte Erkennungen und Schutz für privilegierte Anwender. Die erste Neuerung wendet die absichtsbasierte Logik auf jede Nachricht an jedem Kontrollpunkt an. Die zweite Neuerung konzentriert sich auf Personen, die extrem individualisierten Angriffen ausgesetzt sind.
Das Nexus-Modell für absichtsbasierte Erkennungen
Das Nexus-Modell für absichtsbasierte Erkennungen geht über das Verhalten hinaus und analysiert stattdessen die Absicht: das Ziel, das mit einer Nachricht erreicht werden soll, ob der Kontext dieses Ziel plausibel macht und welche Technik für dieses Ziel angewendet wird. Durch diese Kombination werden betrügerische Anfragen, die nicht zur Beziehung passen, Angreifer, die sich durch ihre Technik verraten, und Insider erkannt, die zwar einen gültigen Zugriff, aber kein valides Ziel haben.
Die Analyse arbeitet direkt im Datenstrom, vor und nach der Zustellung, an jedem Kontrollpunkt. Damit liefert Proofpoint als erster Anbieter eine kombinierte Absichts- und Verhaltensanalyse sowohl für das Gateway als auch für APIs. Durch das nahtlose Zusammenspiel dieser beiden Lösungen werden Erkenntnisse direkt ausgetauscht und Erkennungsmechanismen im Tandem angepasst. So werden selbst scheinbar harmlose Nachrichten entlarvt, deren wahres Ziel andernfalls unerkannt geblieben wäre.
Mehrstufige Absichtsanalysen in der passenden Geschwindigkeit für jede Entscheidung
Verhaltensbezogenen Modelle stellen eine Frage: Ist etwas anders als normal? Bei Angriffen, die exakt dem Muster des Absenders entsprechen, funktioniert dies nicht. Es kommt zu False Positives bei allen neuen Aspekten, weil einfach die Vergleichsbasis fehlt. Das adaptive KI-Modul von Nexus wertet die Absicht auf drei Ebenen aus und geht dabei immer weiter in die Tiefe. Jede dieser Ebenen ist darauf ausgelegt, den Anteil der autonom zu lösenden Probleme zu erhöhen, ohne auf einen Menschen warten zu müssen:
- Flash (unter 500 Millisekunden) führt eine schnelle Plausibilitätsprüfung des Geschäftskontexts durch, gleicht ihn mit bekannten Angreiferinfrastrukturen und Techniksignaturen ab und prüft das Risikoprofil des Anwenders. Fälle mit hoher Konfidenz werden sofort und direkt gelöst.
- Extended Thinking (bis zu einigen Minuten, innerhalb einer Isolationszone) erfasst das 1 % der Nachrichten, die nicht in Echtzeit mit ausreichend hoher Konfidenz überführt werden können, aber verdächtig genug sind, um eine genauere Überprüfung außerhalb des Posteingangs zu rechtfertigen. Diese Ebene sieht sich den Beziehungs- und Kommunikationsverlauf an, um die geschäftliche Plausibilität zu bewerten, nimmt eine Korrelation mit umfassenderen Bedrohungsdaten vor, um Kampagnenmuster zu erkennen, und berücksichtigt den Verhaltenskontext, um Insider-Risiken einzuschätzen, die bei einer Kurzbewertung nicht zuverlässig beurteilt werden können.
- Deep Thinking (ausgelöst durch gemeldete oder verpasste E-Mails nach der Zustellung) rekonstruiert die gesamte Interaktion einschließlich des Kommunikationsverlaufs, des möglichen Ausmaßes der Schäden und der zugehörigen Konten, um die Absicht hinter der Nachricht ultimativ zu bestimmen.
Die Ebenen lernen voneinander. Bei allen Auffälligkeiten, die eine tiefere Ebene aufdeckt, wird die Frage gestellt: Hätte es früher entdeckt werden können? Falls ja, passen sich die schnelleren Ebenen entsprechend an. Durch den gleichzeitigen Betrieb von Gateway und API wird dieser Lernprozess bidirektional. Das Gateway bewertet die Absicht vor der Zustellung, während die API den Posteingang und den internen Datenverkehr auf Ereignisse überwacht, die durchgekommen sind und sich lateral ausbreiten. Was dabei ans Licht kommt, wird in der Untersuchung aufgelöst und fließt dann zurück, um die Prozesse vor der Zustellung zu optimieren – ein Kreis, den kein reiner API- oder Gateway-Anbieter allein schließen kann.
Betrachtung des Problems aus mehreren Perspektiven
Wenn die absichtsbezogenen Modelle anschlagen, endet die Betrachtung nicht bei dieser einen Nachricht. Sie wird automatisch mit Informationen aus fünf verschiedenen Perspektiven angereichert, um eine Frage zu beantworten, die keine einzelne Erkennung beantworten kann: Auf wen trifft dies noch zu?
