Month: March 2026

Pemerintah Australia memiliki kerangka kerja keamanan yang disebut Protective Security Policy Framework (PSPF). Kerangka ini berisi persyaratan wajib bagi instansi pemerintah untuk melindungi orang, informasi, dan aset yang mereka miliki. Di era digital seperti sekarang, banyak sistem pemerintah sudah berbasis online dan terhubung ke berbagai jaringan. Pertanyaannya, bagaimana cara memenuhi standar keamanan PSPF di tengah lingkungan kerja yang semakin kompleks? Salah satu jawabannya adalah menggunakan behavioural analytics (analitik perilaku). Behavioural analytics dirancang untuk lingkungan kerja modern yang bersifat hybrid—artinya melibatkan manusia dan sistem otomatis seperti AI. Teknologi ini mempelajari pola perilaku normal setiap entitas di dalam jaringan, baik pengguna manusia maupun sistem otomatis. Setelah memahami pola normal tersebut, sistem akan mendeteksi jika ada penyimpangan yang mencurigakan, bahkan yang mungkin tidak terdeteksi oleh alat keamanan tradisional. Dari Risiko Manusia ke Risiko Hybrid Ancaman keamanan kini tidak hanya datang dari peretas luar. Laporan terbaru dari Exabeam berjudul From Human to Hybrid 2025 menunjukkan bahwa fokus ancaman kini bergeser ke dalam organisasi. Istilah From Human to Hybrid menggambarkan perubahan ini. Ancaman tidak lagi hanya berasal dari karyawan yang berniat jahat atau lalai, tetapi juga dari AI agent yang bekerja secara otomatis di dalam jaringan. Jika AI tersebut diretas atau disalahgunakan, ia bisa bertindak seperti “orang dalam” yang canggih—mengakses data, mengubah sistem, dan menyembunyikan jejak dengan cepat dan dalam skala besar. Beberapa temuan penting dari laporan tersebut: 64% profesional keamanan siber percaya bahwa ancaman dari orang dalam (termasuk AI agent) lebih berbahaya dibandingkan serangan dari luar. 53% organisasi melaporkan peningkatan ancaman orang dalam dalam setahun terakhir. 54% memperkirakan ancaman tersebut akan semakin meningkat dalam 12 bulan ke depan. Di Australia, 84% profesional keamanan memprediksi risiko orang dalam akan meningkat tahun depan. Data ini menunjukkan bahwa instansi pemerintah perlu menggunakan alat yang dirancang khusus untuk menghadapi ancaman internal yang semakin kompleks. Memperkuat Tata Kelola dan Manajemen Risiko PSPF mewajibkan instansi pemerintah untuk mengelola risiko keamanan secara aktif dan membangun budaya keamanan yang positif. Behavioural analytics membantu mencapai hal ini melalui: 1. Identifikasi ancaman secara proaktif Sistem memantau aktivitas manusia dan AI secara terus-menerus. Jika ada pola yang tidak biasa, sistem akan memberikan peringatan lebih awal sebelum masalah menjadi besar. 2. Visibilitas menyeluruh Teknologi ini memberikan gambaran jelas tentang perilaku normal dan tidak normal dari setiap pengguna atau sistem. Hal ini sangat penting di lingkungan kerja hybrid. 