Agentische Orchestrierung löst starre Firewall-Regeln ab Knowledge Graph spiegelt dynamische Datacenter-Topologien

Anbieter zum Thema

DAXTEN GmbH

Fujitsu Technology Solutions GmbH

Kentix GmbH

Über Jahre gewachsene Firewall-Regelwerke bremsen große Rechenzentren aus und erzeugen so ganannte Race Conditions. Eine intent-basierte Orchestrierung übersetzt Vorgaben in natürlicher Sprache, ein Knowledge Graph hält die Topologie aktuell, und menschliche Aufsicht bleibt über klar definierte Modi erhalten.

Reine Netzwerksicherheit deckt moderne Rechenzentren nicht mehr ab. Check Point ordnet zum Beispiel sein Portfolio um vier Säulen, darunter „Hybrid Mesh Network Security“, „Workspace Security“, „Exposure Management“ und „AI Security“, mit „Threat Intelligence“ als gemeinsamer Basis.

Treiber ist die geschrumpfte Spanne zwischen Bekanntwerden einer Lücke und ihrer Ausnutzung, die von Jahren auf Stunden gefallen ist. Das manuelle Anpassen von Regeln hält dieses Tempo nicht mehr.

Natürliche Sprache reduziert die Komplexität verteilter Standorte

Über Jahre gewachsene Regelsätze enthalten zahllose veraltete Einträge, die niemand bereinigt. In großen Umgebungen führen sie zu Race Conditions und Deadlocks. Die agentische Orchestrierung kehrt das Prinzip um und arbeitet mit Absichten in natürlicher Sprache.

Eine Vorgabe in natürlicher Sprache, darunter die Sperre einer Anwendung für einen bestimmten Nutzer, setzt das System selbst in passende Regeln um. Ein mittelständischer Betrieb mit mehreren Hundert Standorten spart damit die fehleranfällige manuelle Verteilung, und die Zeit bis zur Durchsetzung einer Schutzregel sinkt deutlich.

Der Knowledge Graph speist sich aus vielen Quellen

Im Zentrum steht ein „Network Knowledge Graph“, der die Topologie dynamisch abbildet. Er bezieht Flow-Daten, Telemetrie aus Zehntausenden Feldsystemen, Agenten auf Endgeräten und über 2.000 APIs fremder Hersteller ein.

Vom KI-Einzelstandort zum AI-Verbund

Wenn Strom knapp wird, zählt die Bandbreite

Ein Rechenzentrum bleibt kein statisches Gebilde, Auto-Scaling in der Cloud und containerisierte Umgebungen mit Kubernetes verändern die Struktur fortlaufend. Der Graph aktualisiert sich entsprechend, sodass autonome Agenten auf einer belastbaren Topologie aufsetzen.

Agenten arbeiten in vier Modi unter menschlicher Aufsicht

Die Agenten durchlaufen die Modi Beobachtung, Orientierung, Entscheidung und Handlung. Vorgaben und gewünschtes Ergebnis legt ein Mensch fest. Nur in zeitkritischen Lagen handeln die Agenten ohne Freigabe, zum Beispiel wenn „Threat Cloud AI“ eine neue Angriffsbeobachtung global an teilnehmende Systeme verteilt und eine Rückfrage die Reaktion verzögert.

Trennt ein Team Netze vollständig, erfolgt der Eingriff manuell. Die Aufsicht bleibt über das SOC und das Management bestehen.

Eine Prüfschicht kontrolliert die KI-Agenten

Mit „Deep Checks“ ergänzt die Plattform einen Evaluierungs-Layer für KI-Agenten. Ein Large Language Model liefert auf dieselbe Anfrage unterschiedliche Antworten, weshalb die Orchestrierung eine vorhersehbare Grundlage braucht.

Die Schicht prüft das genutzte Foundation Model auf versteckte Verzerrungen und kontrolliert, ob die Modelle die gesetzten Regeln einhalten. Runtime-Schutz aus der Übernahme von Lakera und die Governance autonomer Agenten aus Cyata sichern die Agenten gegen Missbrauch und manipulierte Skills ab.

Kurzum: Die intent-basierte Orchestrierung verlagert die Netzwerkpflege von der Hand des Administrators auf das System, ohne die Kontrolle abzugeben. In dynamischen Datacenter- und Cloud-Umgebungen mit ständiger Skalierung hält der Knowledge Graph die Topologie aktuell, und die Prüfschicht bindet die eingesetzten KI-Agenten an die definierten Regeln.

(ID:50874905)