TITEL: Sicherheit in Cloud-Computing-Umgebungen im Jahr 2023: Integration von CNAPP, Observability mit eBPF und neue Risiken generativer KI

1. Einleitung

Cloud-Computing hat sich als grundlegende Infrastruktur für zeitgenössische digitale Systeme etabliert. Organisationen in verschiedenen Sektoren haben kritische Workloads auf Plattformen wie Amazon Web Services (AWS), Microsoft Azure und Google Cloud Platform (GCP) migriert, motiviert durch Skalierbarkeit, Elastizität und operative Effizienz. Diese Transformation brachte jedoch auch erhebliche Sicherheitsherausforderungen mit sich, da verteilte und hochdynamische Umgebungen die Angriffsfläche signifikant vergrößern (ZHANG et al., 2018).

Im Jahr 2023 wurde die Cloud-Sicherheit maßgeblich von drei strukturellen Faktoren beeinflusst. Erstens die massenhafte Einführung cloud-nativer Architekturen auf Basis von Containern und Orchestrierung mit Kubernetes, die neue Abstraktionsebenen und mögliche operative Schwachstellen einführt (BURNS; BEDA; HIGHTOWER, 2019). Zweitens die Konsolidierung integrierter Sicherheitsplattformen, insbesondere des Cloud-Native Application Protection Platform (CNAPP)-Modells, das zuvor fragmentierte Verteidigungskategorien zusammenführt (GARTNER, 2021). Drittens die rasche Integration generativer künstlicher Intelligenz in Unternehmensanwendungen, wodurch neue Risikoflächen im Zusammenhang mit Prompt-Manipulation, Datenabfluss und Modellmissbrauch entstehen.

Zusätzlich sind moderne Techniken der Betriebssystembeobachtbarkeit, insbesondere die Nutzung des extended Berkeley Packet Filter (eBPF), zu relevanten Instrumenten für Monitoring und die Erkennung bösartigen Verhaltens in verteilten Linux-Umgebungen geworden (HØILAND‑JØRGENSEN et al., 2018). Die Fähigkeit, den Kernel mit geringem Overhead zu instrumentieren, ermöglicht es, Netzwerkaktivitäten, Dateisystemoperationen und Systemaufrufe in Echtzeit zu beobachten.

In dieser Arbeit untersuchen wir, wie diese Trends zusammenwirken, um Verteidigungsstrategien in Cloud-Umgebungen neu zu definieren. Unser Ziel ist es, theoretische Grundlagen, technische Mechanismen und zeitgenössische operative Praktiken zu integrieren, um ein kohärentes Schutzmodell für verteilte Infrastrukturen vorzuschlagen.

2. Hintergrund

Cloud-Sicherheit basiert auf dem Modell der geteilten Verantwortung zwischen Provider und Kunde. Der Provider ist für die Sicherheit der physischen Infrastruktur und der Virtualisierung verantwortlich, während der Kunde Kontrolle über Konfigurationen, Anwendungen und Identitätsverwaltung behält (AMAZON WEB SERVICES, 2023).

Dieses Modell erzeugt spezifische Herausforderungen, insbesondere wenn Umgebungen aus mehreren verwalteten Diensten und ephemeren Ressourcen bestehen. Die operative Komplexität steigt exponentiell mit der Einführung von Microservices und automatisierten DevOps-Pipelines.

2.1 Cloud-Dienstmodelle

Modell	Verantwortung des Kunden	Verantwortung des Providers
IaaS	Betriebssystem, Anwendungen, virtuelles Netzwerk	Hardware, Virtualisierung
PaaS	Anwendungen und Daten	Plattform, Runtime, Infrastruktur
SaaS	Konfiguration und Identität	Anwendung, Infrastruktur und Runtime

Die Unterscheidung zwischen diesen Modellen beeinflusst direkt die anwendbaren Sicherheitskontrollmechanismen (MELL; GRANCE, 2011).