3. Mengurangi kelelahan akibat alert berlebihan Tidak semua anomali adalah ancaman. Behavioural analytics mampu membedakan aktivitas yang masih wajar dengan yang benar-benar berbahaya, sehingga tim keamanan bisa fokus pada risiko yang paling penting. Meningkatkan Keamanan Personel dan Entitas Digital PSPF sangat menekankan keamanan personel, artinya instansi harus mengurangi risiko dari orang dalam yang dipercaya. Behavioural analytics memperluas perlindungan ini tidak hanya untuk manusia, tetapi juga untuk entitas digital seperti akun sistem dan AI agent. Laporan From Human to Hybrid menunjukkan bahwa meskipun 88% organisasi sudah memiliki program untuk menangani ancaman orang dalam, hanya 44% yang menggunakan behavioural analytics—padahal ini adalah kemampuan dasar untuk mendeteksi ancaman di lingkungan hybrid. Behavioural analytics membantu dengan cara: 1. Mendeteksi ancaman dari karyawan Sistem menganalisis pola perilaku jangka panjang. Misalnya, jika seorang pegawai tiba-tiba mengakses data sensitif di luar jam kerja atau di luar tugasnya, sistem akan menandainya sebagai anomali. 2. Mendeteksi akun yang diretas atau AI agent yang menyimpang Sebanyak 93% profesional keamanan menyatakan bahwa AI meningkatkan risiko ancaman orang dalam. Behavioural analytics dapat mengenali jika sebuah akun atau AI agent menunjukkan perilaku yang berbeda dari biasanya, misalnya mengakses sistem yang belum pernah digunakan sebelumnya. Dengan membuat “baseline” atau standar perilaku normal, sistem bisa mendeteksi ketika ada pembajakan akun atau aktivitas berbahaya. Melindungi Informasi dan Aset Fisik Behavioural analytics juga membantu memenuhi persyaratan tata kelola PSPF dalam melindungi informasi dan fasilitas fisik. Keamanan informasi Sistem mendeteksi pola akses yang tidak biasa terhadap data sensitif, baik dilakukan oleh manusia maupun AI. Hal ini membantu menjaga kerahasiaan, integritas, dan ketersediaan informasi. Keamanan fisik Teknologi ini bisa diintegrasikan dengan sistem kontrol akses gedung. Misalnya, jika kartu akses seseorang digunakan untuk masuk ke gedung aman di Canberra, tetapi pada saat yang sama akunnya login dari luar negeri, sistem akan mendeteksi kejanggalan tersebut. Memenuhi Mandat PSPF dengan Behavioural Analytics Di tengah meningkatnya ancaman hybrid dari manusia dan AI, behavioural analytics menjadi solusi penting untuk memenuhi standar PSPF. Solusi dari Exabeam menggabungkan machine learning canggih dengan AI khusus keamanan untuk secara otomatis membangun baseline perilaku setiap pengguna dan perangkat. Dengan pendekatan ini, tim keamanan dapat: Mengidentifikasi ancaman lebih cepat Mengurangi beban kerja analis Tetap selaras dengan persyaratan PSPF Kesimpulan Ancaman dari dalam organisasi terus meningkat, baik dari manusia maupun AI agent. Untuk menghadapi risiko ini, instansi pemerintah membutuhkan sistem yang mampu memahami dan memantau perilaku secara cerdas. Behavioural analytics membantu mendeteksi penyimpangan lebih awal, mengurangi risiko kebocoran data, dan menjaga kepatuhan terhadap PSPF. Dengan pendekatan ini, organisasi tidak hanya bereaksi terhadap serangan, tetapi mampu mencegahnya sebelum terjadi. Infrastruktur IT yang kuat adalah kunci produktivitas perusahaan. Dengan exabeam indonesia, merupakan bagian dari PT. iLogo Indonesia, yang merupakan mitra terpercaya dalam solusi Infrastruktur IT dan Cybersecurity terbaik di Indonesia. Hubungi kami sekarang atau kunjungi exabeam.ilogoindonesia.com untuk informasi lebih lanjut!

