Di AINNA, kami melihat sistem pengesanan anomali tradisional semakin terbeban oleh jumlah peristiwa harian yang dihasilkan dalam persekitaran rantaian bekalan moden. Setiap pendaftaran SKU, percubaan log masuk, permintaan API, pertanyaan DNS dan peristiwa aplikasi gudang mungkin memerlukan pemeriksaan. Apabila penerimaan AI meningkat, sesetengah sistem cuba menghantar hampir setiap peristiwa keselamatan logistik terus ke LLM untuk analisis. Walaupun ini kelihatan canggih, ia menimbulkan cabaran operasi yang ketara, termasuk penggunaan token berlebihan, beban kerja GPU yang lebih tinggi, kos infrastruktur meningkat, masa tindak balas melambat dan pendedahan data keselamatan serta maklumat penghantaran yang sensitif kepada pembekal AI luar.
Sistem Terpisah menawarkan pendekatan yang lebih cekap dengan memisahkan kerja-kerja logistik yang berketentuan daripada penaakulan AI. Berbanding bergantung kepada LLM untuk memeriksa setiap peristiwa, majoriti aktiviti rantaian bekalan diproses menggunakan kaedah pengkomputeran konvensional seperti penguraian rekod pergerakan, padanan tandatangan, pengesahan protokol, pengesahan senarai putih dan senarai hitam, analisis kadar, ambang anomali dan peraturan korelasi yang telah ditetapkan. Tugas-tugas ini boleh dilaksanakan dengan pantas, konsisten dan pada skala besar tanpa inferens AI yang berterusan.
Dalam senibina ini, Smart Routing menentukan cara setiap peristiwa diproses. Aliran peristiwa normal dan yang mudah dikenal pasti kekal dalam Sistem Terpisah, manakala peristiwa yang mencurigakan, tidak dikenali atau sangat kompleks dinaik taraf kepada LLM tempatan, AI berasaskan awan atau penganalisis operasi logistik manusia. Ini memastikan AI canggih hanya digunakan apabila kecerdasan lanjut benar-benar diperlukan.
Kebaikan utama pendekatan ini ialah AI menjadi lapisan eskalasi dan bukan enjin pengesanan utama. Sistem Terpisah mengendalikan pengesanan berulang, berketentuan dan berjumlah tinggi, manakala AI memberi tumpuan kepada kes-kes kompleks seperti serangan siber berbilang peringkat, pola tingkah laku pemandu atau staf gudang yang tidak biasa, petunjuk ancaman sifar-hari yang berkaitan peralatan atau laluan, ancaman dalaman, korelasi merentas sistem, dan penjanaan laporan keselamatan logistik dalam bahasa semula jadi.
Dengan menggabungkan sistem pengesanan anomali dengan Sistem Terpisah, organisasi boleh mengurangkan penggunaan token, menurunkan permintaan GPU, memperbaiki masa tindak balas dan mengekalkan kos operasi yang lebih boleh diramal. Data keselamatan logistik yang sensitif juga boleh kekal dalam infrastruktur tempatan yang terkawal, sekaligus mengukuhkan privasi, keselamatan siber, pematuhan peraturan dan kedaulatan data.
Dari pengalaman kami di AINNA, masa depan keselamatan perusahaan dalam konteks logistik bukanlah menggantikan sistem keselamatan siber konvensional dengan AI. Sebaliknya, ia melibatkan integrasi Sistem Terpisah, Smart Routing, LLM tempatan, AI awan dan semakan manusia ke dalam satu senibina keselamatan yang koordinasi. Pendekatan ini membolehkan kami memperkembangkan operasi keselamatan secara cekap sambil menggunakan AI hanya di mana ia memberikan nilai operasi yang boleh diukur.
Ruang pembaca
Apa pendapat anda?
Komen disemak sebelum diterbitkan. Email diperlukan untuk moderasi dan tidak dipaparkan kepada pembaca.
इस विषय से सहमत हूँ और दिशा साफ़ है।
Clearer than the vendor decks I get about majoriti aktiviti rantaian bekalan diproses.
Tugas-tugas ini boleh dilaksanakan dengan - sums the whole thing up.
First piece that handles sistem terpisah menawarkan pendekatan yang honestly.
The framing around pengesahan senarai putih dan senarai is better than I expected.
Good write-up. Berbanding bergantung kepada LLM untuk alone was worth the read.
ส่วนหัวข้อนี้คือสิ่งที่ผมจะส่งให้หัวหน้า
Honestly, konsisten dan pada skala besar surprised me.