Tag: exabeam indonesia

Selama ini, banyak organisasi merasa sistem machine learning (ML) dan kecerdasan buatan (AI) mereka sudah cukup aman. Data dienkripsi, akses dibatasi, dan sistem diuji secara berkala. Namun, dalam dunia keamanan siber, tidak ada istilah “sudah selesai”. Ancaman selalu berkembang, dan salah satu yang paling besar di masa depan adalah komputasi kuantum (quantum computing). Teknologi ini berpotensi mengubah cara kita melindungi sistem AI. Bukan hanya meningkatkan kemampuan komputasi, tetapi juga membuka peluang baru bagi penyerang untuk mengeksploitasi kelemahan dalam model machine learning. Apa Itu Ancaman Quantum? Komputer kuantum memiliki kemampuan menghitung yang jauh lebih cepat dibanding komputer biasa. Jika teknologi ini sudah matang, banyak metode keamanan yang saat ini digunakan bisa menjadi tidak efektif. Dalam konteks machine learning, ini berarti: Model bisa lebih mudah diserang Data bisa lebih mudah dibongkar Sistem keamanan lama bisa menjadi usang Pertanyaannya bukan lagi apakah ini akan terjadi, tapi kapan. 1. Adversarial Attack: Manipulasi yang Sulit Terlihat Serangan adversarial adalah teknik di mana penyerang mengubah sedikit input data agar model AI salah mengambil keputusan. Contohnya: Gambar rambu “STOP” diubah sedikit sehingga AI membacanya sebagai “batas kecepatan” Email phishing terlihat normal, tapi lolos dari filter spam Dengan bantuan komputasi kuantum, serangan ini bisa menjadi: Lebih cepat dibuat Lebih sulit dideteksi Bisa dilakukan secara otomatis dalam skala besar Artinya, sistem yang mengandalkan kecepatan respon saja tidak akan cukup. 2. Model Inversion & Membership Inference: Data Rahasia Bisa Terbongkar Ada teknik serangan yang memungkinkan hacker “menebak” data asli yang digunakan untuk melatih model AI. Misalnya: Mengirim banyak pertanyaan ke model Menganalisis jawaban yang diberikan Menyimpulkan data sensitif di baliknya Dengan komputasi kuantum, proses ini bisa menjadi jauh lebih cepat dan akurat. Data yang dianggap aman seperti: Data pribadi Informasi pelanggan Data sensitif perusahaan Bisa terekspos kembali, meskipun sudah disamarkan. 3. Data Poisoning: Merusak Model dari Dalam Serangan ini dilakukan dengan menyisipkan data palsu saat proses pelatihan model. Dampaknya: Model menghasilkan keputusan yang salah Ada “backdoor” tersembunyi dalam sistem Performa terlihat normal saat diuji, tapi gagal di dunia nyata Komputer kuantum bisa membantu penyerang menemukan cara paling efektif untuk merusak model hanya dengan sedikit data. 4. Model Theft: Pencurian AI Banyak perusahaan menyediakan akses ke model AI melalui API. Ini memudahkan pengguna, tapi juga membuka peluang pencurian. Penyerang bisa: Mengirim ribuan permintaan ke API Mengumpulkan hasilnya Membuat model tiruan yang mirip dengan aslinya Dengan komputasi kuantum, proses ini bisa dipercepat drastis. Model yang dibuat bertahun-tahun bisa disalin hanya dalam waktu singkat. 5. Harvest Now, Decrypt Later: Ancaman Jangka Panjang Strategi ini cukup sederhana: Kumpulkan data terenkripsi sekarang Tunggu sampai komputer kuantum bisa membukanya Algoritma enkripsi yang umum saat ini seperti RSA dan ECC berpotensi bisa dipecahkan di masa depan. Artinya: Data yang aman hari ini bisa bocor di masa depan Backup lama bisa menjadi risiko Informasi sensitif tetap terancam Apa yang Harus Dilakukan Sekarang? Bagi tim keamanan atau CISO, menunggu bukanlah pilihan. Beberapa langkah yang bisa dilakukan mulai sekarang: 1. Audit Sistem Keamanan Periksa apakah masih menggunakan enkripsi lama seperti RSA atau ECC. 2. Beralih ke Post-Quantum Cryptography (PQC) Gunakan algoritma baru yang tahan terhadap serangan quantum, seperti: Kyber (enkripsi) Dilithium (tanda tangan digital) 3. Perkuat Model Machine Learning Gunakan adversarial training Lakukan pengujian keamanan secara rutin 4. Lindungi Data Gunakan teknik seperti differential privacy Batasi akses ke data pelatihan 5. Amankan API Terapkan kontrol akses Batasi jumlah request (rate limiting) Deteksi aktivitas mencurigakan 6. Tingkatkan Monitoring Pantau semua aktivitas pada model, data, dan pipeline AI secara terus-menerus. Kesimpulan Machine learning adalah teknologi masa depan, tetapi juga membawa risiko baru—terutama dengan hadirnya komputasi kuantum. Ancaman seperti: Manipulasi data Kebocoran informasi Pencurian model Serangan jangka panjang Sudah mulai terjadi hari ini, dan akan menjadi lebih berbahaya di masa depan. Organisasi yang mulai bersiap sekarang akan memiliki keunggulan besar dalam menjaga keamanan sistem mereka. Karena dalam dunia keamanan siber, satu hal yang pasti: penyerang tidak pernah menunggu. 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!

