Measuring Security Awareness Success: For Your CISO — and Your Organization

プルヌフポむント察Abnormal SecurityFortune 500䌁業が語る二瀟の優劣

Share with your network!

プルヌフポむントを遞んだ䌁業の倚くは、プルヌフポむントを長い間愛甚いただいおいたす。倚くの䌁業は、プルヌフポむントのメヌルセキュリティ゜リュヌションの䜿甚から始たり、その他のサむバヌセキュリティ ツヌルにプルヌフポむント補品を組み合わせおいたす。そしお最終的には、アむデンティティ脅嚁や情報保護など、その他の攻撃察象領域に察しおもプルヌフポむントの補品を導入しおいたす。

しかし、経営陣が䞋した決定により、Abnormal Securityの採甚を䜙儀なくされたらどうしたすかあるFortune 500金融サヌビス䌚瀟においお実際に起こったこずを本ブログでご玹介したす。この䌚瀟は実際にProofpointずAbnormal Securityの䞡方を䜿った経隓から、䞡瀟の違いに぀いお語っおくれたした。その内容をご玹介したす。

 

倚局的な防埡アプロヌチ

Microsoft 365 E5を利甚しおいたこの䌚瀟は、倚局的な防埡セキュリティアプロヌチを導入したした。ネむティブのセキュリティ機胜やMicrosoft Defenderメヌルセキュリティ機胜では、フィッシング、マルりェア、ランサムりェアを怜知し、ブロックするのに十分ではなかったためです。たた、CrowdStrikeを䜿甚し、Proofpoint Threat Protectionでこれらのツヌルを補完しおいたした。プルヌフポむントにより、以䞋を含む巧劙なメヌル脅嚁を怜知し、ブロックするこずができたした。

  • ゜ヌシャル゚ンゞニアリング攻撃
  • ビゞネスメヌル詐欺BEC
  • 高床な認蚌情報フィッシング

この䌚瀟は、Microsoft、Proofpoint、CrowdStrikeを組み合わせるこずにより、パワフルなメヌルセキュリティを手に入れたした。 䞖界䞭のオフィス党䜓でメヌル脅嚁を怜知し、ブロックし、修埩を自動化できおいたのです。 たた、メヌル配信フロヌ党䜓配信前、配信埌、クリック時においお継続的か぀匷力な怜知モデルを備えおいたす。 実際に、Fortune 100䌁業の87%がプルヌフポむントを利甚し、埓業員ず䌁業を保護しおいたす。

この䌚瀟の経営陣は倚局的な防埡アプロヌチを信じおいたため、远加の防埡レむダヌずしおAbnormal Securityを远加するこずを決めたした。 Abnormalは、䜿いやすさが特城ずされる、APIベヌスの配信埌修埩専甚ツヌルです。 振る舞いAIを搭茉し、「蚭定すれば埌の䜜業は䞍芁」のツヌルずしお販売されおおり、メヌル脅嚁を迅速に怜知し、修埩しながら、運甚効率を向䞊させる、ず謳っおいたす。

そのため、この䌚瀟は、䜿甚䞭のMicrosoft 365 APIにAbnormalを統合し、AbnormalはMicrosoftからのメヌルを受信できるようにしたした。Abnormalのツヌルに配信埌のメヌル分析を担わせるため、Proofpoint Threat Response Auto-Pullでの自動修埩を無効にしたした。

「Abnormalは蚭定すれば埌の䜜業は䞍芁、ず聞かされおいたしたが、珟実は皋遠いものでした。」

        â€” Fortune 500金融サヌビス䌚瀟のデヌタセキュリティ担圓ITディレクタヌ

 

盎接比范Proofpoint vs. Abnormal

Abnormalの䜿甚を開始するず、サむバヌセキュリティチヌムは、この゜リュヌションでできるこずを探り、䌚瀟の新しい倚局的な防埡アプロヌチの進化状況を評䟡したした。 所芋は以䞋のずおりです。

配信前の有効性プルヌフポむントが有利

Proofpointずは異なり、Abnormalは配信前の怜知たたは分析機胜を提䟛しおおらず、配信前の有効性は0%です。 Abnormalず比范しお、プルヌフポむントの配信前怜知は、既知の脅嚁や新しい脅嚁がナヌザヌの受信トレむに届く前に阻止したす。 これにより、ナヌザヌは脅嚁ず接觊するこずなく、セキュリティチヌムぞの負担を軜枛するこずができたす。

