Author: hadi s

Seiring semakin banyak organisasi beralih ke solusi keamanan modern seperti SIEM berbasis cloud (cloud-native), penting untuk memahami berbagai pilihan model hosting yang tersedia. Memilih model yang tepat akan membantu memastikan sistem keamanan berjalan optimal sesuai kebutuhan bisnis Anda. Secara umum, ada tiga model hosting utama yang digunakan untuk SIEM berbasis cloud, yaitu public cloud, private cloud, dan hybrid cloud. Masing-masing memiliki kelebihan dan kekurangan yang perlu dipertimbangkan. 1. Public Cloud: Fleksibel dan Hemat Biaya Public cloud adalah model di mana sistem SIEM Anda dijalankan di infrastruktur milik penyedia layanan cloud seperti AWS, Microsoft Azure, atau Google Cloud. Kelebihan: Skalabilitas tinggi: Bisa menyesuaikan kebutuhan data dengan mudah, bahkan jika data meningkat drastis. Biaya lebih hemat: Menggunakan sistem bayar sesuai pemakaian (pay-as-you-go), jadi tidak perlu investasi besar di awal. Implementasi cepat: Banyak tools dan layanan siap pakai yang mempercepat proses setup. Kekurangan: Privasi data: Karena berbagi infrastruktur dengan organisasi lain, ada kekhawatiran terkait keamanan data. Ketergantungan vendor: Bisa sulit berpindah ke provider lain karena sudah terikat dengan satu platform. 2. Private Cloud: Kontrol Lebih Tinggi Private cloud adalah model di mana sistem SIEM berjalan di infrastruktur khusus (tidak berbagi dengan pihak lain), baik di dalam perusahaan (on-premise) maupun melalui vendor. Kelebihan: Kontrol penuh: Anda bisa mengatur sistem sesuai kebutuhan keamanan dan regulasi. Privasi lebih terjamin: Data tidak bercampur dengan organisasi lain. Kekurangan: Biaya lebih mahal: Membutuhkan investasi besar untuk infrastruktur dan maintenance. Skalabilitas terbatas: Tidak sefleksibel public cloud dalam menambah kapasitas secara cepat. 3. Hybrid Cloud: Kombinasi Fleksibel Hybrid cloud menggabungkan public cloud dan private cloud. Anda bisa menyimpan data sensitif di private cloud dan menggunakan public cloud untuk kebutuhan lain. Kelebihan: Fleksibilitas tinggi: Bisa memilih lokasi penyimpanan data sesuai kebutuhan. Optimasi biaya: Data penting disimpan secara aman, sementara beban kerja lain bisa menggunakan cloud yang lebih murah. Kekurangan: Lebih kompleks: Mengelola dua sistem sekaligus membutuhkan keahlian lebih. Tantangan keamanan: Harus memastikan kebijakan keamanan konsisten di kedua lingkungan. Tips Memilih Model Hosting yang Tepat Memilih model hosting tidak bisa sembarangan. Berikut beberapa tips yang bisa membantu: 1. Pahami kebutuhan keamanan Anda Jika Anda menangani data sensitif atau harus mematuhi regulasi ketat, private atau hybrid cloud bisa jadi pilihan terbaik. 2. Evaluasi infrastruktur IT saat ini Jika tim IT Anda terbatas, public cloud bisa menjadi solusi yang lebih praktis karena lebih mudah dikelola. 3. Perkirakan volume data Jika data Anda terus bertambah, public cloud menawarkan skalabilitas terbaik. Namun hybrid juga bisa jadi solusi. 4. Sesuaikan dengan budget Public cloud biasanya paling hemat, terutama untuk perusahaan yang ingin menghindari biaya besar di awal. 5. Libatkan tim terkait Diskusikan dengan tim IT, keamanan, dan compliance agar keputusan sesuai dengan kebutuhan bisnis secara keseluruhan. Kesimpulan: Pilihan Strategis untuk Keamanan yang Lebih Baik Memilih model hosting yang tepat untuk SIEM berbasis cloud adalah langkah penting dalam membangun sistem keamanan yang kuat. Tidak ada satu solusi yang cocok untuk semua organisasi—semuanya tergantung pada kebutuhan, budget, dan kemampuan teknis yang dimiliki. Public cloud cocok untuk fleksibilitas dan efisiensi biaya Private cloud ideal untuk kontrol dan keamanan tinggi Hybrid cloud memberikan keseimbangan antara keduanya Dengan memahami kelebihan dan kekurangan masing-masing model, Anda bisa membuat keputusan yang tepat untuk melindungi sistem dan data perusahaan Anda. 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!