Memilih solusi SIEM (Security Information and Event Management) adalah salah satu keputusan terpenting dalam membangun sistem keamanan IT di sebuah organisasi. Saat ini, banyak perusahaan dihadapkan pada dua pilihan utama: tetap menggunakan SIEM tradisional (legacy/on-premises) atau beralih ke SIEM modern berbasis cloud (cloud-native). Artikel ini akan membantu Anda memahami perbedaan keduanya dengan bahasa yang sederhana, sehingga mudah dipahami oleh pemula. Apa Itu SIEM dan Mengapa Penting? SIEM adalah sistem yang digunakan untuk mengumpulkan, memantau, dan menganalisis data keamanan dari berbagai sumber dalam satu tempat. Tujuannya adalah untuk mendeteksi ancaman, merespons insiden, dan menjaga keamanan sistem secara keseluruhan. Namun, seiring berkembangnya teknologi—terutama cloud dan aplikasi modern—kebutuhan terhadap SIEM juga ikut berubah. Perbandingan Singkat: Legacy vs Cloud-Native SIEM Mari kita lihat perbedaan utama antara SIEM tradisional dan cloud-native: 1. Skalabilitas (Kemampuan Menangani Data Besar) Legacy SIEM: Terbatas. Jika data bertambah, Anda harus menambah hardware baru yang mahal. Cloud-Native SIEM: Fleksibel (elastic). Bisa menyesuaikan kapasitas secara otomatis sesuai kebutuhan tanpa penurunan performa. 👉 Artinya, cloud-native lebih siap menghadapi pertumbuhan data yang cepat. 2. Biaya (Total Cost of Ownership) Legacy SIEM: Mahal. Butuh investasi awal besar untuk server, plus biaya listrik, maintenance, dan tim IT. Cloud-Native SIEM: Lebih terprediksi. Menggunakan sistem berlangganan tanpa perlu beli hardware. 👉 Cloud-native biasanya lebih hemat dalam jangka panjang. 3. Deteksi Ancaman Legacy SIEM: Berbasis aturan (rule-based). Hanya bisa mendeteksi ancaman yang sudah dikenal. Cloud-Native SIEM: Berbasis analitik. Menggunakan AI, machine learning, dan analisis perilaku untuk mendeteksi ancaman baru. 👉 Cloud-native lebih unggul dalam menghadapi serangan modern yang kompleks. 4. Proses Implementasi Legacy SIEM: Lama dan rumit. Butuh setup hardware dan konfigurasi yang kompleks. Cloud-Native SIEM: Cepat. Bisa digunakan dalam hitungan jam atau hari. 👉 Ini penting jika Anda ingin segera meningkatkan keamanan. 5. Pengelolaan Sistem Legacy SIEM: Membutuhkan banyak tenaga. Tim IT harus mengurus update, patching, dan infrastruktur. Cloud-Native SIEM: Lebih ringan. Vendor yang mengelola sistem, sehingga tim Anda bisa fokus ke keamanan. 👉 Cloud-native mengurangi beban operasional. Kekhawatiran Umum tentang Cloud-Native SIEM Walaupun banyak keunggulan, ada beberapa kekhawatiran yang sering muncul. 1. Keamanan dan Privasi Data Banyak orang khawatir menyimpan data di cloud. Namun, vendor SIEM cloud biasanya menggunakan infrastruktur yang aman seperti AWS, Azure, atau GCP. Mereka juga menyediakan: Enkripsi data end-to-end Kontrol akses yang ketat Monitoring transparan 👉 Kuncinya adalah memilih vendor yang terpercaya. 2. Vendor Lock-In (Ketergantungan pada Vendor) Sebagian organisasi takut terjebak dengan satu vendor. Namun, memilih SIEM cloud yang kuat justru membantu Anda menghindari masalah ini. Kenapa? Karena SIEM adalah pusat analitik keamanan. Jika Anda memilih solusi yang lemah, seluruh sistem keamanan bisa ikut terdampak. 👉 Pilih SIEM yang fleksibel dan mudah integrasi dengan tools lain. 3. Integrasi dengan Sistem Hybrid Tidak semua data ada di cloud. Banyak perusahaan masih menggunakan sistem on-premises. Kabar baiknya, SIEM cloud-native modern sudah dirancang untuk: Mendukung lingkungan hybrid Menggunakan API modern Memiliki integrasi siap pakai 👉 Jadi tetap bisa digunakan di lingkungan campuran. Cara Memilih SIEM yang Tepat Sebelum memutuskan, tanyakan hal berikut: 1. Apakah data akan terus bertambah? Jika iya, cloud-native lebih cocok karena skalabilitasnya tinggi. 