2.2 Cloud-native Architekturen

Moderne Architekturen sind durch Container, Microservices und automatisierte Orchestrierung gekennzeichnet. Kubernetes hat sich zum De-facto-Standard für das Management verteilter Cluster entwickelt. Obwohl es Isolation und Skalierbarkeit bietet, stellen Fehlkonfigurationen, wie übermäßige RBAC-Berechtigungen oder die unbeabsichtigte Exposition von APIs, häufige Angriffsvektoren dar (BURNS; BEDA; HIGHTOWER, 2019).

3. Zeitgenössische Bedrohungen in Cloud-Umgebungen

Jüngste Studien zeigen, dass Cloud-Vorfälle häufig auf Fehlkonfigurationen und Identitätsmanagementfehler zurückzuführen sind (IBM, 2023). Zu den bis 2023 beobachteten relevantesten Vektoren gehören:

• Offenlegung von Speicher-Buckets
• Kompromittierung von API-Schlüsseln
• Angriffe auf die Software-Lieferkette
• Ausnutzung von Verwaltungs-APIs
• Privilegieneskalation in Kubernetes-Umgebungen

3.1 Risiken im Zusammenhang mit generativer künstlicher Intelligenz

Die Einbindung großer Sprachmodelle in Unternehmensanwendungen führt zu neuen Sicherheitsrisiken. Zu den wichtigsten zählen Prompt-Injection-Angriffe, bei denen bösartige Anweisungen das Verhalten des Modells manipulieren, um Sicherheitsrichtlinien zu umgehen oder sensible Informationen preiszugeben (GOULD et al., 2023).

Darüber hinaus können an externe Modelle übermittelte Daten zum Abfluss vertraulicher Informationen führen, insbesondere wenn Protokolle oder Gesprächsverläufe von Anbietern gespeichert werden.

4. Cloud-Native Application Protection Platform (CNAPP)

Das CNAPP-Konzept entstand als Versuch, verschiedene Kategorien von Cloud-Sicherheitstools zu konsolidieren. Traditionell nutzten Organisationen separate Lösungen für Konfigurationsüberwachung, Workload-Schutz und Schwachstellenanalyse.

CNAPP integriert Komponenten wie:

Komponente	Funktion
CSPM	Bewertung der Infrastrukturkonfiguration
CWPP	Schutz laufender Workloads
CIEM	Verwaltung von Berechtigungen und Identitäten
Container Security	Analyse von Images und Laufzeitumgebung

Diese Konvergenz reduziert Sichtbarkeitslücken und ermöglicht die Korrelation von Sicherheitsereignissen über mehrere Infrastrukturebenen hinweg (GARTNER, 2021).

5. Sicherheitsobservabilität mit eBPF

eBPF ist eine Technologie des Linux-Kernels, die es ermöglicht, verifizierte Programme sicher im Kernel-Speicherraum auszuführen. Diese Fähigkeit erlaubt eine tiefe Instrumentierung des Systems, ohne den Kernel-Code verändern zu müssen (HØILAND‑JØRGENSEN et al., 2018).

Moderne Werkzeuge nutzen eBPF, um Systemaufrufe, Netzwerkflüsse und Prozessereignisse in Containern zu überwachen.

Vereinfachtes Beispiel zur Verfolgung von Prozessausführungen mit eBPF:

bpftrace -e 'tracepoint:syscalls:sys_enter_execve
{
  printf("Processo executado: %s\n", str(args->filename));
}'

Diese Art von Observabilität ermöglicht es, anomale Aktivitäten in Echtzeit zu erkennen, wie etwa die unerwartete Ausführung von Shells innerhalb kompromittierter Container.

6. Formales Modell zur Risikobewertung in Multi-Cloud-Umgebungen

Wir schlagen ein quantitatives Risikobewertungsmodell für Multi-Cloud-Umgebungen vor, das auf drei Hauptvariablen basiert: Exposition ($E$), Kritikalität des Assets ($C$) und Exploit-Wahrscheinlichkeit ($P$).