Menggunakan solusi keamanan modern seperti SIEM (Security Information and Event Management) berbasis cloud kini menjadi kebutuhan penting bagi organisasi. Hal ini karena ancaman siber semakin kompleks dan sulit dideteksi. Dengan beralih ke SIEM berbasis cloud (cloud-native), perusahaan bisa mendapatkan manfaat seperti skalabilitas yang lebih baik, fleksibilitas tinggi, serta kemampuan deteksi ancaman yang lebih canggih. Artikel ini akan membahas langkah-langkah sederhana untuk melakukan migrasi SIEM, termasuk contoh nyata proses perpindahan sistem. Contoh Kasus Migrasi: Dari Axon ke New-Scale Setelah penggabungan dua perusahaan, LogRhythm dan Exabeam, diputuskan untuk menyatukan platform SIEM mereka. Mereka melakukan migrasi dari SIEM berbasis SaaS milik LogRhythm (Axon) ke platform cloud-native Exabeam New-Scale. Contoh ini menunjukkan bahwa dengan perencanaan yang baik, proses migrasi bisa berjalan cepat dan efisien. Langkah 1: Evaluasi Sistem SIEM Saat Ini dan Kebutuhan ke Depan Langkah pertama adalah memahami kondisi sistem yang sedang digunakan dan kebutuhan di masa depan. Beberapa hal yang perlu diperhatikan: Sumber data: Apakah semua sistem penting sudah dipantau? Apakah ada data yang tidak lagi diperlukan? Kepatuhan (compliance): Pastikan standar regulasi yang harus dipenuhi. Skalabilitas: Apakah sistem bisa mengikuti pertumbuhan perusahaan? Performa: Apakah SIEM saat ini cepat dan akurat? Biaya: Hitung total biaya penggunaan sistem lama, termasuk perangkat keras dan maintenance. Dalam kasus nyata, mereka memilih platform baru karena membutuhkan sistem yang lebih scalable dan berbasis AI. Langkah 2: Pilih SIEM Cloud-Native yang Tepat Setelah memahami kebutuhan, langkah berikutnya adalah memilih solusi SIEM yang sesuai. Hal yang perlu diperhatikan: Fitur: Pastikan memiliki fitur penting seperti AI untuk deteksi ancaman. Integrasi: Harus bisa terhubung dengan tools keamanan lain. Model hosting: Pilih antara cloud publik, privat, atau hybrid. Reputasi vendor: Pastikan vendor terpercaya dan memiliki dukungan yang baik. Kemudahan penggunaan: Pilih solusi yang membantu mempercepat investigasi dan mengurangi beban kerja tim. Langkah 3: Rencanakan dan Jalankan Proses Migrasi Migrasi yang sukses membutuhkan perencanaan yang matang. Tahapan penting: Buat rencana migrasi: Tentukan timeline, tim, dan strategi komunikasi. Uji sistem baru: Lakukan testing sebelum digunakan secara penuh. Migrasi data dan konfigurasi: Pindahkan data lama, aturan, dan pengaturan sistem. Validasi hasil: Pastikan semua berjalan dengan baik setelah migrasi. Dalam contoh nyata: Semua log penting berhasil dipindahkan dalam kurang dari 1 hari. 97% log tambahan selesai dalam 3 hari. 74 aturan custom berhasil dipindahkan hampir seluruhnya dalam 2 hari. Ini menunjukkan bahwa migrasi bisa dilakukan dengan cepat jika direncanakan dengan baik. Langkah 4: Pastikan Tim Siap Menggunakan Sistem Baru Teknologi saja tidak cukup—tim juga harus siap. Yang perlu dilakukan: Training: Berikan pelatihan agar tim memahami sistem baru. Dokumentasi: Perbarui SOP dan panduan kerja. Support: Siapkan tim bantuan internal dan dari vendor. Komunikasi: Libatkan tim dalam proses perubahan dan dengarkan feedback mereka. Langkah 5: Lakukan Optimasi Secara Berkala Migrasi bukanlah langkah terakhir. Sistem harus terus dioptimalkan. Beberapa hal yang perlu dilakukan: Review sumber data: Pastikan hanya data penting yang dipantau. Update compliance: Ikuti perkembangan regulasi terbaru. Pantau performa: Evaluasi kinerja sistem secara rutin. Perbarui SOP: Sesuaikan dengan ancaman terbaru. Kesimpulan: Langkah Strategis untuk Keamanan yang Lebih Baik Migrasi ke SIEM berbasis cloud adalah langkah penting untuk meningkatkan keamanan organisasi. Dengan pendekatan yang terstruktur, proses ini bisa berjalan lancar dan memberikan banyak manfaat. Dari contoh nyata, kita bisa melihat bahwa: Migrasi bisa dilakukan dengan cepat Efisiensi meningkat Sistem menjadi lebih siap menghadapi ancaman modern Di era digital saat ini, perusahaan tidak bisa lagi hanya mengandalkan sistem lama. Dengan SIEM cloud-native, organisasi dapat meningkatkan ketahanan keamanan sekaligus mempersiapkan diri untuk masa depan yang lebih aman. 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!