2. Apakah tim IT terbatas? Jika tim kecil, cloud-native membantu mengurangi beban kerja. 3. Bagaimana kondisi infrastruktur saat ini? Jika masih baru investasi hardware, mungkin perlu pertimbangan lebih matang. 4. Seberapa penting deteksi ancaman canggih? Jika ingin melawan serangan modern, fitur AI dan analitik sangat penting. Kesimpulan: Pilihan Strategis untuk Masa Depan SIEM tradisional (legacy) masih bisa digunakan, terutama jika sudah terlanjur diimplementasikan. Namun, jika melihat kebutuhan keamanan modern, solusi ini memiliki banyak keterbatasan. Sebaliknya, cloud-native SIEM menawarkan keunggulan dalam skalabilitas, efisiensi biaya, kecepatan implementasi, dan kemampuan deteksi ancaman yang lebih canggih. Bagi organisasi yang ingin: Lebih siap menghadapi ancaman masa depan Mengurangi kompleksitas operasional Memanfaatkan teknologi AI dalam keamanan Maka cloud-native SIEM adalah pilihan yang lebih strategis. Penutup Di era digital yang terus berkembang, keamanan tidak bisa lagi bersifat reaktif. Organisasi harus bergerak cepat dan cerdas dalam mendeteksi serta merespons ancaman. Dengan memahami perbedaan antara legacy dan cloud-native SIEM, Anda bisa mengambil keputusan yang tepat untuk melindungi bisnis Anda—hari ini dan di masa depan. 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 era digital saat ini, ancaman siber semakin kompleks dan sulit dideteksi. Banyak organisasi sudah menggunakan SIEM (Security Information and Event Management) untuk mengumpulkan log dan memantau aktivitas sistem. Namun, SIEM modern—khususnya yang berbasis cloud-native—tidak hanya sekadar mengumpulkan data. Teknologi ini mampu menganalisis perilaku dan membantu mencegah serangan sebelum terjadi. Artikel ini akan membahas enam use case lanjutan dari cloud-native SIEM dengan bahasa sederhana, agar mudah dipahami oleh pemula. 1. Deteksi Ancaman dari Orang Dalam (Insider Threat) Ancaman tidak selalu datang dari luar. Kadang, risiko terbesar justru berasal dari dalam organisasi sendiri, baik disengaja maupun tidak. Cloud-native SIEM dapat menganalisis perilaku pengguna dan sistem secara terus-menerus. Dengan bantuan teknologi seperti machine learning (ML) dan UEBA (User and Entity Behavior Analytics), SIEM bisa mendeteksi aktivitas mencurigakan seperti: Login yang tidak biasa Peningkatan hak akses secara tiba-tiba Aktivitas aneh dalam jaringan Upaya mencuri data secara diam-diam Dengan cara ini, potensi ancaman bisa diketahui lebih awal sebelum menjadi masalah besar. 2. Mencegah Penyalahgunaan Akses Istimewa Akun dengan akses tinggi (admin atau privileged user) sering menjadi target utama hacker. Jika akun ini disalahgunakan, dampaknya bisa sangat besar. SIEM membantu dengan: Memantau aktivitas pengguna dengan akses tinggi Mendeteksi penyimpangan dari kebiasaan normal Mengidentifikasi akses tidak sah dari pihak ketiga Menemukan kesalahan penggunaan hak akses Dengan analisis dari berbagai sumber data, tim keamanan bisa segera mengambil tindakan jika terjadi penyalahgunaan. 3. Mendeteksi Kompromi pada Sistem yang Dipercaya Penyerang sering memanfaatkan akun atau perangkat yang terlihat “aman” untuk masuk ke sistem. Ini disebut sebagai trusted entity compromise. SIEM cloud-native dapat: Menggabungkan data dari berbagai sumber Menganalisis aktivitas perangkat dan akun Mendeteksi perilaku tidak biasa Mengidentifikasi celah keamanan Dengan visibilitas menyeluruh, tim IT dapat lebih cepat mengetahui jika ada sistem yang sudah disusupi. 