Сократить время расследований: agentic security operations harness от Cloudflare

Лид: что делает система и зачем

Cloudflare описывает новую встроенную систему для Managed Defense, которая объединяет детерминистский сбор данных и группу специализированных AI‑агентов, чтобы быстрее собирать доказательства по оповещениям и выдавать проверяемые рекомендации аналитикам. Система снижает ручную рутину при работе с потоками оповещений и даёт единый, воспроизводимый «пакет доказательств» для принятия решений.

При первом упоминании: SIEM — это система управления событиями и информацией безопасности (Security Information and Event Management), куда обычно стекаются логи и оповещения; авторы подчёркивают, что даже в SIEM остаётся много ручной работы, которую хочет автоматизировать новая архитектура.

Как устроен подход: «recon first, inference second»

Ключевая идея — отделить сбор данных от вывода моделей. Прежде чем вызывать LLM‑агентов, система запускает набор фиксированных восстановительных (recon) рабочих процессов. Эти шаги детерминированы: версионированные API‑вызовы собирают идентичность клиента, историю детекторов, базовую телеметрию трафика, результат срабатываний и сетевые наблюдения. Каждая часть данных сохраняется с источником, версией и временной меткой — это даёт воспроизводимость и позволяет сравнивать интерпретации агентов без разницы во входных данных.

Ранняя архитектура с одним «общим» агентом показала три проблемы: гипотезы датчиков стали восприниматься как доказательства, агент терял границы области (scope drift) и ошибки доступа к источникам маскировались как «отсутствие данных». Чтобы этого избежать, в новой схеме приложение и код выполняют контроль границ и удостоверяют источники до анализа моделей.

Фильтрация шума и команда узкоспециализированных агентов

Большая часть оповещений — не инциденты. Поэтому система сначала прогоняет лёгкую триажную модель, которая сравнивает оповещение с восстановленной телеметрией: встречалось ли это раньше у клиента, как прошлые решения аналитиков, похоже ли поведение на человеческое. Для этой быстрой логики используют Clef — открытый модель‑решатель, работающий на Workers AI. Оповещения, помеченные как высоковероятные false positive, остаются доступными в контексте, но не попадают в очередь активного анализа.

Если триаж показывает необходимость глубокого разбора, координатор запускает параллельно четырёх специальных AI‑агентов: анализ трафика, контекст клиента, глобальная аггрегированная телеметрия и проверка threat intelligence. Каждый агент получает только ту часть доказательств, которая ему нужна, и не может запрашивать новые источники сам по себе. Итоговый синтез делает отдельный агент, который комбинирует типизированные выводы в единую рекомендацию и не может выйти за утверждённый словарь классификаций и диспозиций.

История, доказательства и воспроизводимость

Система собирает «досье реконa» с историей оповещений, решениями аналитиков и частотой срабатываний. Эти прошлые выводы используются как контекст: повторявшийся и ранее «безобидный» паттерн весит иначе, чем новая аномалия. Все связанные оповещения группируются в единое дело (case), где хранятся доказательства, выводы и рекомендации. Приложение детерминированно связывает данные, но окончательное решение остаётся за аналитиком Managed Defense.

Перед анализом создаётся версионированный пакет доказательств с объектом расследования, временной привязкой, перечнем принятых доказательств, версиями политик и учтёнными пробелами. Агентам разрешено ссылаться только на элементы этого пакета; код проверяет корректность ссылок и фиксирует неподдержанные выводы как ограничения.

Практические последствия для операций и реакции

За счёт детерминистского сбора и типизации задач аналитик получает снятую с него рутину: меньше ручного поиска данных, легче сопоставлять связанные оповещения и быстрее формировать план действий. Совокупность доказательств и явных пробелов делает рекомендации прозрачными: аналитик видит, на чём основано предложение (например, правило rate limit или WAF‑правило) и может применить его напрямую для полностью управляемых клиентов.

Архитектура также повышает стабильность результатов: одинаковый снимок реконa можно воспроизвести, поэтому различия между запусками агентов связаны с интерпретацией, а не со сменой входных данных. Для хранения и координации авторы называют конкретные платформенные компоненты: Workers, Workflows, D1, R2 и Durable Objects — они удерживают состояние, контекст и чаты по делу.

Ограничения и риски

Человеческая ответственность остаётся. Система облегчает сбор и первичную интерпретацию, но Managed Defense Analyst сохраняет право подтверждать масштаб инцидента и применять изменения. Автоматическое применение рекомендаций доступно только для полностью управляемых клиентов.

Пробелы в доказательствах остаются возможными: источники могут тайм‑аутиться, метаданные — отсутствовать, lookup threat intelligence — не вернуть совпадений. Система явно фиксирует состояние каждого сравнения (не проверено, проверено‑нет совпадений, проверено‑подтверждение отсутствия) и воздерживается от классификации, если доказательств недостаточно.

Чтобы снизить ошибки моделей (галлюцинации), архитектура ограничивает объём контекста, дающийся моделям, и перекладывает сбор и валидацию на приложение. Глобальная телеметрия даёт ценную картину за пределами клиента, но работает только с агрегатами, чтобы сохранять приватность; агенты глобальной телеметрии не получают индивидуальные записи других клиентов.

Решение в ранней стадии: Cloudflare планирует расширять возможности и выпустить опции большей кастомизации, а также эксперименты с непрерывными агентами. На данный момент функциональность доступна в бета‑режиме для eligible приложений и требует обсуждения с аккаунт‑командой для добавления в Managed Defense.

Коротко о назначении

Cloudflare предложил архитектуру, где детерминистский сбор и узкая специализация агентов сочетаются для сокращения времени на расследования и повышения прозрачности выводов. Система направлена на то, чтобы аналитики тратили больше времени на решение и меньше — на поиск и агрегацию доказательств.