Di dunia keamanan siber saat ini, serangan tidak lagi selalu cepat dan mencolok. Justru sebaliknya, banyak serangan modern berlangsung secara pelan, diam-diam, dan sulit dideteksi. Para penyerang—mulai dari hacker profesional hingga orang dalam (insider)—sering menyebarkan aktivitas mereka selama berhari-hari, bahkan berbulan-bulan. Mereka menggunakan akses resmi dan tools yang sah agar terlihat seperti aktivitas normal. Masalahnya, banyak sistem keamanan saat ini tidak memiliki “ingatan” (stateless). Inilah celah besar yang dimanfaatkan oleh penyerang. Apa Itu Sistem Stateless vs Stateful? Untuk memudahkan, bayangkan dua cara melihat sebuah kejadian: Stateless (tanpa ingatan): Setiap kejadian dilihat secara terpisah, seperti foto satu per satu. Stateful (memiliki ingatan): Semua kejadian dirangkai menjadi cerita lengkap dari awal sampai akhir. Sebagian besar sistem keamanan seperti SIEM dan XDR bekerja secara stateless. Artinya: Mereka hanya melihat kejadian saat itu saja Tidak menghubungkan kejadian lama dengan yang baru Akibatnya, serangan yang dilakukan secara bertahap sering tidak terdeteksi. Masalah Utama Sistem Stateless Berikut beberapa kelemahan utama sistem tanpa “memori”: 1. Waktu Korelasi Terbatas Sistem hanya menghubungkan aktivitas dalam waktu singkat (menit atau jam). Serangan yang berlangsung lama bisa lolos tanpa terdeteksi. 2. Bergantung pada Aturan Tetap Jika pola serangan tidak sesuai dengan aturan yang sudah ada, sistem tidak akan mengenalinya sebagai ancaman. 3. Kehilangan Konteks Setelah sebuah insiden selesai, data lama dianggap selesai. Jika ada aktivitas mencurigakan lagi, sistem menganggapnya sebagai kasus baru. Solusi: Pendekatan Stateful Pendekatan stateful menawarkan cara yang lebih cerdas. Sistem ini: Menyimpan riwayat aktivitas pengguna dan perangkat Menghubungkan semua kejadian dalam satu timeline Terus memperbarui analisis berdasarkan data baru Contohnya adalah Exabeam New-Scale Analytics, yang menggunakan model data berbasis sesi (Session Data Model). Sistem ini tidak melihat log secara terpisah, tetapi menggabungkannya menjadi cerita lengkap yang terus berkembang. Bagaimana Cara Kerjanya? Setiap aktivitas pengguna—login, akses data, perintah sistem—akan: Dicatat Diurutkan dalam timeline Diberi skor risiko Jika ada aktivitas baru, sistem akan: Menghubungkannya dengan aktivitas sebelumnya Memperbarui tingkat risiko Menentukan apakah itu bagian dari serangan Contoh Kasus: Ancaman dari Orang Dalam Mari lihat contoh sederhana di sebuah perusahaan keuangan. Profil Penyerang: Administrator IT yang tidak puas Memiliki akses tinggi Tujuan: Mencuri data pelanggan tanpa terdeteksi Hari 1 Login malam hari melalui VPN Sistem stateless: dianggap normal (kerja lembur) Sistem stateful: dicatat sebagai perilaku tidak biasa Hari 3 Menjalankan PowerShell untuk melihat data sistem Stateless: aktivitas biasa Stateful: dikaitkan dengan login sebelumnya → mulai mencurigakan Hari 7 Mengakses server yang jarang digunakan Stateless: alert terpisah Stateful: digabung dalam satu rangkaian → risiko meningkat Hari 12 Menyalin banyak data menggunakan tool resmi Stateless: aktivitas aneh tapi tidak jelas Stateful: bagian dari pola pencurian data Hari 14 Mengunggah data ke cloud pribadi