4. Mendukung Threat Hunting Secara Proaktif Threat hunting adalah aktivitas mencari ancaman secara aktif, bukan menunggu alert muncul. Dengan SIEM modern, tim keamanan bisa: Mendeteksi anomali dalam sistem Menghubungkan data dengan kerentanan terbaru Membandingkan aktivitas dengan pola serangan yang dikenal Menggunakan threat intelligence untuk analisis lebih dalam Mencari pola serangan serupa di data lama Fitur analitik dan visualisasi data membantu mempercepat investigasi dan respon terhadap insiden. 5. Mencegah Kebocoran Data (Data Exfiltration) Salah satu risiko terbesar bagi organisasi adalah data sensitif yang bocor ke luar. Cloud-native SIEM membantu mencegah hal ini dengan: Mendeteksi malware seperti backdoor atau botnet Memantau transfer data ke cloud atau FTP Mengawasi aktivitas mencurigakan seperti RDP atau SMB Menganalisis penggunaan aplikasi web Mendeteksi email forwarding yang tidak wajar Mengidentifikasi pergerakan lateral dalam jaringan Dengan memantau perilaku tidak biasa dan menghubungkan berbagai kejadian, SIEM bisa mendeteksi upaya pencurian data lebih cepat. 6. Mengamankan Lingkungan IoT Perangkat IoT (Internet of Things) seperti sensor, kamera, dan perangkat pintar lainnya semakin banyak digunakan. Namun, perangkat ini juga membuka celah keamanan baru. SIEM cloud-native membantu dengan: Mendeteksi serangan DoS pada perangkat IoT Memantau kerentanan dan eksploitasi Mengelola akses ke perangkat IoT Mengawasi aliran data Mengidentifikasi perangkat yang berisiko atau sudah terinfeksi Dengan integrasi data IoT ke dalam satu platform, organisasi mendapatkan visibilitas dan kontrol yang lebih baik. Kesimpulan SIEM modern berbasis cloud-native membawa perubahan besar dalam cara organisasi mengelola keamanan. Jika sebelumnya keamanan bersifat reaktif (menunggu serangan terjadi), kini bisa menjadi proaktif (mencegah sebelum terjadi). Dari mendeteksi ancaman internal hingga mengamankan perangkat IoT, semua use case ini menunjukkan bahwa SIEM bukan sekadar alat monitoring, tetapi juga alat strategis untuk melindungi bisnis. Dengan memanfaatkan analitik canggih dan pendekatan berbasis perilaku, organisasi dapat: Mengurangi risiko serangan Mempercepat respon insiden Melindungi data sensitif Meningkatkan keamanan secara keseluruhan Bagi pemula, memahami konsep ini adalah langkah awal yang penting untuk membangun sistem keamanan yang lebih kuat di era digital saat ini. 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 perkembangan teknologi dan meningkatnya ancaman siber, perusahaan harus terus beradaptasi agar tetap aman. Salah satu bagian penting dalam sistem keamanan IT adalah SIEM (Security Information and Event Management). Namun, jika Anda masih menggunakan SIEM tradisional, kemungkinan besar Anda mulai kesulitan mengikuti perkembangan zaman. Dalam artikel ini, kita akan membahas kelemahan SIEM lama dan bagaimana SIEM berbasis cloud (cloud-native) dapat membantu meningkatkan dan menyederhanakan sistem keamanan Anda. Kenapa SIEM Tradisional Mulai Tertinggal? Selama bertahun-tahun, SIEM tradisional menjadi solusi utama untuk memantau keamanan. Sistem ini membantu mengumpulkan dan menganalisis data dari berbagai sumber dalam satu tempat. Namun, seiring waktu, keterbatasannya mulai terlihat. Berikut beberapa tantangan utama: 1. Skalabilitas dan Performa Seiring bertambahnya data, sistem lama sering kewalahan. Akibatnya: Proses