Das Gesamtrisiko eines Assets $i$ kann wie folgt definiert werden:

$$ R_i = E_i \times C_i \times P_i $$

Wobei:

• $E_i$ den Grad der externen Exposition der Ressource darstellt
• $C_i$ die potenzielle Auswirkung einer Kompromittierung darstellt
• $P_i$ die auf bekannten Schwachstellen basierende Exploit-Wahrscheinlichkeit darstellt

Für eine Umgebung mit $n$ Assets ergibt sich das aggregierte Risiko zu:

$$ R_{total} = \sum_{i=1}^{n} R_i $$

Dieses Modell ermöglicht es, Sicherheitsmaßnahmen auf Grundlage quantitativer Auswirkungen zu priorisieren.

6.1 Integration mit Sicherheits-Telemetrie

Telemetriedaten aus CNAPP-Plattformen und eBPF-Sensoren können die Modellparameter automatisch speisen. Zum Beispiel:

Datenquelle	Abgeleitete Metrik
IAM-Protokolle	Wahrscheinlichkeit des Missbrauchs von Zugangsdaten
Schwachstellenscanner	Exploit-Wahrscheinlichkeit
eBPF-Telemetrie	Verhaltensindikatoren

Diese Integration ermöglicht eine kontinuierliche Risikobewertung in dynamischen Umgebungen.

7. KI-Governance in Cloud-Infrastrukturen

Mit der zunehmenden Verbreitung von Systemen auf Basis von maschinellem Lernen ist die KI-Governance zu einem wesentlichen Bestandteil der organisatorischen Sicherheit geworden. Governance-Strukturen umfassen Richtlinien zur Datenaufbewahrung, Prompt-Validierung und Auditierung von Interaktionen mit Modellen.

Frameworks für das KI-Risikomanagement, wie das AI Risk Management Framework des NIST, bieten Leitlinien zur Minderung von Risiken, die mit dem Einsatz von KI in kritischen Systemen verbunden sind (NIST, 2023).

8. Diskussion

Die Konvergenz von tiefer Observabilität, Richtlinienautomatisierung und integrierten Plattformen stellt eine signifikante Weiterentwicklung der Verteidigung von Cloud-Umgebungen dar. Dennoch bleiben Herausforderungen bestehen, insbesondere bei der Korrelation verteilter Ereignisse und der Identitätsverwaltung in hochdynamischen Umgebungen.

Darüber hinaus erweitert die Integration KI-basierter Systeme den Umfang der traditionellen Sicherheit. Organisationen müssen nicht nur technische Schwachstellen berücksichtigen, sondern auch semantische Manipulation und sprachbasierte Angriffe.

9. Schlussfolgerung

Die Sicherheit im Cloud-Computing im Jahr 2023 erfordert einen multidimensionalen Ansatz, der kryptografische Mechanismen, Echtzeit-Monitoring und Governance für künstliche Intelligenz kombiniert. CNAPP-Plattformen bieten operative Integration zwischen verschiedenen Verteidigungsebenen, während Technologien wie eBPF die Sichtbarkeit von Systemverhalten erheblich erweitern.

Das vorgeschlagene formale Risikomodell zeigt, dass quantitative Metriken Mitigationsentscheidungen in komplexen und verteilten Umgebungen leiten können. Da digitale Infrastrukturen zunehmend von Automatisierung und KI abhängig werden, müssen sich Sicherheitsstrategien weiterentwickeln, um Verhaltensmonitoring, formale Verifikation und adaptive Richtlinien zu integrieren.

References

AMAZON WEB SERVICES. AWS Shared Responsibility Model. 2023. Available at: https://aws.amazon.com/compliance/shared-responsibility-model/. Accessed on: 10 mar. 2023.

