Agentic 威胁防护是什么?

Prev Next

概概览

Agentic 威胁防护以机器速度抵御自主的、AI驱动的攻击变种。它利用AI代理识别攻击并在发生任何影响前应用和调整保护。这减少了您的攻击面,并阻止前沿AI威胁,无需等待人工干预。

理解前沿AI威胁

前沿AI攻击不受人类驱动或限制。 AI 代理现在可以自主计划、执行和适应多阶段攻击链,加速漏洞发现,在实时环境中个性化策略以规避防御,并以越来越快的速度、规模和复杂性运行攻击。

前沿 AI 攻击的保护超出了传统防护的能力。静态规则和签名针对已知攻击进行构建,而前沿的 AI 攻击者则不断改变其行为以绕过这些防护。有效的保护必须以机器速度运作,并使用持续、特定于环境的上下文来识别和阻止新兴攻击路径。

代理威胁防护如何保护您的网络

Agentic Threat Prevention使用由Opus 4.6大型语言模型驱动的AI代理。代理每三小时分析全网的流量和安全性信号。每次分析都会审查用户、主机、站点、应用程序和其他实体在前24小时内的活动。这一滚动窗口提供了关于典型使用模式和预期活动的账户特定上下文。

利用这一上下文,代理分析可疑的行为模式。在机器速度下,它们关联活动序列、时间、首次看到的事件以及来自多个安全引擎的信号。这一分析连接单个信号,并与已建立的行为和更广泛的网络上下文进行比较。它能够揭示新兴攻击,包括使用以前未见路径的攻击。例如,下载二进制文件对于IT管理员而言可能是正常的。对于没有此类行为历史的用户,相同的操作可能表明存在风险。

当活动指示出较高的风险时,代理会预测攻击的下一步,并通过自动应用临时动态控制来确定适当的响应。这些控制措施阻止对暴露服务、操作或访问路径的访问,通过对Cato研究团队进行的众多漏洞场景进行透彻分析和研究,执行缓解措施。

代理持续重新评估行为,并随着条件变化调整或移除控制措施。这减少了攻击面,限制了人工干预,并保持了管理可见性和控制。要监控代理威胁防护如何保护您的网络,请参阅监控代理威胁防护。

要提供更全面的风险用户行为查看,Agentic Threat Prevention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。

代理威胁防护使您能够:

  • 始终领先于前沿攻击,通过在机器速度下适应环境特定的保护来应对攻击者行为变化

  • 自动化威胁防护,通过自动应用动态控制在攻击推进之前阻止其发生

  • 在各地强制执行控制,覆盖用户、站点和应用程序

许可证要求

  • 对于截至2026年8月仍然活跃的高级威胁防护许可证客户,该许可证也包括代理威胁防护

  • 对于其他客户,Agentic Threat Prevention需要一个代理威胁防护许可证(这需要一个威胁防护或高级威胁防护许可证)

用例 - 在命令与控制建立之前阻止代理 AI 攻击

公司ABC的一名员工与一个恶意AI代理进行了交互,该代理伪装为合法的生产力助手。在获得员工信任后,该代理试图通过枚举本地资源、识别敏感应用程序并准备端点以实现持续的远程访问来执行多步骤攻击。这一系列动作对于该用户而言并不典型,此前也没有在设备上发生过。

Agentic Threat Prevention分析了事件链,识别出自主AI驱动攻击的协调推理和计划特征,并确定这些活动代表了在命令与控制建立之前的恶意侦察。

基于此评估,Agentic Threat Prevention在攻击进展之前应用了预防控制措施。它阻止了AnyDesk的下载和执行,防止AI代理建立远程访问并维持命令与控制。这中断了攻击,防止了额外工具、负载或指令的交付,大大降低了凭证盗取、权限升级和横向移动的风险。

通过自主检测活动背后的意图而不是依赖单个指标,Agentic Threat Prevention在无需人工干预的情况下遏制了AI驱动的攻击。

了解代理威胁防护的工作原理

代理威胁防护持续分析您环境中的活动,以识别和阻止可疑行为,使用以下五步过程:

  1. Build an Entity Baseline: Agentic Threat Prevention’s AI agents monitor network activity over time to establish normal behavior across your network.

  2. 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.

  3. 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.

  4. Block Malicious Action: If a malicious action is taken, it is blocked in real time to prevent threats.

  5. Adapt Dynamic Controls: Agents continuously reevaluate entity behavior and dynamically adjust or expire the applied controls as the risk level changes.

代理威胁防护如何补充现有的安全引擎

代理攻击带来了三个传统安全模型在保护中面临的挑战:

  • 机器速度:攻击执行和进展比人工响应工作流程反应得更快

  • 自适应:AI驱动的攻击者不断迭代,在每次尝试失败后更改策略直到找到成功路径

  • 自主性:攻击链计划并执行而无需人工参与,因此它们从不暂停、等待或失去焦点

现有的Cato安全引擎为已知威胁和政策违规提供了精确的保护。它们在生命周期的特定阶段有效地实施策略并阻止攻击。然而,它们依赖于预先定义的检测、安全研究人员根据已知攻击技术创建的签名和规则。

代理攻击者可以不断修改他们的技术,比新的检测更加快速地找到可用的攻击路径。代理威胁防护通过自动推理层匹配攻击者的操作模型。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,代理拥有对环境的持续可见性,并能立即访问执行控制。这一上下文优势帮助代理识别可疑的行为模式和新兴的攻击路径。

代理识别可疑行为而无需等待研究人员创建新的签名。它根据每次检测的上下文和风险选择适当的响应。然后,Agentic Threat Prevention通过Cato现有的执行引擎以机器速度应用动态控制。

代理不断重新评估活动,并随着风险的变化调整或移除控制措施。这种方式在无需人工参与的情况下提供了主动预防。

现有的安全引擎实施了精确的控制,而Agentic Threat Prevention则自主分析上下文并协调响应。它们共同在不增加策略复杂性或操作开销的情况下阻止代理攻击在展开之前发展。