Stateless: tidak terdeteksi Stateful: dikenali sebagai tahap akhir serangan → alarm tinggi Kenapa Banyak Sistem XDR Gagal? Walaupun XDR sering disebut “pintar”, banyak yang masih setengah stateless. Akibatnya: Tidak bisa melacak serangan jangka panjang Hanya mengenali pola yang sudah dikenal Kehilangan konteks setelah insiden selesai Sulit melacak aktivitas lintas perangkat Keuntungan Pendekatan Stateful Menggunakan sistem dengan “memori” memberikan banyak manfaat: 1. Mengurangi False Positive Tidak semua aktivitas aneh dianggap ancaman, karena dilihat dalam konteks. 2. Investigasi Lebih Cepat Timeline serangan sudah tersedia, tidak perlu dirangkai manual. 3. Deteksi Lebih Akurat Serangan kompleks dan tersembunyi bisa terungkap. 4. Mengurangi Dampak Serangan Serangan bisa dihentikan lebih awal sebelum kerusakan besar terjadi. 5. Memaksimalkan Tools yang Ada Sistem ini bisa menggunakan data dari tools keamanan yang sudah dimiliki. Cara Berpikir Baru: Dari Snapshot ke Story Penyerang tidak bekerja dalam satu langkah. Mereka berpikir dalam bentuk rangkaian aksi (campaign). Jika sistem keamanan Anda hanya melihat kejadian secara terpisah, maka: Banyak petunjuk penting akan terlewat Serangan bisa berkembang tanpa terdeteksi Pendekatan stateful mengubah cara pandang ini: Dari “foto” menjadi “film” Dari potongan data menjadi cerita utuh Kesimpulan Keamanan siber modern membutuhkan pendekatan yang lebih cerdas. Sistem tanpa memori (stateless) sudah tidak cukup untuk menghadapi serangan yang semakin kompleks. Dengan pendekatan stateful: Semua aktivitas terhubung Pola serangan lebih mudah terlihat Respon bisa dilakukan lebih cepat Intinya, untuk menghentikan serangan, kita harus melihat keseluruhan cerita—bukan hanya potongan-potongan kejadian. 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!

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!

Selama bertahun-tahun, penulis artikel ini telah mengunjungi banyak Security Operations Center (SOC) dan Network Operations Center (NOC) di berbagai negara. Ada SOC yang dilengkapi teknologi paling canggih, ada juga yang bertahan dengan alat seadanya dan kerja keras timnya. Namun, satu hal yang selalu sama adalah cerita dari para pemimpinnya. Para CISO (Chief Information Security Officer) menghadapi tekanan yang terus meningkat: ancaman siber yang makin kompleks, tuntutan bisnis yang semakin tinggi, dan dorongan kuat untuk mengurangi biaya. Di bawah tekanan inilah sering muncul keputusan kompromi yang dampaknya tidak langsung terlihat, tapi sangat mahal di kemudian hari. Artikel ini membahas biaya tersembunyi dari keputusan tersebut, khususnya saat organisasi memilih platform keamanan terbundel (bundled platform) yang terlihat sederhana, tetapi sering gagal saat benar-benar dibutuhkan. Jebakan “Kemudahan” yang Awalnya Terlihat Aman Semuanya biasanya dimulai dari presentasi yang terdengar sangat meyakinkan: satu platform, satu lisensi, satu vendor, satu kontak. Tim pengadaan senang, tim keuangan melihatnya sebagai langkah efisien. Bahkan tidak jarang vendor langsung berbicara ke CFO tanpa melibatkan CISO atau CIO. Di atas kertas, ini terlihat seperti solusi cerdas. Namun kenyataannya berbeda bagi tim SOC yang harus menggunakannya setiap hari. Banyak platform