BURNS, Brendan; BEDA, Joe; HIGHTOWER, Kelsey. Kubernetes: Up and Running. 2. ed. Sebastopol: O’Reilly Media, 2019. Available at: https://www.oreilly.com/library/view/kubernetes-up-and/9781492046523/

BEHL, Abhishek; BEHL, Kriti. Cybersecurity and Cyberwar: What Everyone Needs to Know. Oxford: Oxford University Press, 2017. Available at: https://global.oup.com/academic/product/cybersecurity-and-cyberwar-9780199918096

BHATIA, Saurabh et al. Cloud Security: Concepts, Methodologies, Tools, and Applications. Hershey: IGI Global, 2020. Available at: https://www.igi-global.com/book/cloud-security-concepts-methodologies-tools/242381

BROWN, Gavin et al. Detecting Kubernetes Security Misconfigurations. IEEE Security & Privacy, 2021. Available at: https://ieeexplore.ieee.org/document/9447197

ENISA. Cloud Security for SMEs. European Union Agency for Cybersecurity, 2022. Available at: https://www.enisa.europa.eu/publications/cloud-security-for-smes

GARTNER. Innovation Insight for Cloud-Native Application Protection Platforms. 2021. Available at: https://www.gartner.com/en/documents/4007016

GOULD, R.; HODGES, J.; RYAN, M. Prompt Injection Attacks Against Large Language Models. 2023. Available at: https://arxiv.org/abs/2302.12173

HØILAND‑JØRGENSEN, Toke et al. The eBPF Ecosystem. Proceedings of the Linux Plumbers Conference, 2018. Available at: https://ebpf.io

IBM. Cost of a Data Breach Report 2023. Armonk: IBM Security, 2023. Available at: https://www.ibm.com/reports/data-breach

KREBS, Brian. Spam Nation: The Inside Story of Organized Cybercrime. Naperville: Sourcebooks, 2014. Available at: https://krebsonsecurity.com/book

MELL, Peter; GRANCE, Timothy. The NIST Definition of Cloud Computing. NIST Special Publication 800‑145. 2011. Available at: https://nvlpubs.nist.gov/nistpubs/Legacy/SP/nistspecialpublication800-145.pdf

NIST. AI Risk Management Framework (AI RMF 1.0). 2023. Available at: https://www.nist.gov/itl/ai-risk-management-framework

OWASP. Top 10 Cloud Security Risks. 2022. Available at: https://owasp.org/www-project-cloud-top-10

SHOSTACK, Adam. Threat Modeling: Designing for Security. Indianapolis: Wiley, 2014. Available at: https://www.wiley.com/en-us/Threat+Modeling-p-9781118809990

SOMOROVSKY, Juraj. Systematic Fuzzing and Testing of TLS Libraries. IEEE Symposium on Security and Privacy, 2016. Available at: https://ieeexplore.ieee.org/document/7546510

STALLINGS, William. Network Security Essentials. 6. ed. Boston: Pearson, 2017. Available at: https://www.pearson.com

TALOS, Cisco. Kubernetes Threat Landscape. 2022. Available at: https://blog.talosintelligence.com

ZHANG, Qi; CHEN, Min; LI, Laurence. Cloud Computing: State-of-the-Art and Research Challenges. Journal of Internet Services and Applications, 2018. Available at: https://link.springer.com/article/10.1186/s13174-018-0087-1

ZHOU, Z.; LI, Y.; CHEN, X. Security and Privacy in Cloud Computing: A Survey. IEEE Access, 2020. Available at: https://ieeexplore.ieee.org/document/9099066

KIM, Gene et al. The DevOps Handbook. Portland: IT Revolution Press, 2016. Available at: https://itrevolution.com

SCARFONE, Karen; SOUPPAYA, Murugiah. Guide to Security for Full Virtualization Technologies. NIST, 2011. Available at: https://nvlpubs.nist.gov

BEHRENDT, Michael et al. Cloud Native Security Patterns. 2022. Available at: https://www.cncf.io/reports

CNCF. Cloud Native Security Whitepaper. 2022. Available at: https://www.cncf.io/reports/cloud-native-security-whitepaper

MICROSOFT. Azure Security Benchmark v3.0. 2022. Available at: https://learn.microsoft.com/security/benchmark/azure

GOOGLE CLOUD. Security Foundations Guide. 2023. Available at: https://cloud.google.com/security-foundations

RUSSELL, Stuart; NORVIG, Peter. Artificial Intelligence: A Modern Approach. 4. ed. Hoboken: Pearson, 2021. Available at: https://aima.cs.berkeley.edu