Kecerdasan buatan (AI) kini bukan lagi sekadar teknologi baru di dunia keamanan siber. Dalam sistem keamanan modern seperti SIEM, AI agent sudah membantu memperkaya alert, mempercepat investigasi, membuat laporan otomatis, bahkan bertindak seperti asisten bagi analis keamanan. Namun, semakin canggih teknologinya, semakin besar juga potensi risikonya. Dari sudut pandang Exabeam, setiap entitas di dalam lingkungan IT perusahaan harus dilindungi. Bukan hanya pengguna manusia atau perangkat, tetapi juga AI agent. Saat ini, AI agent bisa memiliki akses ke data sensitif dan menjalankan tugas penting, bahkan dalam beberapa kasus memiliki kemampuan yang lebih luas daripada pengguna biasa. Karena itu, AI agent harus terlihat (visible) dan diawasi seperti entitas lainnya. Integrasi terbaru antara Exabeam dan Google Cloud AI menggabungkan log dari Google Gemini Enterprise serta perlindungan dari Model Armor ke dalam platform Exabeam New-Scale Security Operations. Dengan kombinasi ini, tim keamanan dapat mendeteksi penyalahgunaan AI, memvisualisasikan aktivitas agent, dan menyelidiki risiko terkait AI dengan cara yang sama seperti mereka menangani risiko dari pengguna, perangkat, atau cloud. AI Agent sebagai Identitas Baru Saat AI agent menjalankan tugas, mereka tidak bekerja sendirian. Mereka terhubung dengan pengguna manusia, data perusahaan, dan berbagai sistem lainnya. Artinya, AI agent bertindak seperti sebuah “identitas” yang memiliki hak akses, perilaku, dan potensi risiko. Contohnya: Seorang developer tanpa sengaja memasukkan API key rahasia ke dalam prompt Gemini. Pegawai bagian keuangan mengunggah spreadsheet berisi data pribadi (PII) untuk diringkas oleh AI. Orang dalam yang berniat jahat mencoba “menipu” AI dengan prompt injection untuk melewati sistem keamanan. Mitra eksternal menggunakan AI untuk meminta topik atau data yang sebenarnya dibatasi. Sebelumnya, aktivitas seperti ini sering kali tidak terpantau oleh sistem SIEM tradisional. Percakapan dengan AI dan sinyal keamanan dari model tidak termasuk dalam strategi deteksi. Sekarang, hal tersebut sudah bisa dimonitor. Sinyal Penting dari Google Google menyediakan dua sumber visibilitas utama: Log Google Gemini Enterprise Agent Log ini mencatat siapa yang menggunakan AI, kapan, dari mana, menggunakan alat apa, dan bagaimana pola penggunaannya berubah dari waktu ke waktu. Telemetry Google Cloud Model Armor Ini adalah lapisan keamanan tambahan yang memantau prompt dan respons AI. Sistem ini bisa mendeteksi pelanggaran seperti kebocoran data sensitif atau percobaan serangan, lalu melakukan tindakan seperti menyensor (redact) atau memblokir. Gabungan kedua data ini memberikan gambaran lengkap tentang “apa yang terjadi” dan “apakah itu aman”. Ketika data ini masuk ke Exabeam, sistem dapat melakukan pemodelan entitas, membuat deteksi, dashboard, dan investigasi berbasis AI. Peran Exabeam dalam Memodelkan AI Agent Exabeam New-Scale Analytics dirancang untuk mempelajari perilaku normal suatu entitas, lalu mendeteksi jika ada penyimpangan. Sekarang, AI agent juga diperlakukan sebagai entitas penuh. Beberapa kemampuannya: Pemodelan entitas: AI agent dipantau berdasarkan kategori prompt, jumlah token, alat yang digunakan, dan hasil respons. Skor perilaku: Jika ada lonjakan prompt yang diblokir atau penggunaan alat baru yang tidak biasa, sistem akan memberi tanda peringatan. Korelasi kontekstual: Pelanggaran dari Model Armor dikaitkan dengan pengguna, perangkat, lokasi, dan hak akses untuk membedakan antara kesalahan biasa dan ancaman nyata. Dengan pendekatan ini, tim keamanan bisa membedakan mana eksperimen normal dan mana aktivitas berbahaya. Dashboard dan Visualisasi Tim keamanan tidak hanya butuh log mentah, tetapi juga tampilan visual yang mudah dipahami. Dengan bantuan Exabeam Nova Visualization Agent, analis dapat membuat dashboard hanya dengan perintah bahasa alami. Beberapa contoh dashboard: Penggunaan AI/LLM di Google Cloud. Domain AI yang paling sering diakses pengguna. Alert pelanggaran