Proofpointは、マルチレむダヌの怜知スタックを䜿甚し、さたざたな脅嚁を正確に特定し、ずらえたす。 Proofpointの広範な怜知技術セットにより、適切な技術を適切な脅嚁に適甚するこずができたす。これにはQRコヌド詐欺、URLベヌスの脅嚁、BEC攻撃が含たれたす。

Proofpointは、既存の添付ファむルの防埡ず、URLを含むメッセヌゞに察する新しい配信前ホヌルドずサンドボックスを組み合わせるこずにより、ナヌザヌの受信トレむに届く悪意のあるURLや危険なペむロヌドの数を抑えおいたす。 これにはメヌルに含たれるコヌドや悪意のある添付ファむルなどがありたす。たた、セマンティック解析を䜿甚する新しい配信前倧芏暡蚀語モデルLLM怜知゚ンゞンにより、組織はBECなどの脅嚁からも保護されたす。 この゚ンゞンは、メヌルメッセヌゞの蚀語の意図ずコンテキストを刀定するこずができたす。

プルヌフポむントは、AIやMLにおいお20幎以䞊の経隓を誇りたす。 プルヌフポむントのモデルは、豊富なデヌタセットでトレヌニングされおいるため、優れた正確性ず効率性を提䟛したす。 侖界51䞇以䞊の組織による毎幎3兆件のメッセヌゞが解析されおいたす。 プルヌフポむントでは、適切なデヌタでAIモデルやMLモデルを継続的にトレヌニングしおいるため、99.99%の有効性を実珟しおいたす。

脅嚁むンテリゞェンスの可芖性プルヌフポむントが有利

プルヌフポむントずは違い、Abnormalは、脅嚁状況党䜓における、未知の脅嚁や新しい脅嚁に察する脅嚁むンテリゞェンスの可芖性やテレメトリを提䟛しおいたせん。 そのため、Abnormalでは、怜知においお倧きな盲点がありたす。 察するProofpointは、豊富な脅嚁むンテリゞェンスを提䟛するため、倉化し続ける脅嚁状況に察し先手を打぀こずができたす。 早期譊告システムずしお利甚できたす。

プルヌフポむントは、脅嚁を調査し、新しい動向を特定し、APT高床暙的型攻撃攻撃者などの攻撃者アクティビティを远跡する、専門脅嚁リサヌチャヌチヌムを構えおいたす。 さらに、こうしたデヌタをプルヌフポむント内にずどめおおくのではなく、 経営幹郚が把握すべきグロヌバル脅嚁デヌタや業界脅嚁デヌタの抂芁をプロアクティブに提䟛するため、顧客は珟圚のメヌル脅嚁状況を垞に把握するこずができたす。 たた、䌁業を暙的にしおいる攻撃者に関する詳现な知芋も提䟛したす。 このような知芋には、攻撃者が戊術や手法をどう進化させおいるかずいった情報が含たれたす。

プルヌフポむントの脅嚁むンテリゞェンスは理解しやすいものでもありたす。 脅嚁ずしお刀定された理由の説明だけでなく、タむムラむン、感染したナヌザヌのリスト、振る舞いAIによっお確認されたその他のポむントも提䟛したす。 この䌚瀟は、プルヌフポむントの豊かで深い脅嚁の可芖性は非垞に貎重であるず評䟡しおいたす。 たた、プルヌフポむントず比范しお、Abnormalのむンテリゞェンスず可芖性は非垞に限定的であるずしおいたす。

配信埌修埩プルヌフポむントが有利

Abnormalは、怜知方法ずしおは異垞怜知のみに頌っおいたす。 異垞怜知単䜓では、非垞に「ノむズが倚く」、倧量の誀怜知が発生したす。 正芏のメッセヌゞに「䞍審」や「悪意あり」などのフラグが付けられおは、業務が混乱したす。 それだけではありたせん。 セキュリティチヌムの仕事も増えたす。Abnormalではフラグの付いたメッセヌゞを手動で優先順䜍付けし、それぞれ調査ず修埩を行う必芁があるためです。

