Zespoły bezpieczeństwa reagują po fakcie
W przeciętnej sieci firmowej dzieje się zbyt dużo, by człowiek mógł to ogarnąć. Tysiące połączeń na sekundę, setki urządzeń, ruch, który w 99,9% jest niegroźny — a ten jeden procent gubi się w szumie. Klasyczne systemy SIEM opierają się na regułach: jeśli ktoś nie zapisał sygnatury ataku wcześniej, atak przechodzi bez echa.
* dane orientacyjne, branża cyberbezpieczeństwa — kontekst projektu fikcyjnego
Uczyć system, czym jest "normalne" — nie tylko czym jest "znane"
Zamiast polegać na bazie sygnatur znanych ataków, SENTRIX buduje własny, stale aktualizowany model normalnego zachowania sieci — dla każdego węzła, użytkownika i usługi z osobna. Odchylenie od tego wzorca, nawet subtelne, generuje sygnał. Im więcej sygnałów nakłada się w krótkim czasie, tym wyżej rośnie poziom zagrożenia.
Model normalności
Sieć neuronowa uczy się typowych wzorców ruchu dla każdego segmentu sieci — pory dnia, wolumeny, kierunki połączeń.
Wykrywanie anomalii
Każdy pakiet porównywany jest z baseline w czasie rzeczywistym. Odchylenia są ważone i sumowane per węzeł.
Automatyczna izolacja
Po przekroczeniu progu, węzeł zostaje odcięty od reszty sieci zanim analityk zdąży otworzyć dashboard.
Trzy warstwy, jeden refleks
Od wykrycia do izolacji: sekundy, nie dni
Projekt SENTRIX to demonstracja podejścia, w którym bezpieczeństwo sieci nie jest listą reguł do aktualizowania, tylko systemem, który uczy się razem z siecią, jaką chroni.
Zbudowane jako projekt portfolio
SENTRIX to fikcyjny projekt zaprojektowany, by pokazać podejście do wizualizacji danych, animacji 3D w przeglądarce i projektowania interfejsów dla systemów czasu rzeczywistego.