terbundel sebenarnya bukan dibangun sebagai satu kesatuan, melainkan hasil gabungan dari berbagai produk yang dibeli atau disatukan secara paksa. Saat demo, semuanya terlihat terintegrasi. Tapi di balik layar, fitur-fitur tersebut sering hanya “disambung” seadanya. Seiring waktu, masalah mulai muncul: Log tidak sinkron Korelasi kejadian lambat Analis harus mencari cara manual untuk menutupi kekurangan sistem Bahkan perlu membeli solusi tambahan agar sistem “bekerja dengan benar” Keputusan konsolidasi biasanya diambil saat tekanan sedang tinggi, misalnya setelah insiden keamanan, pemotongan anggaran, atau mendekati masa perpanjangan kontrak. Dalam kondisi seperti ini, solusi terbundel terlihat praktis. Tapi yang sering tidak disadari adalah risiko jangka panjangnya. Saat SIEM Tidak Mampu Mengikuti Kebutuhan SIEM seharusnya menjadi pusat kejelasan di tengah kekacauan. Tugasnya adalah: Menggabungkan sinyal dari berbagai sistem Memberi gambaran lengkap atas kejadian keamanan Membantu tim merespons sebelum insiden membesar Namun masalah muncul ketika SIEM tidak dirancang untuk lingkungan yang kompleks dan dinamis. Penulis melihat banyak kasus di mana: Data penting datang terlambat atau tidak masuk sama sekali Korelasi hanya memprioritaskan tools bawaan vendor Timeline investigasi rusak Analis frustrasi karena mencari data lebih lama dibanding menangani ancamannya Ini bukan kasus langka. Ini adalah kenyataan harian bagi banyak SOC yang menggunakan platform yang melindungi ekosistem vendor, bukan kebutuhan pelanggan. Saat kelemahannya terlihat, organisasi sering sudah terlanjur terikat kontrak. Akibatnya, SIEM berubah dari alat bantu menjadi beban tambahan. Biaya Kesalahan Baru Terasa di Belakang Hari Kesalahan memilih alat keamanan jarang langsung terasa. Awalnya sistem tampak berjalan normal: ada alert, dashboard aktif, dan visibilitas dasar tersedia. Namun perlahan, gesekan operasional meningkat. Analis menghabiskan waktu untuk: Menutupi kekurangan sistem Menyambung data manual Menghadapi investigasi yang lebih lama Menanggung tekanan kerja berlebih Pada akhirnya, saat terjadi kebocoran keamanan, dampaknya menjadi nyata: Penanganan insiden terlambat Konteks penting terlewat Kepercayaan tim menurun Biaya kompromi ini tidak hanya soal teknologi, tapi waktu, energi, dan mental tim SOC. Procurement Bukan Masalah, Tapi Jangan Memimpin Sendiri Sebagian besar keputusan buruk bukan karena ceroboh. Biasanya keputusan diambil cepat, dengan fokus pada harga dan kesederhanaan. Tim pengadaan dan keuangan hanya menjalankan tugas mereka. Masalahnya, suara SOC sering tidak didengar. Banyak CISO mengeluhkan hal yang sama: tools terlihat bagus di demo, tetapi gagal saat digunakan skala besar. Alur kerja terputus, visibilitas terbatas, dan beban pemeliharaan jauh lebih tinggi dari perkiraan. Masalah ini bukan soal jumlah vendor, tapi apakah alat tersebut benar-benar mendukung kebutuhan keamanan yang nyata: Deteksi ancaman dengan konteks Pengelolaan insider threat Investigasi cepat dengan otomatisasi Cakupan luas tanpa kehilangan kedalaman Jika alat gagal di salah satu area ini, nilainya cepat menurun. Pertanyaan yang Tepat Menentukan Kualitas Alat CISO yang kuat tidak hanya melihat fitur, tapi mengajukan pertanyaan