La plateforme leader basée sur l'IA pour IoT OT IoT . Depuis plus d'une décennie.

Nous exploitons également Networks bayésiens, un modèle probabiliste utilisé pour raisonner dans un contexte d'incertitude, afin de prédire quelles informations sur les actifs doivent figurer dans les champs de données manquants jusqu'à ce qu'elles puissent être collectées ou renseignées d'une autre manière. Il s'agit d'un moyen très efficace d'éviter toute classification erronée des données clés utilisées pour détecter les menaces et les anomalies et gérer les risques.

Ensemble, la large gamme de capteurs, les méthodes de collecte de données et les techniques d'enrichissement de l'IA améliorent continuellement la précision globale de votre inventaire.

Nous utilisons ensuite l'inférence bayésienne et des modèles probabilistes pondérés pour calculer un score de risque dynamique et multifactoriel qui inclut le risque de vulnérabilité, y compris l'état des correctifs.

Tout en surveillant en permanence votre environnement, la plateforme utilise la corrélation temporelle, la modélisation des comportements et la correspondance des modèles de menaces pour identifier les comportements suspects à proximité d'un actif vulnérable, les sondes entrantes provenant d'acteurs malveillants ou les modèles de mouvements latéraux. Chacun de ces événements déclenche une augmentation du score de risque et des alertes, aidant les équipes à hiérarchiser les vulnérabilités qui sont activement ciblées.

Une fois déployée, laNetworks Nozomi Networks commence à surveiller les communications des appareils en « mode apprentissage », jusqu'aux variables au niveau des processus. Elle utilise l'apprentissage automatique et l'analyse prédictive pour créer des profils détaillés du comportement attendu de chaque appareil à chaque étape d'un processus afin d'établir une base de référence du comportement « normal ».

Lorsqu'elle passe en mode « protection », la plateforme utilise l'analyse comportementale pour surveiller l'environnement, comparer le comportement actuel aux références et signaler les événements suspects qui s'en écartent, en évaluant leur criticité et en les classant comme anomalie de processus ou de cybersécurité. Même en mode protection, le système met à jour dynamiquement la référence si les conditions normales changent.

Pour réduire les faux positifs, nous utilisons la modélisation comportementale, la reconnaissance de formes et d'autres techniques afin de filtrer les changements bénins, tels que les mises à jour légitimes de micrologiciels.

Les modèles de réseaux neuronaux corrèlent les événements multivariables dans votre environnement afin de réduire le temps d'investigation et de détecter les menaces complexes telles que les menaces persistantes avancées. Notre moteur de requête analyse ces alertes corrélées ainsi que les attributs des actifs et les relations réseau afin de suggérer les mesures appropriées à prendre.

L'analyse des causes profondes est essentielle pour enquêter sur les menaces. Notre plateforme utilise un réseau neuronal, le clustering et l'analyse de séries chronologiques pour corréler les comportements entre les actifs, le trafic et le temps. Elle isole rapidement la source des anomalies ou des alertes en identifiant les chaînes causales, ce qui réduit le temps d'investigation et permet une réponse plus rapide et plus ciblée.

Nous utilisons une combinaison d'apprentissage automatique, d'analyse prédictive et d'analyse comportementale pour calculer les scores de risque au niveau des actifs, des installations et de l'entreprise. Ces mêmes outils sont utilisés pour recommander des mesures à prendre, classées en fonction de leur capacité à réduire votre score de risque global.

Les calculs sont mis à jour à mesure que l'environnement de menaces évolue, que de nouvelles vulnérabilités sont signalées, que nous constatons des comportements anormaux sur votre réseau et que vous ajoutez des contrôles, afin que vous puissiez évaluer leur impact.  


Nous utilisons également le regroupement, la modélisation statistique, l'apprentissage supervisé et l'analyse contextuelle pour afficher des références comparatives, afin que vous puissiez comparer votre posture de sécurité à celle d'autres entreprises de votre région ou de votre secteur.

Enfin, nous utilisons des analyses prédictives basées sur les données historiques relatives aux vulnérabilités, aux menaces et au comportement des actifs afin d'identifier les vulnérabilités susceptibles d'être exploitées, les types d'actifs ou les sites les plus à risque et les chaînes d'attaques émergentes.

Nozomi Networks l'IA générative (comme ChatGPT et Gemini) dans une partie de sa plateforme, Vantage IQ, pour résumer les menaces, accélérer les enquêtes et recommander des mesures à prendre aux analystes débordés dans les SOC disposant de ressources limitées. Elle dispose de son propre langage de requête, mais grâce à une interface en langage naturel, tout utilisateur autorisé, de l'analyste SOC à l'ingénieur d'exploitation, peut lui poser toutes les questions qu'il souhaite sur l'environnement et obtenir une réponse précise et exploitable, instantanément, avec un accès approfondi à des informations plus détaillées.

Pour un analyste SOC junior, c'est comme avoir à ses côtés un expert chevronné, toujours disponible. Pour un opérateur, cela signifie obtenir des réponses immédiates sur tout ce qui concerne l'environnement afin de le faire fonctionner de manière plus sûre et plus efficace.

L'IA générative s'appuie sur des modèles linguistiques de grande taille (LLM) pour générer des réponses. Contrairement à un LLM conçu pour un usage public, notre LLM est entraîné à partir de données télémétriques réelles issues de milliers de déploiements industriels et affiné à l'aide de données provenant de profils d'actifs ainsi que threat intelligence publics et Nozomi.