pencarian data menjadi lambat Visibilitas tidak lengkap Risiko ancaman tidak terdeteksi dengan baik 2. Sulit Beradaptasi Ancaman siber terus berkembang, tetapi SIEM tradisional cenderung lambat dalam beradaptasi. Ini membuat organisasi lebih rentan terhadap serangan baru. 3. Biaya Tinggi dan Kompleks Penggunaan SIEM lama membutuhkan: Instalasi yang rumit Maintenance yang terus-menerus Sumber daya besar Semua ini membuat biaya operasional menjadi tinggi. Untuk menghadapi ancaman modern seperti serangan canggih (APT) dan malware terbaru, perusahaan membutuhkan solusi yang lebih fleksibel dan pintar. Munculnya SIEM Berbasis Cloud Untuk mengatasi keterbatasan tersebut, banyak organisasi mulai beralih ke SIEM berbasis cloud. Solusi ini memanfaatkan teknologi cloud yang lebih fleksibel dan scalable. Berikut keunggulannya: 1. Mudah Diskalakan Anda bisa menyesuaikan kapasitas sesuai kebutuhan tanpa harus membeli perangkat baru. 2. Fleksibel Bisa digunakan di berbagai lingkungan: On-premise Public cloud Hybrid cloud 3. Implementasi Cepat Tidak perlu instalasi hardware yang rumit. Sistem bisa langsung digunakan dalam waktu singkat. 4. Lebih Ringan Dikelola Tim IT tidak perlu lagi fokus pada maintenance infrastruktur. Mereka bisa lebih fokus pada analisis ancaman. Keunggulan Utama: AI dan Analisis Perilaku Salah satu kelebihan terbesar SIEM cloud-native adalah penggunaan teknologi canggih seperti: Artificial Intelligence (AI) Machine Learning (ML) User and Entity Behavior Analytics (UEBA) Apa bedanya dengan sistem lama? Jika SIEM tradisional hanya mengandalkan aturan (rules), SIEM modern bekerja dengan memahami pola perilaku. Cara kerjanya: Sistem mempelajari aktivitas normal pengguna dan perangkat Jika ada aktivitas yang tidak biasa, sistem langsung memberi peringatan Manfaatnya: Bisa mendeteksi ancaman baru yang belum pernah terlihat sebelumnya Mengidentifikasi aktivitas mencurigakan dengan lebih akurat Mengurangi false alarm (peringatan palsu) Dampak untuk Tim Keamanan Dengan teknologi ini, tim keamanan bisa: 1. Deteksi Ancaman Lebih Cepat Ancaman yang sebelumnya sulit terdeteksi kini bisa ditemukan lebih awal. 2. Respon Insiden Lebih Cepat Proses penanganan masalah menjadi lebih otomatis, sehingga waktu respon (MTTR) bisa berkurang drastis. 3. Sistem Lebih Adaptif SIEM modern terus belajar dari data, sehingga bisa mengikuti perkembangan ancaman terbaru. Siap Menghadapi Masa Depan Menggunakan SIEM berbasis cloud bukan lagi pilihan tambahan—ini sudah menjadi kebutuhan. Dengan sistem yang lebih modern, perusahaan bisa: Meningkatkan performa keamanan Mengurangi beban operasional Lebih siap menghadapi serangan siber yang semakin kompleks Dengan menggabungkan teknologi seperti AI dan analisis perilaku, SIEM cloud-native memberikan perlindungan yang lebih cerdas dan efektif. Kesimpulan SIEM tradisional sudah tidak cukup untuk menghadapi tantangan keamanan saat ini. Sistem tersebut memiliki banyak keterbatasan, mulai dari performa hingga biaya. Sebaliknya, SIEM berbasis cloud menawarkan: Skalabilitas tinggi Fleksibilitas penggunaan Implementasi cepat Teknologi canggih seperti AI dan ML Dengan beralih ke solusi ini, organisasi dapat menyederhanakan operasional keamanan sekaligus meningkatkan perlindungan terhadap ancaman siber. Jika Anda ingin sistem keamanan yang lebih modern, efisien, dan siap menghadapi masa depan, sekarang adalah waktu yang tepat untuk beralih ke SIEM berbasis cloud. 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 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!