- Einzelperson: Hier werden zur Prüfung die persönlichen Beziehungen und die jeweilige Historie herangezogen – genau der Grad an Präzision, den ein extrem zielgerichteter oder personalisierter Angriff erfordert.
- Unternehmen: Hier werden zum Vergleich Verhaltensmuster des jeweiligen Unternehmens herangezogen: wer mit wem und worüber spricht.
- Branche: Hier werden zum Vergleich Unternehmen aus derselben Branche herangezogen, bei denen gemeinsame Vorschriften, Workflows und Anbieter bestimmte Techniken innerhalb einer Peer-Gruppe viel besser als auf globaler Ebene erkennen lassen. Eine Kampagne, die sich gegen Regionalbanken richtet, kann im weltweiten Datenverkehr unauffällig sein, im Vergleich mit anderen Regionalbanken aber deutlich herausstechen.
Andere Anbieter können eventuell ein globales Modell anreichern. Ohne Community aus zahlreichen Mandanten gibt es keine Branchen-, Unternehmens- oder Einzelpersonenperspektive zum Anreichern von Informationen und keine Möglichkeit, einem Anwender mit hohem Risiko den individuellen Schutz zu bieten, den sein Gefährdungspotenzial erfordert.
Ein Wissensgraph aus der breitesten Signalbasis der Branche
Aus unserem Behavior Graph wird nun der Proofpoint Knowledge Graph. Dafür haben wir die Profilerstellung von der Domain-Ebene auf die Gruppen und Einzelanwender ausgedehnt sowie eine Themen- und Tonfallmodellierung hinzugefügt, die neue Erkenntnisse direkt an das Gateway weiterleitet. Er geht über die Sicherheit der Zusammenarbeit hinaus und bezieht die gesamte Plattform ein, indem er Anwenderrisiko-, Datensicherheits- und KI-Sicherheitssignale berücksichtigt, um Fragen zu beantworten, die kein E-Mail-Sicherheitsprodukt allein beantworten kann: Handelt es sich bei dieser Person tatsächlich um ein Insider-Risiko und auf welche Daten kann sie zugreifen? Eine routinemäßig aussehende Nachricht erfordert eine ganz andere Entscheidung, wenn das System weiß, dass der Empfänger zu einer hohen Risikostufe gehört und Zugang zu geschäftskritischen Daten hat. Genau bei diesen Anwendern kann ein unverhältnismäßig großer Anteil des tatsächlichen Schadens entstehen.
Eine Community, die Bedrohungen frühzeitig erkennt und überall stoppt
Wir nennen dies den Community Hyperloop: Das Netzwerk von Proofpoint umfasst 3,4 Millionen Kundinnen und Kunden und verarbeitet jährlich 2,37 Billionen Nachrichten über mehr als 13.000 Sensoren zur Eindringungserkennung in 105 Ländern. Da die meisten großen Unternehmen E-Mails an unsere Kundschaft senden, beobachten wir auch Kompromittierungen von Unternehmen, die gar nicht zu unserer Kundschaft zählen, einschließlich Ihrer Lieferanten. Kein anderer Sicherheitsanbieter kann diesen Blickwinkel kopieren. Bei jeder Erkennung, jeder Untersuchung und jeder gemeldeten Schadnachricht wird geprüft, ob alle geschützt sind, und die Antwort innerhalb von Minuten statt Tagen an das gesamte Netzwerk verteilt. Dadurch wird die Erkennung besser, ohne dass die Kundschaft etwas konfigurieren, optimieren oder warten muss.
Das adaptive KI-Modul von Nexus ist in der bestehenden Lizenz von Proofpoint-E-Mail-Sicherheitslösungen enthalten. Sie wird ab dem 1. Quartal 2027 bereitgestellt, mit wenigen Ausnahmen für Kundschaft mit besonderen Anforderungen an den Datenspeicherort.
Der neue Schutz für privilegierte Anwender
Hochkarätige Ziele sind einer anderen Art von Angriff ausgesetzt: präzise genug personalisiert, um Entdeckungsmechanismen zu umgehen, und so konzipiert, dass er sich niemals wiederholt. Dadurch fehlt Modellen auf Populationsebene jegliches Muster, aus dem sie lernen könnten. Der Versuch, die Identität eines bestimmten CFOs vorzutäuschen, gleicht keinem anderen Ereignis im weltweiten E-Mail-Verkehr. Er fällt erst auf, wenn man die spezielle Beziehung so genau analysiert, dass man erkennt: Hier passt etwas nicht zusammen.