mendalam: Bagaimana data dikumpulkan dan dikorelasikan? Apakah alur kerja canggih bisa berjalan tanpa trik manual? Seberapa mudah integrasi dengan tools yang sudah ada? Berapa total biaya kepemilikan yang sebenarnya? Platform yang baik bukan hanya terlihat fleksibel, tapi terbukti bekerja saat krisis terjadi. Jika sebuah sistem hanya efektif di satu ekosistem atau butuh penyesuaian terus-menerus, itu bukan solusi jangka panjang, melainkan risiko tersembunyi. Penutup Pemimpin keamanan tidak mencari sistem yang sempurna, tapi mereka berhak mendapatkan alat yang bisa diandalkan saat paling dibutuhkan. Terlalu banyak keputusan dibuat karena tekanan anggaran dan janji kesederhanaan yang tidak bertahan lama. Biaya kompromi jarang terlihat di awal. Biasanya baru terasa saat semuanya sudah terlambat. Pertanyaan pentingnya adalah: Apakah tim Anda bisa mendeteksi ancaman yang benar-benar penting? Apakah mereka bisa merespons tepat waktu? Apakah mereka bisa mempercayai sistem saat tekanan tinggi? White paper yang disebutkan dalam artikel ini membahas pertanyaan-pertanyaan penting tersebut. Jika tim Anda diminta melakukan lebih banyak dengan sumber daya terbatas, atau dipaksa konsolidasi tanpa strategi jelas, mungkin inilah saatnya melihat lebih dalam sebelum sesuatu benar-benar rusak. 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!

Seiring semakin canggih dan cepatnya para penyerang siber, strategi deteksi keamanan juga harus ikut berkembang. Selama bertahun-tahun, banyak organisasi mengandalkan SIEM (Security Information and Event Management) dengan aturan korelasi untuk mendeteksi ancaman. Aturan ini bekerja dengan cara menghubungkan berbagai kejadian, misalnya log tertentu, alamat IP yang sudah dikenal berbahaya, atau file yang sebelumnya sudah ditandai. Pendekatan ini cukup efektif untuk menghadapi malware biasa. Namun di era sekarang, cara tersebut tidak lagi cukup. Serangan modern jauh lebih kompleks, seperti malware yang dibuat khusus, serangan berbasis AI, rekayasa sosial (social engineering), ancaman dari orang dalam, hingga teknik living-off-the-land (LotL) yang memanfaatkan aktivitas normal sistem untuk menyerang. Karena itu, pertanyaan pentingnya bukan lagi perlu atau tidak memperkuat SIEM, tetapi bagaimana caranya. Dua pendekatan yang paling sering dibahas adalah UEBA dan XDR. UEBA dan XDR: Dua Pendekatan yang Berbeda Sekilas, UEBA (User and Entity Behavior Analytics) dan XDR (Extended Detection and Response) terdengar mirip. Namun sebenarnya, keduanya dibangun dengan filosofi yang sangat berbeda. UEBA berfokus pada memahami perilaku pengguna dan sistem secara menyeluruh. XDR berfokus pada menggabungkan data keamanan dari berbagai produk milik satu vendor. UEBA dirancang sebagai sistem yang terbuka, sedangkan XDR umumnya berada dalam ekosistem tertutup. Kelemahan Deteksi Berbasis Indikator yang Sudah Dikenal Alat deteksi tradisional, baik SIEM maupun XDR, sangat bergantung pada indikator serangan (IoC) seperti IP berbahaya, hash file, atau pola serangan yang sudah dikenal. Masalahnya, penyerang sudah tahu cara menghindari indikator tersebut. Mereka bisa: Mengganti infrastruktur serangan Mengubah malware agar tidak terdeteksi Bergerak di area “abu-abu” yang terlihat normal tapi sebenarnya