kebijakan terkait AI. Ke depan, dashboard khusus AI agent juga akan menampilkan: Agent dengan penggunaan token tertinggi. Heatmap pelanggaran kebijakan per unit bisnis. Tren kebocoran data sensitif. Aktivitas aneh seperti agent marketing yang tiba-tiba menjalankan alat eksekusi kode. Visualisasi ini membantu manajemen dan tim keamanan memahami bagaimana AI digunakan di perusahaan. Deteksi dan Investigasi dengan Exabeam Nova Kini, Exabeam bisa membuat deteksi berbasis kebijakan dan anomali khusus untuk AI agent, seperti: Prompt yang berisi API key pribadi. Data PII yang terdeteksi dalam input atau output. Percobaan jailbreak berulang. Lonjakan penggunaan tidak wajar di luar jam kerja. Perubahan versi model yang tidak sesuai kebijakan. Saat ada kejadian mencurigakan, Exabeam Nova akan merangkum semuanya menjadi narasi investigasi yang mudah dipahami. Misalnya, jika terjadi lonjakan PII pada agent keuangan, Nova dapat mengidentifikasi pengguna terkait, perangkat, waktu kejadian, serta menyarankan tindakan seperti mengkarantina agent atau memperketat kebijakan Model Armor. Hal ini menghemat waktu investigasi dan mempercepat respons. Mengukur Keberhasilan Perusahaan dapat mengukur manfaat integrasi ini melalui: Penurunan pelanggaran kebijakan yang berhasil lolos. Waktu deteksi dan investigasi yang lebih cepat. Waktu perbaikan yang lebih singkat. Optimalisasi penggunaan token AI. Dengan metrik ini, pengawasan AI dapat dibuktikan nilainya secara bisnis. Kesimpulan AI agent membawa produktivitas luar biasa, tetapi juga risiko baru. Dengan menggabungkan Google Gemini Enterprise, Model Armor, dan Exabeam New-Scale Security Operations Platform, perusahaan dapat membuat aktivitas AI yang sebelumnya tidak terlihat menjadi transparan, terpantau, dan terlindungi. AI bukan lagi sekadar alat bantu—ia adalah “insider” baru yang harus diawasi dengan serius. Infrastruktur IT yang kuat adalah kunci produktivitas perusahaan. Dengan exabeam indonesia, merupakan bagian dari PT. iLogo Indonesia, yang merupakan mitra terpercaya dalam solusi Infrastruktur IT dan Cybersecurity terbaik di Indonesia. Hubungi kami sekarang atau kunjungi exabeam.ilogoindonesia.com untuk informasi lebih lanjut!

Baru-baru ini, seorang CISO dari perusahaan besar menanyakan berapa banyak rule (aturan) yang dimiliki oleh New-Scale Security Operations Platform. Pertanyaan ini sebenarnya wajar, tetapi terasa agak ketinggalan zaman. Ibarat bertanya kapan terakhir kali kita melakukan defrag pada PC — dulu penting, sekarang tidak lagi relevan. Selama bertahun-tahun, jumlah rule sering dijadikan ukuran kinerja SIEM (Security Information and Event Management). Semakin banyak rule, dianggap semakin baik perlindungannya. Padahal kenyataannya, pendekatan ini sering menyebabkan duplikasi aturan, kelelahan akibat terlalu banyak alert (alert fatigue), dan pemborosan waktu. Industri keamanan kini mulai beralih dari aturan statis berbasis tanda tangan (signature) ke pendekatan yang lebih cerdas, seperti heuristik dan machine learning. Perubahan ini juga terjadi di dunia SIEM, di mana analitik perilaku, penilaian risiko adaptif, dan timeline ancaman otomatis mulai menggantikan ketergantungan berlebihan pada rule. Rule Masih Penting, Tetapi Perannya Berubah Rule tetap dibutuhkan, namun fungsinya sudah berkembang. Inilah alasan mengapa Exabeam membangun New-Scale Analytics, mesin deteksi berbasis UEBA (User and Entity Behavior Analytics) yang diperbarui dan dilengkapi dengan Exabeam Nova, sistem AI agentic yang tertanam di dalamnya. Mesin ini menggunakan machine learning untuk: Mendeteksi ancaman, Memberikan skor risiko, Beradaptasi dengan lingkungan yang dilindungi. Alih-alih memperbanyak jumlah rule, sistem ini lebih mengutamakan ketepatan (precision). Dengan jumlah rule yang lebih sedikit, cakupan deteksi bisa tetap luas dan bahkan lebih akurat. Contohnya, sistem lama mungkin membutuhkan rule terpisah untuk masing-masing penyedia cloud. Dengan pendekatan baru, satu rule berbasis perilaku dapat memodelkan