Megtaláljuk a biztonsági hibákat, és ki is javítjuk őket.

Egy gyártóhely a NIS2 hatálya alá esett úgy, hogy a termelési rendszerek és a vállalati IT ugyanazon a hálózaton osztozott. A megfelelésért való felelősség szét volt osztva az IT, a tengerentúli InfoSec, az EHS, a HR és a gyártás között, külsős megfelelési partnerek bevonásával, és nem volt egyetlen technikai stratégia, ami összefogta volna.

• Meghatározta és végrehajtotta a telephelyi kiberbiztonsági stratégiát a NIS2 követelményei mentén
• Hálózatszegmentálást, Zero Trust architektúrát és sérülékenységkezelést vezetett be OT/IT konvergens rendszereken
• Kereszt-funkcionális biztonsági governance-t vitt öt osztályon át, beleértve a beszállítói és harmadik feles kockázatkezelést
• Egyeztette a biztonságos hálózati architektúrát a távközlési szolgáltatóval, és kezelte a külsős megfelelési partnereket
• ICS/SCADA-közeli rendszereken azonosított és javított sérülékenységeket Wireshark és Nmap használatával, csökkentve a támadási felületet

Egy országos távközlési szolgáltató egyszerre öt SIEM- és logplatformon csinál biztonsági operációt, plusz egy házon belül fejlesztett platformon. Szolgáltatói volumennél nem az eszköz a nehéz kérdés, hanem a detekció minősége, a naplók integritása, és az a kézi munka, amivel mindkettő helyes marad.

• Több gyártós stacket üzemeltet és hangol: Splunk, Microsoft Sentinel, Wazuh, Elastic/ELK és IBM QRadar
• Detekciós riasztásokat ír és hangol KQL-ben és SPL-ben, a MITRE ATT&CK keretrendszerhez igazítva
• Log-továbbító pipeline-okat (syslog-ng, nxlog) és LDAP/Active Directory hitelesítést hibakeres vállalati Linux és Docker környezetben
• Belső biztonsági automatizálást épít Pythonban és Bashben, Ansible-lel konfigurációkezelésre és runbook-automatizálásra
• AI-támogatott loganalízist alkalmaz a naplók minőségére és átbocsátására, ami az anomália- és fenyegetésdetektálást táplálja

Éles AI-ügynökök dolgoztak fel önéletrajzokat, jelölti adatokat és pénzügyi dokumentumokat, vagyis érzékeny személyes és pénzügyi adat áramlott át LLM-infrastruktúrán, nagy mennyiségben. A biztonsági kérdések nem elméletiek voltak: prompt injection, adatszivárgás, és hogy ki mit kérdezhet le.

• Vektoros keresési pipeline-okat épített 10 000+ dokumentumon, adatminimalizálással és hozzáférés-kezeléssel a bizalmas iratokra
• Bemenet-validációt és -tisztítást vezetett be a prompt injection és az adatszivárgás kockázatának csökkentésére
• Megerősített LLM inference backendeket (FastAPI/Uvicorn) állított üzembe Dockerben, GitHub Actions CI/CD-vel, GCP-n
• API-hitelesítést és secrets managementet állított be az inference-réteghez
• Végponttól végpontig automatizálta a dokumentumfeldolgozást NER-rel és entitás-összekapcsolással PDF, DOCX, kép és CSV bemeneteken