berbahaya UEBA hadir untuk mengatasi kelemahan ini. UEBA tidak mencari tanda serangan yang sudah dikenal, tetapi membandingkan perilaku saat ini dengan kebiasaan sebelumnya. Jika ada aktivitas yang tidak biasa, sistem akan menandainya sebagai risiko. Pendekatan ini sangat efektif untuk mendeteksi: Penyalahgunaan akun Peningkatan hak akses mencurigakan Ancaman dari orang dalam Sementara itu, XDR biasanya hanya mengkorelasikan data dari produk keamanan milik vendor yang sama. Jika perusahaan menggunakan banyak vendor (best-of-breed), maka visibilitas XDR menjadi terbatas. Sistem Terbuka vs Sistem Tertutup UEBA bersifat terbuka, artinya bisa menerima data dari berbagai sumber: Identitas cloud Log server lokal Endpoint API Aplikasi SaaS Dengan pendekatan ini, tim keamanan mendapatkan gambaran menyeluruh tentang apa yang terjadi di seluruh lingkungan IT. Sebaliknya, XDR cenderung tertutup. “Extended detection” sering kali hanya berarti integrasi antar produk dari vendor yang sama. Memang terlihat praktis, tetapi dalam jangka panjang bisa menyebabkan ketergantungan vendor dan celah keamanan yang tersembunyi. Mengapa UEBA Sejati Jarang Ditemukan Membangun UEBA yang benar-benar efektif bukan hal mudah. Dibutuhkan: Pengalaman bertahun-tahun di data science Pemahaman mendalam tentang keamanan Kemampuan menganalisis perilaku dalam skala besar Banyak vendor menawarkan “UEBA ringan” yang sebenarnya hanya berupa ambang batas statistik sederhana. UEBA sejati mampu membangun baseline perilaku jutaan entitas dan terus menyesuaikan diri seiring perubahan lingkungan. Exabeam menjadi pelopor UEBA sejak lebih dari 10 tahun lalu dan terus mengembangkannya melalui New-Scale Analytics, dengan kemampuan seperti: Analitik perilaku berbasis machine learning Penilaian risiko dinamis Timeline serangan otomatis Mitos Umum tentang UEBA Mitos 1: UEBA menghasilkan terlalu banyak alert Faktanya, UEBA modern menggunakan AI untuk mengelompokkan anomali menjadi satu kasus yang bermakna, lalu memprioritaskan risiko tertinggi. Mitos 2: UEBA sulit diterapkan Saat ini, sistem UEBA dapat mempelajari perilaku normal hanya dalam hitungan hari, tanpa konfigurasi rumit. Mitos 3: UEBA terlalu mahal Biaya UEBA memang lebih tinggi dibanding aturan SIEM biasa, tetapi kerugian akibat serangan ransomware atau insider threat jauh lebih mahal. Mengapa UEBA Semakin Penting di Era AI Penyerang kini menggunakan AI untuk menyamar sebagai aktivitas normal. Mereka memanfaatkan kredensial sah dan skrip admin agar terlihat legal. Sistem berbasis aturan dan XDR sering gagal mendeteksi hal ini karena hanya mencari “file jahat”, bukan perilaku mencurigakan. UEBA fokus pada penyimpangan perilaku. Pendekatan ini juga menjadi fondasi penting bagi AI agent di SOC, karena AI hanya bisa mengambil keputusan jika memahami konteks perilaku. Kesimpulan XDR menawarkan kemudahan, terutama jika menggunakan satu vendor. Namun UEBA menawarkan ketepatan, fleksibilitas, dan ketahanan jangka panjang. Di era AI dan otomatisasi, UEBA bukan lagi pelengkap, melainkan fondasi penting dalam sistem deteksi modern. Pertanyaannya bukan apakah UEBA lebih baik dari XDR, tetapi apakah strategi keamanan Anda bisa berkembang tanpa UEBA. 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!