aktivitas di berbagai lingkungan cloud sekaligus. Hasilnya lebih sederhana, tetapi cakupannya lebih luas. Dari 1.100 Rule Menjadi Deteksi yang Lebih Cerdas Untuk menggambarkan perubahannya: Sistem lama menggunakan lebih dari 1.100 rule deteksi anomali. New-Scale Analytics hanya menggunakan 342 rule anomali, tetapi tetap memiliki cakupan setara dengan framework MITRE ATT&CK®. Rule berbasis fakta juga berkurang dari 681 menjadi 395. Apa yang membuatnya berbeda? Machine learning. New-Scale Analytics mengevaluasi kinerja rule dalam lingkungan Anda sendiri. Sistem ini memberi skor pada setiap event berdasarkan pola dan konteks, bukan hanya berdasarkan angka tetap. Selain itu, sistem membangun baseline perilaku pada level entitas (user, perangkat, sistem), bukan hanya pada nama pengguna atau field tertentu. Dengan begitu, sistem dapat membedakan aktivitas normal dan aktivitas berisiko tinggi dengan lebih akurat. Hasilnya: False positive berkurang. Analis mendapatkan informasi yang lebih jelas dan bisa langsung ditindaklanjuti. Lebih Sedikit Tuning, Lebih Banyak Respons Dengan jumlah rule yang lebih sedikit, beban kerja tim keamanan juga berkurang. Mereka tidak perlu lagi terus-menerus menyetel dan memperbarui ratusan aturan. Sebaliknya, mereka bisa fokus pada: Investigasi insiden nyata, Respons terhadap ancaman, Peningkatan strategi keamanan. Fitur seperti timeline ancaman otomatis, skor risiko adaptif, dan baseline perilaku membantu tim memprioritaskan event yang benar-benar penting, bukan tenggelam dalam ribuan alert yang tidak relevan. Hasil akhirnya: Operasional lebih efisien, Respons lebih cepat, Cakupan deteksi tetap terjaga. Jika Bukan Jumlah Rule, Lalu KPI Apa yang Tepat? Jika jumlah rule bukan lagi indikator utama, apa yang seharusnya diukur? Beberapa metrik yang lebih relevan antara lain: Cakupan terhadap framework MITRE ATT&CK. Waktu yang dibutuhkan analis untuk melakukan investigasi. Tingkat akurasi alert (alert fidelity). Seberapa cepat tim mendeteksi dan merespons ancaman. Inilah hasil nyata yang menunjukkan apakah SIEM bekerja dengan baik atau tidak. Cara berpikir tentang deteksi sudah berubah, dan cara mengukurnya juga harus ikut berubah. New-Scale Analytics dirancang untuk realitas baru ini. Bukan soal berapa banyak rule yang dimiliki, tetapi seberapa efektif rule tersebut dalam: Meningkatkan kualitas deteksi, Mengurangi noise, Mempercepat respons. Jadi, jika ada vendor yang membanggakan jumlah rule yang besar, pertanyaan yang lebih penting adalah: Apakah rule tersebut benar-benar meningkatkan keamanan? Lihat Perbedaannya New-Scale Analytics adalah mesin deteksi ancaman orang dalam di dalam platform New-Scale Fusion. Teknologi ini juga dapat digunakan di atas SIEM yang sudah ada untuk meningkatkan kualitas deteksi. Beberapa pelanggan melaporkan: Pengurangan alert hingga 60%. Waktu investigasi turun 80%. Waktu respons insiden berkurang 50%. Angka-angka ini menunjukkan peningkatan nyata dalam operasi keamanan. Melangkah Lebih Jauh dari Rule Statis Dunia ancaman siber semakin kompleks. Mengandalkan logika deteksi statis dan jumlah rule yang besar tidak lagi cukup. Pendekatan modern menggunakan analitik perilaku dan machine learning untuk mendeteksi ancaman kompleks, termasuk insider threat dan penyalahgunaan kredensial. Bagi pemula, sederhananya begini: Dulu, sistem keamanan seperti daftar aturan lalu lintas yang tetap. Sekarang, sistem keamanan seperti asisten pintar yang belajar dari kebiasaan dan bisa mengenali perilaku mencurigakan meskipun belum pernah melihatnya sebelumnya. Keamanan modern bukan tentang memiliki aturan paling banyak, tetapi tentang memiliki deteksi yang paling cerdas dan adaptif. Infrastruktur IT yang kuat adalah kunci produktivitas perusahaan. Dengan exabeam indonesia, merupakan bagian dari PT. iLogo Indonesia, yang merupakan mitra terpercaya dalam solusi Infrastruktur IT dan Cybersecurity terbaik di Indonesia. Hubungi kami sekarang atau kunjungi exabeam.ilogoindonesia.com untuk informasi lebih lanjut!

