چگونه شرکت TUI مدل‌سازی تهدید را برای بیش از ۱۰۰ تیم با آمازون بدراک مقیاس‌پذیر می‌کند
خلاصه هوش مصنوعی
شرکت TUI با یک گلوگاه بزرگ امنیتی مواجه بود: یک تیم امنیتی چهار نفره باید برای بیش از ۱۰۰ تیم محصول دیجیتال مدل‌سازی تهدید انجام می‌دادند و هر جلسه دستی ۴ تا ۶ ساعت زمان می‌برد. با همکاری مرکز نوآوری هوش مصنوعی مولد AWS، این شرکت یک سیستم مدل‌سازی تهدید مبتنی بر هوش مصنوعی با استفاده از Amazon Bedrock و مدل Claude Sonnet 4.5 ساخت. این چرخه کار عاملیت‌پذیر (Agentic) و بدون سرور بر روی زمان اجرایی Bedrock AgentCore با استفاده از LangGraph اجرا می‌شود و با سرویس‌های AWS مانند Lambda، DynamoDB و S3 یکپارچه شده است. این راهکار حجم کانتکست پایگاه دانش را از ۳۳۸ کیلوبایت به ۲۱ کیلوبایت کاهش می‌دهد و مدل‌سازی تهدید را مقیاس‌پذیر می‌کند.
نکات کلیدی
- شرکت TUI پس از یک اثبات مفهوم (PoC) ده هفته‌ای، سیستم را ظرف ۳۰ روز به محیط عملیاتی (Production) منتقل کرد.
- فیلترینگ مبتنی بر متادیتا باعث کاهش حجم کانتکست مدل از ۳۳۸ کیلوبایت به ۲۱ کیلوبایت (معادل ۹۴ درصد کاهش) شد.
- این سیستم بین ۴۰ تا ۶۰ تهدید برای هر معماری تولید می‌کند که عملکرد بهتری نسبت به میانگین دستی قبلی (۳۰ تا ۴۰ تهدید) دارد.
چرا مهم است
بررسی‌های امنیتی اغلب به عنوان یک گلوگاه در محیط‌های مهندسی سریع عمل می‌کنند. این معماری یک الگوی عملی و اثبات‌شده در محیط عملیاتی برای مقیاس‌پذیری انطباق امنیتی و مدل‌سازی تهدید در سازمان‌های بزرگ با استفاده از هوش مصنوعی عاملیت‌پذیر ارائه می‌دهد.
گفتگو 0
آغازگر گفتگو باشید.