Agentic威胁防护是什么？

概概览

Agentic威胁防护能够在机器速度下防御自动化的AI驱动攻击变种。其利用AI代理识别攻击，并在产生影响之前应用和调整防护措施。这会减少您的攻击表面，并在无人干预时遏制前沿AI威胁。

理解前沿AI的威胁

前沿AI攻击不受人类驱动或限制。 AI代理现在可以计划、执行和调整多阶段攻击链，自主加速漏洞发现，实时个性化策略规避防御，并以加速的速度、规模和复杂程度运行攻击。

来自前沿AI攻击的保护超出了传统保护措施的范围。静态规则和签名是为已知攻击构建的，而前沿AI攻击者不断改变其行为以绕过这些规则和签名。有效的保护必须在机器速度下运行，使用持续的、环境特定的上下文来识别和阻止新兴的攻击路径。

Agentic威胁防护如何保护您的网络

Agentic威胁防护使用由Opus 4.6大型语言模型驱动的AI代理。这些代理每四小时分析一次全网流量和安全信号。每次分析审核用户、主机、站点、应用程序和其他实体在过去24小时内的活动。此滚动窗口提供了有关典型使用模式和预期活动的账户特定上下文。

利用此上下文，代理分析可疑行为模式。在机器速度下，它们将活动序列、时间、首次见到的事件和来自多重安全引擎的信号进行关联。这种分析将单个信号连接在一起，并将其与已建立的行为和更广泛的网络上下文进行比较。它能够揭示新兴的攻击，包括使用先前未见路径的攻击。例如，下载二进制文件对于IT管理员可能是正常的。相同的操作若由一个没有该行为历史的用户执行，可能会表明风险。

当活动表明风险提高时，代理预测攻击的下一步，并通过自动应用临时动态控件确定适当的响应。这些控制措施阻止了对暴露服务、操作或访问路径的访问，执行了基于 Cato 的研究团队对众多漏洞场景深入分析和研究得到的缓解措施。

代理会随着时间的推移不断重新评估行为，并在条件变化时调整或移除控制措施。这会降低攻击面，限制手动干预，并保持管理可见性和控制。要监控Agentic威胁防护如何保护您的网络，请查看监控Agentic威胁防护。

为了更全面地查看用户风险行为，Agentic威胁防护的安全引擎触发的阻止事件被纳入用户的风险评分。有关详细信息，请参阅了解用户风险等级。

Agentic威胁防护使您能够：

领先于前沿攻击：通过在机器速度下适应环境的特定防护来应对攻击者行为的变化
自动化威胁防护：通过自动应用动态控制来阻止攻击在其升级之前
在用户、站点和应用程序中执行控制

许可证要求

对于截至2026年8月拥有活跃高级威胁防护许可证的客户，该许可证还包括Agentic威胁防护
对于其他客户，Agentic威胁防护需要Agentic威胁防护许可证（这需要威胁防护或高级威胁防护许可证）

用例——在指挥控制建立之前阻挡Agentic AI攻击

ABC公司的员工与伪装成合法生产力助手的恶意AI代理交互。在获得员工信任后，代理尝试通过枚举本地资源、识别敏感应用程序并为持久远程访问准备端点来执行多步骤攻击。此操作顺序对于用户是不常见的，并且在设备上之前未曾发生。

Agentic威胁防护分析了事件链，识别出自动AI驱动攻击典型的协作推理和计划特征，并判断该活动代表了在指挥控制建立前的恶意侦察。

基于此评估，Agentic威胁防护在攻击推进之前应用了先发制人的控制措施。它阻止了AnyDesk的下载和执行，避免了AI代理建立远程访问和指挥控制。在额外工具、负载或指令可交付之前，这中断了攻击，并显著降低了凭证盗窃、权限提升和横向移动的风险。

通过自主检测到活动背后的意图，而不是依赖于单个指标，Agentic威胁防护在无需手动干预的情况下遏制了AI驱动攻击。

了解Agentic威胁防护的工作原理

Agentic威胁防护通过以下五步流程，持续分析您的环境中活动，以识别和阻止可疑行为：

Build an Entity Baseline: Agentic Threat Prevention’s AI agents monitor network activity over time to establish normal behavior across your network.
Detect Deviations: Agents collect real-time signals from multiple security engines, including services such as Anti-Malware, IPS, Firewall and SAM. It also analyzes long-term insights from the Cato data lake, which aggregates all security events. AI agents reasoning identifies suspicious behavioral patterns compared against the behavioral baseline to identify abnormal activity. Even actions that appear benign can be flagged if they significantly deviate from normal behavior.
Dynamic Controls: When suspicious behavior is detected, to reduce the attack surface, the agent predicts the next stage of the attack and applies customized controls to prevent it from progressing. Multiple controls can be applied for a single suspicious behavior.
Block Malicious Action: If a malicious action is taken, it is blocked in real time to prevent threats.
Adapt Dynamic Controls: Agents continuously reevaluate entity behavior and dynamically adjust or expire the applied controls as the risk level changes.

Agentic威胁防护如何补充现有的安全引擎

Agentic攻击引入了三项挑战，传统安全模型对此提供的保护有限：

机器速度：攻击执行和进展的速度超过了人类驱动的响应工作流程反应速度
自适应：AI驱动攻击者不断迭代，每次失败后改变策略，直到找到成功路径
自主：攻击链在无人参与的情况下计划和执行，因此它们从不会暂停、等待或分心

现有Cato安全引擎提供针对已知威胁和政策违规的精确保护。它们有效地在生命周期的特定阶段执行政策并阻止攻击。然而，它们依赖提前定义的检测、由安全研究人员根据已知攻击技术创建的签名和规则。

Agentic攻击者可以不断修改其技术，直到他们找到可用攻击路径，目前的检测研究、撰写和部署速度无法跟上。 Agentic威胁防护通过自主推理层与攻击者的操作模式相匹配。它持续分析来自流量、安全事件、威胁情报和实体行为的账户特定上下文。与攻击者不同，代理能够持续可见于环境，并即刻访问执行控制。这种上下文优势帮助代理识别可疑行为模式和新兴攻击路径。

代理无需等待研究人员创建新的签名即可检测到可疑行为。它根据每次检测的上下文和风险选择适当的响应。随后，Agentic威胁防护通过Cato的现有执行引擎以机器速度应用动态控制。

该代理持续重新评估活动，并在风险变化时调整或移除控制措施。这提供了主动预防，无需人在环。

现有安全引擎执行精确控制，而Agentic威胁防护则自主分析上下文并协调响应。两者结合，在不增加政策复杂性或运维负担的情况下，阻止了Agentic攻击的进展。