Cato Networks, den førende leverandør af SASE, introducerer i dag verdens første selvtilpassende teknologi til trusselsforebyggelse i en SASE-platform.
Cato Dynamic Prevention analyserer kontinuerligt sikkerhedssignaler baseret på bruger- eller systemaktivitet over flere måneder. Når skadelig adfærd identificeres, indfører systemet automatisk tilpassede restriktioner, uden at IT- eller sikkerhedsteams behøver at gribe ind manuelt.
“Fra et CISO-perspektiv er den største risiko i dag, at avancerede angreb ikke kommer som en enkeltstående hændelse. De udvikler sig ubemærket over tid, spreder sig på tværs af brugere, sites og systemer og udnytter hullerne mellem separate værktøjer,” siger Giles Ashton-Roberts, Chief Information Security Officer hos Swissport International AG , en førende leverandør af ground services i lufthavne og luftfragthåndtering med mere end 360 lokationer, Microsoft Azure- og Amazon Web Services (AWS)-instanser og mere end 26.000 brugere på Cato SASE Platform.
Avancerede trusler undgår traditionelt forsvar
Avancerede angreb glider ubemærket ind i normale forretningsaktiviteter ved at udnytte legitime værktøjer. Trusselsaktører udfører en række handlinger, der hver for sig er svære at opdage, hvilket gør det muligt for dem at gå under radaren for traditionelle sikkerhedskontroller, som kun inspicerer enkeltstående hændelser.
Fritstående sikkerhedsløsninger arbejder isoleret og mangler den kontekst, der kræves for at analysere aktivitetsmønstre over tid. Ifølge Gartner “mangler 61 procent af virksomhederne eksperter, der på fuld tid jager trusler, og stoler i stedet på reaktive analytikere, der omfordeler deres tid, hvilket efterlader teams underfinansierede, fejljusterede og sårbare.”¹
Adfærdsbaseret forebyggelse i realtid
Cato Dynamic Prevention analyserer måneders sikkerheds- og netværksaktivitet i realtid på tværs af inline-sensorer som DLP, IPS og NGAM samt systemer til dybdegående analyse. Systemet identificerer adfærdsbaserede trusler, der hver for sig virker harmløse, og anvender automatisk adaptive regler, der blokerer aktiviteter, som vurderes til at have en høj risiko. For virksomheder betyder det:
- Reduceret risiko: Stopper skadelig aktivitet, før den eskalerer til et databrud.
- Stærkere sikkerhed: Beskytter mod misbrug af legitime værktøjer og tidligere ukendt adfærd.
- Højere effektivitet: Reducerer antallet af falske alarmer og behovet for manuelle undersøgelser.
’’Det seneste år har Medusa ransomware ramt organisationer i den offentlige sektor over hele Europa, herunder i Norden. Angriberne baserede sig ikke på et enkelt exploit – de brugte stjålne legitimationsoplysninger, bevægede sig sidelæns med legitime administratorværktøjer og ekviltrerede diskret data, før krypteringen blev udløst. Da løsepenge-noten dukkede op, var den operationelle skade allerede sket.
Det er den virkelighed, organisationer skal forberede sig på,’ siger Christian Hougaard, Regional Sales Director Denmark, hos Cato Networks. ‘Cato Dynamic Prevention analyserer adfærd over tid, forbinder svage signaler som unormal privilegieeskalering eller mistænkelig krypteret trafik og blokerer automatisk risikable mønstre in-line – før de eskalerer.
For danske kommuner og udbydere af kritisk infrastruktur er tidlig forebyggelse forskellen mellem at inddæmme mistænkelig aktivitet og at håndtere en fuldskala krise.’’
Tilgængelighed Cato Dynamic Prevention er tilgængelig nu som en del af Cato SASE-platformen.
Ressourcer: Blogindlæg om Dynamic Prevention | Produktinformation
¹ Gartner, Prioritize Threat Hunting for the Early Detection of Stealthy Attacks, Deepak Mishra, Carlos De Sola Caraballo, 8. oktober 2025. GARTNER er et registreret varemærke tilhørende Gartner, Inc. og anvendes her med tilladelse.
Om Cato Networks
Cato Networks, førende inden for SASE og AI-sikkerhed, leverer sikker zero-trust-adgang til tusindvis af kunder over hele verden. Cato SASE-platformen forener netværk, sikkerhed og adgang som elastiske, modulære ressourcer. Mere info: www.catonetworks.com
Pressekontakt: Cato Communications | press@catonetworks.com