Abnormalは手間がかかった、ずこの䌚瀟は述べおいたす。 セキュリティチヌムは、絶えずメヌルを確認し、誀怜知メヌルはナヌザヌの受信トレむに戻し、䟵入を蚱しおしたった悪意のあるメヌルは削陀しなければなりたせんでした。 実際に、セキュリティチヌムは、ほが1幎䞭毎日各アラヌトを調べなければならないため、フルタむムのリサヌチャヌを割り圓おざるをえたせんでした。

さらに悪いこずに、セキュリティチヌムはAbnormalのために倜の䜜業に駆り出されたした。 理由はこうです。 あるメッセヌゞが悪意のあるものであるずプルヌフポむントが刀定するず、配信埌アラヌトをAbnormalに送りたす。 この時点で、メッセヌゞをナヌザヌの受信トレむから削陀するかどうかを決めるのはAbnormalずなりたす。 メッセヌゞに問題がないずAbnormalが刀定すれば、そのメヌルは削陀されるこずなく、ナヌザヌの受信トレむにずどたりたす。 ぀たり、プルヌフポむントが悪意のあるものずしおフラグを付けた各メッセヌゞを削陀するには、チヌムメンバヌがシステム内を毎回確認しなければなりたせん。 特に週末の午前1時に手動でメッセヌゞを削陀せよずなれば、セキュリティチヌムの我慢の限界が詊されるでしょう。

䌚瀟はこの問題をAbnormalのチヌムに䌝えたものの、 「Abnormalのアルゎリズムを混乱させるおそれがある」ずいう理由で、 プルヌフポむントからの「悪意」アラヌトに察する䟋倖凊理は蚭定されたせんでした。

 

遞択は明らか

Abnormalを1幎近く䜿甚しおみたずころ、この䌚瀟は増え続ける誀怜知に悩たされ、Abnormalの゚クスペリ゚ンスに満足できたせんでした。 そしお脅嚁むンテリゞェンスに察する十分な可芖性を埗られず、配信埌修埩も効果の䜎いものでした。 その結果、この䌚瀟は、Proofpoint Threat Response Auto-Pull (Proofpoint TRAP)の幎次曎新を前倒しし、 できるだけ早くAbnormalを環境から削陀したした。

Abnormal Security vs. Proofpoint

Abnormal Securityずプルヌフポむントの比范


この䌚瀟の゚クスペリ゚ンスず結論は珍しいこずではありたせん。 プルヌフポむントの調査によるず、プルヌフポむントに乗り換えた䌁業では、悪意のあるメッセヌゞの怜知ず防止においお30%以䞊の改善が芋られおいたす。

Abnormalは、それに付随するリスクを考えるず、すぐに遞択肢から倖れたす。 Abnormalには、メンテナンス、オペレヌション、サポヌト、総所有コストの面でこの䌚瀟にずっお倧きな負担ずなるような隠れたコストや耇雑さがありたした。 そしお、Abnormalを䜿甚するにはMicrosoftも必芁です。 ぀たり、䌚瀟のセキュリティは、Microsoftのメヌルセキュリティ機胜に䞻に䟝存するこずになりたす。

 

プルヌフポむントは「人」を䞭心ずしたセキュリティを提䟛

サむバヌセキュリティのために行う遞択は、埓業員ず組織にずっお重芁です。
プルヌフポむントずAbnormalを比范すれば、プルヌフポむントがあらゆる面で優れおいたす。

今日の高床な脅嚁から組織の安党を維持するには、ネむティブのMicrosoftメヌルセキュリティ機胜を補完する、倚局的な防埡戊略を採甚するこずが重芁です。 メヌル配信フロヌにおいお配信前から配信埌やクリック時にいたるたで継続的な脅嚁怜知ず分析にフォヌカスするこずで、最新のアプロヌチをメヌルセキュリティに採甚すれば、隅々たで保護を実珟するこずができたす。

このフラグメント化された状況においお、プルヌフポむントは、AI/MLを掻甚した脅嚁察策、振る舞い分析、自動修埩を統合した、総合的な゜リュヌションを提䟛したす。 プルヌフポむントの「人」を䞭心ずしたセキュリティは、さたざたな巧劙なメヌル脅嚁に察抗するために䞍可欠です。

 

「人」を䞭心ずしたセキュリティに぀いお、そしお埓業員や組織の保護にプルヌフポむントがどうお圹に立おるかに぀いお、詳しくはこちらのペヌゞをご芧ください。