Serangan siber saat ini semakin canggih, cepat, dan bahkan banyak yang dibuat dengan bantuan AI. Jika Anda masih mengandalkan sistem SIEM (Security Information and Event Management) yang bekerja berdasarkan aturan statis, batas angka tetap (threshold), dan pencocokan tanda tangan (signature), maka tim keamanan Anda bisa kewalahan. Aturan lama tidak cukup lagi. Yang dibutuhkan sekarang adalah sistem deteksi yang bisa belajar sendiri. Inilah peran Exabeam melalui teknologi Exabeam New-Scale Analytics. New-Scale Analytics adalah mesin analitik perilaku generasi terbaru yang dirancang khusus untuk mendeteksi ancaman kompleks secara real-time, terutama serangan berbasis kredensial (password dicuri) dan ancaman dari orang dalam (insider threat). Teknologi ini menjadi inti strategi deteksi modern. Mengapa Aturan Tradisional Tidak Lagi Cukup? Tahap 1: Aturan Berbasis Tanda Tangan (Signature-Based Rules) Pada awalnya, SIEM bekerja dengan mendeteksi indikator serangan yang sudah dikenal (IoC), misalnya: “Berikan peringatan jika ada 5 kali login gagal.” “Tandai file yang cocok dengan hash malware tertentu.” Cara ini efektif untuk ancaman yang sudah dikenal. Namun, jika muncul serangan baru atau teknik yang lebih halus, aturan ini sering gagal mendeteksinya. Tahap 2: Aturan Berbasis Perilaku Sederhana Kemudian berkembang aturan berbasis anomali, misalnya: “Tandai jika pengguna login dari lokasi tidak biasa dan mengakses file sensitif.” Ini lebih baik, tetapi tetap memerlukan tim keamanan untuk menentukan apa yang dianggap “tidak biasa”. Padahal perilaku normal setiap pengguna bisa berbeda-beda dan berubah seiring waktu. Tahap 3: Pemodelan Perilaku dengan Machine Learning New-Scale Analytics mengotomatisasi seluruh proses ini. Sistem ini: Mempelajari pola normal setiap pengguna, perangkat, dan sistem. Menetapkan baseline perilaku secara otomatis. Memberikan skor risiko secara dinamis. Menghubungkan berbagai aktivitas mencurigakan dalam satu alur waktu serangan. Tidak ada lagi threshold statis atau penyetelan manual terus-menerus. Mengapa Aturan Saja Tidak Bisa Diskalakan? 1. Volume Data Terus Meningkat Diperkirakan jumlah data global mencapai 175 zettabyte pada 2025. Bagi tim keamanan, ini berarti: Lebih banyak log. Lebih banyak alert. Lebih banyak kebisingan (noise). Aturan korelasi justru bisa menambah kebisingan. Machine learning membantu menemukan sinyal penting di tengah banyaknya data. 2. Teknik Serangan Terus Berkembang Penyerang kini menggunakan: Pencurian kredensial. Teknik “living-off-the-land” (menggunakan tools bawaan sistem agar tidak terdeteksi). Payload yang dibuat oleh AI. Serangan seperti ini sering terlihat seperti aktivitas normal. Sistem berbasis aturan sulit mendeteksinya, tetapi analitik perilaku bisa melihat perbedaan kecil yang mencurigakan. 3. Kelelahan Tim Keamanan Terlalu banyak false positive (peringatan palsu) membuat analis keamanan menghabiskan waktu berjam-jam untuk menyelidiki hal yang sebenarnya tidak berbahaya. Ini menyebabkan kelelahan dan menurunkan fokus terhadap ancaman nyata. 