Genau dafür wurde der Schutz für privilegierte Anwender entwickelt. Diese neue Funktion erstellt für alle Hochrisiko-Anwender ein individuelles Bedrohungsmodell, das auf ihren tatsächlichen Beziehungen, Workflows und Kommunikationsmustern basiert, anstatt sie mit einer Population zu vergleichen. Sie erkennt personalisierte, multimodale Angriffe, die herkömmliche Erkennungsmethoden übersehen, da sie so konzipiert wurden, dass sie herkömmlichen Erkennungsmethoden verborgen bleiben. Darüber erkennt die Funktion nicht nur E-Mail-Betrug, indem sie unerwünschte Kommunikation blockiert, die auf bestimmte Personen abzielt. Dafür werden Text-, Sprach-, Video- und Bild-Elemente gleichzeitig analysiert.
Der neue Agent für Bedrohungsuntersuchungen
Der Proofpoint Satori Investigation Agent kann automatisch ausgelöst werden, wenn etwas genauer untersucht werden muss. Er analysiert Telemetriedaten von Proofpoint und Daten von Drittanbietern, z. B. von Identitätsverwaltungs-, Endpunkt-, Browser-, SIEM-, Webproxy- und anderen mit MCP verbundenen Tools, um den Angriff zu rekonstruieren, den zeitlichen Ablauf und das Ausmaß der Schäden zu bestimmen und eine Reaktion zu empfehlen oder auszuführen. Anstelle einer Reihe von Warnmeldungen, die die Analysten selbst korrelieren müssen, erhalten sie eine fertige Untersuchung. Jede Untersuchung fließt auch in einen geschlossenen Prozess ein: Mit allen Lernergebnissen aus False Positives, False Negatives oder den eigenen Einreichungen von Kunden wird die Erkennungslogik aktualisiert, sodass dieselbe Bedrohung wahrscheinlich seltener übersehen wird.
Der Proofpoint Satori Investigation Agent handelt bereits während der Untersuchung. Er dämmt geringere Risiken ein, ruft bereits vom kompromittierten Konto gesendete Phishing-Nachrichten ab, entfernt zugestellte Nachrichten, die noch im Posteingang liegen, löscht die Postfachregel des Angreifers und fügt die schädliche URL einer Sperrliste hinzu – alles automatisch. Aktionen mit höherem Risiko (z. B. das Zurücksetzen von Anmeldedaten, das Widerrufen von Sessions, das Hinzufügen des Kontos zu einer Überwachungsliste, das Zuweisen von spezifischen Schulungen und verschärfte Prüfungen für ausgehende E-Mails) werden zur Genehmigung per Klick in einer Warteschlange platziert, sodass bei Entscheidungen, die eine Prüfung erfordern, immer ein Mensch eingebunden bleibt.
Es ist dieselbe absichtsbasierte Logik, nur umgekehrt: Anstatt zu fragen, ob eine Nachricht zugestellt werden soll, stellt der Proofpoint Satori Investigation Agent fest, was Angreifer, die durchgekommen sind, tatsächlich getan haben, und speist diese Erkenntnisse zurück in das Erkennungsmodell, das nach dem nächsten Angriff Ausschau hält.
Ein anderes Maß für den Erfolg
Seit Jahren wird die Erkennung anhand von False Positives und False Negatives bewertet. Dieser Maßstab eignet sich mehr für ein System, das die Lücke zwischen dem schließen soll, was Angreifer heute tun können, und dem, was Sicherheitsverantwortliche tatsächlich sehen können. Die heute wichtigen Maßnahmen lassen sich einfacher formulieren: Wie viel wird autonom gelöst? Wie schnell wird eine irgendwo entdeckte Bedrohung überall zum Schutz? Wie viel der Angriffsfläche kann das System sowohl in E-Mails als auch im Browser erfassen? Und erhalten die Anwender, die einen unverhältnismäßig hohen Anteil des Risikos tragen, auch einen unverhältnismäßig hohen Anteil des Schutzes?
Verhaltensbasierte und absichtsbasierte Erkennung sind keine konkurrierenden Ansätze, doch nur einer von ihnen ist den Angriffen gewachsen, die die heutige Zeit prägen. Das Konto ist echt. Das Verhalten ist normal. Die Absicht ist es nicht. Das ist die einzige Gemeinsamkeit bei allen diesen Angriffen – ob es um eine betrügerische Überweisungsaufforderung in einem vertrauten Thread oder um ein Skript geht, das unbemerkt Anmeldedaten aus einer Browser-Session abschöpft. Proofpoint entwickelt eine KI, die Absichten erkennt, wo es drauf ankommt: am Gateway, im Posteingang und jetzt – für die Anwender, die es am dringendsten brauchen – auf Einzelpersonen-Ebene.
Wollen Sie sehen, wie viel davon bereits durch ihre eigenen Abwehrlinien dringt? Vereinbaren Sie eine kostenlose Risikoanalyse für E-Mail-Sicherheit und erfahren Sie, was Ihre aktuellen Sicherheitsmaßnahmen weiterhin übersehen.