Exabeam baru saja mengumumkan tahap pertama dari inisiatif terbaru mereka yang bernama Agent Behavior Analytics, yang dikembangkan bersama Google Cloud. Pengumuman ini menandai langkah penting Exabeam ke arah baru. Jika sebelumnya Exabeam sudah menggunakan AI agent untuk membantu keamanan siber melalui Exabeam Nova, kini mereka memperluas fokusnya: mengamankan AI agent yang digunakan oleh pelanggan mereka sendiri. Dengan kata lain, bukan hanya manusia yang perlu diawasi dari sisi keamanan, tapi juga AI agent yang semakin banyak dipakai di lingkungan kerja. Masalah Utama: AI Agent sebagai “Orang Dalam” AI agent kini sudah resmi menjadi bagian dari dunia kerja. Mulai dari copilot bawaan aplikasi, hingga asisten AI yang dibuat khusus oleh perusahaan, semuanya kini: Login ke sistem perusahaan Mengakses data sensitif Mengambil keputusan secara otomatis Masalahnya, AI agent ini bisa dianggap sebagai “karyawan digital”. Mereka bekerja seperti manusia, tetapi tidak memiliki etika, pemahaman konteks, atau rasa tanggung jawab seperti manusia. Inilah yang membuat AI agent menjadi risiko keamanan baru, terutama sebagai ancaman orang dalam (insider threat). Jika dulu insider threat hanya berasal dari karyawan manusia, sekarang ancamannya bertambah dengan kehadiran AI agent. Jenis Ancaman Baru dari AI Agent AI agent menimbulkan beberapa jenis risiko yang sebelumnya tidak ada, antara lain: AI agent yang bermasalah (malfunctioning) Agen bisa bertindak tidak sesuai harapan karena bug, error, atau konfigurasi yang salah. AI agent yang salah arah (misaligned) Agen menjalankan perintah atau prompt yang keliru, sehingga melanggar aturan privasi, kepatuhan, atau kebijakan perusahaan. AI agent yang dibajak atau di-jailbreak Agen bisa dimanipulasi oleh pihak tidak bertanggung jawab dan digunakan sebagai alat untuk menyerang sistem internal. Menurut riset Exabeam: 93% organisasi sudah mengalami atau memperkirakan akan mengalami peningkatan insider threat akibat AI 64% organisasi menganggap ancaman dari orang dalam (manusia dan AI) lebih berbahaya dibanding serangan dari luar Ini menunjukkan bahwa risikonya tumbuh lebih cepat dari yang disadari oleh banyak pimpinan perusahaan. Tantangan Saat Ini: Kurangnya Visibilitas Sebagian besar tools keamanan yang ada saat ini belum dirancang untuk aktivitas AI agent. SIEM dan XDR tradisional kesulitan memahami pola kerja AI Sistem belum bisa membedakan mana aktivitas AI yang normal dan mana yang berbahaya Tidak ada baseline perilaku AI agent yang jelas Akibatnya, muncul blind spot keamanan, di mana AI agent bisa bertindak di luar tugasnya tanpa terdeteksi. Solusi Exabeam: Menutup Celah Keamanan Exabeam membawa pendekatan baru dengan memperluas behavioral analytics yang selama ini digunakan untuk manusia, agar bisa juga diterapkan pada AI agent. Melalui kerja sama dengan Google Cloud, platform New-Scale Security Operations Platform milik Exabeam kini dapat mengumpulkan data (telemetri) dari: Google Agentspace Google Model Armor AI agent yang dibangun menggunakan Vertex AI atau Agent Builder Dengan data ini, Exabeam dapat mempelajari perilaku normal manusia dan AI agent secara bersamaan, lalu mendeteksi kejanggalan secara real-time. Manfaat Nyata bagi Tim Keamanan Melalui Exabeam Nova, yang merupakan sistem AI multi-agent milik Exabeam, tim keamanan mendapatkan: Visibilitas penuh terhadap perilaku pengguna manusia dan AI agent Penilaian risiko (risk scoring) untuk setiap aktivitas Deteksi anomali real-time, sehingga bisa membedakan otomatisasi normal dan aktivitas berbahaya Investigasi dan respons yang lebih cepat dan percaya diri saat terjadi insiden Dengan ini, tim SOC tidak lagi “buta” terhadap aktivitas AI di lingkungan mereka. Membangun Masa Depan Keamanan AI Agent Pengumuman ini bukan akhir, melainkan awal perjalanan Exabeam dalam mengamankan AI agent. Ke depan, Exabeam berencana untuk: Menambahkan dukungan untuk berbagai framework AI agent lainnya di pasar Mengembangkan model data dan antarmuka pengguna, agar hubungan antara manusia dan AI agent bisa terlihat jelas Meningkatkan kemampuan Exabeam Nova, agar mampu menjelaskan perilaku AI yang semakin kompleks Penutup AI agent sedang mengubah cara kita bekerja. Mereka membantu meningkatkan efisiensi, otomatisasi, dan pengambilan keputusan. Namun tanpa pengawasan yang tepat, mereka juga bisa menjadi ancaman serius bagi keamanan perusahaan. Exabeam hadir sebagai pelopor dalam memastikan bahwa inovasi AI dapat digunakan secara aman, transparan, dan bertanggung jawab. Dengan visibilitas dan kontrol yang tepat, perusahaan dapat menyambut masa depan kerja berbasis AI tanpa mengorbankan keamanan. 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!