4. Penyetelan Manual Tidak Efisien Setiap aturan SIEM harus: Ditulis. Disesuaikan. Dipelihara. Jika ada ratusan aturan, beban kerja menjadi sangat besar. Sistem dengan penilaian risiko otomatis jauh lebih efisien. Bagaimana New-Scale Analytics Membantu? 1. Belajar Otomatis Sistem secara otomatis membangun baseline perilaku tanpa perlu tebakan manual atau aturan tetap. 2. Mendeteksi Serangan Berbasis Kredensial Tahun ini, 22% pelanggaran keamanan dimulai dari kredensial yang dicuri. Karena login terlihat sah, serangan ini sering lolos dari sistem berbasis aturan. New-Scale Analytics mendeteksi hal-hal seperti: Login yang tidak biasa. Akses data yang tidak wajar. Pergerakan lateral dalam jaringan. 3. Mengurangi Noise dan Memprioritaskan Ancaman Nyata Dengan sistem UEBA (User and Entity Behavior Analytics), risiko dinilai secara dinamis dan bisa disesuaikan dengan konteks bisnis. Hasilnya, false positive berkurang dan tim fokus pada risiko paling kritis. 4. Memberikan Konteks Serangan Lengkap Sistem menyajikan: Skor risiko yang mudah dipahami. Penjelasan anomali. Hubungan antar entitas. Timeline otomatis yang menunjukkan bagaimana serangan terjadi. Ini membantu analis mengambil keputusan lebih cepat. Perlukah Aturan Lama Dibuang? Tidak sepenuhnya. Aturan SIEM masih berguna untuk: Mendeteksi malware yang sudah dikenal. Memenuhi kebutuhan audit dan kepatuhan. Logika deterministik tertentu. Namun, aturan saja tidak cukup. Gabungan antara SIEM tradisional dan New-Scale Analytics menciptakan sistem deteksi yang lebih kuat. Contohnya: Malware dikenal → Aturan efektif Audit kepatuhan → Aturan wajib Ancaman baru → Perlu analitik perilaku Ancaman orang dalam → Lebih cocok dengan pemodelan perilaku Penyalahgunaan login → Machine learning lebih efektif Prioritas alert → Risiko dinamis lebih baik daripada threshold statis Menuju SOC Modern Berbasis Model SOC (Security Operations Center) modern akan beralih dari aturan manual ke sistem berbasis model. Manfaatnya: Lebih sedikit false positive. Investigasi lebih cepat. Sistem belajar dan menyesuaikan diri sendiri. Cakupan ancaman lebih luas. Analisis berbasis AI. Waktu deteksi dan respons lebih singkat. Kesimpulan Serangan siber semakin pintar dan cepat. Jika sistem keamanan masih bergantung sepenuhnya pada aturan lama, maka risiko akan semakin besar. New-Scale Analytics dirancang untuk masa depan: terintegrasi dengan SIEM, otomatis, transparan, dan siap digunakan. Bagi pemula, sederhananya begini: Aturan lama hanya bisa menangkap ancaman yang sudah dikenal. Sistem berbasis perilaku bisa mendeteksi ancaman baru yang belum pernah terlihat sebelumnya. Jika aturan SIEM Anda sudah tidak mampu mengikuti perkembangan ancaman, mungkin sudah waktunya beralih ke mesin deteksi yang lebih cerdas dan adaptif. Infrastruktur IT yang kuat adalah kunci produktivitas perusahaan. Dengan exabeam indonesia, merupakan bagian dari PT. iLogo Indonesia, yang merupakan mitra terpercaya dalam solusi Infrastruktur IT dan Cybersecurity terbaik di Indonesia. Hubungi kami sekarang atau kunjungi exabeam.ilogoindonesia.com untuk informasi lebih lanjut!