Перевірка безпеки SaaS-платформи Ellie.ai

Кібербезпека SaaS-платформи: з чого почався наш проєкт

Фінська компанія Ellie.ai допомагає великим організаціям розібратися зі складною архітектурою даних і говорити про них однією мовою. Її платформа об'єднує бізнес- та ІТ-команди в одному середовищі, де вони можуть описувати структуру даних, створювати бізнес-глосарії, будувати логічні та фізичні моделі, керувати ними. SaaS-платформа підтримує Data Vault, dimensional modeling і data mesh та інтегрується, зокрема, зі Snowflake, dbt і Microsoft Fabric.

Чому метадані теж потребують захисту

Тут одразу зауважимо, що Ellie.ai переважно працює з метаданими, які можуть містити чутливу інформацію, а не із «сирими» production-даними клієнтів. Якщо моделі та схеми розкривають структуру даних і бізнес-логіку компанії, для банку чи страхової організації така інформація може бути комерційно чутливою.

До того ж SaaS-платформа – не ізольований інструмент. Enterprise-клієнти взаємодіють із нею через вебінтерфейс і REST API. Платформа має механізми корпоративної автентифікації та інтегрується із зовнішніми системами. Тому перевірки потребував не лише вебзастосунок, а й потенційні ризики на стику компонентів і сервісів.

Навіщо Ellie.ai знадобився незалежний пентест

Кібербезпека для компанії – не лише технічне питання. Коли твої клієнти – великі компанії, банки та страхові організації, їм недостатньо почути: «Ми регулярно скануємо систему і все виглядає добре». Вони хочуть незалежного підтвердження. І для Ellie це мало цілком практичне значення: без незалежного pentest-звіту проходження vendor security review могло затримувати укладення угод із корпоративними клієнтами.

Тому Ellie.ai прийшла до Datami із завданням: провести незалежний пентест і підтвердити рівень безпеки платформи. Сам клієнт не очікував великої кількості вразливостей, адже система вже перебувала під постійним автоматизованим скануванням.

Завдання проєкту: що потрібно було перевірити

Запит Ellie.ai звучав доволі конкретно: компанії була потрібна незалежна перевірка безпеки платформи та формальний pentest-звіт, який можна надати корпоративним клієнтам під час vendor security review. Але перш ніж шукати вразливості, потрібно було визначити, де саме ми їх шукаємо, для чого і яким способом.

Завдання команди – максимально реалістично перевірити можливі сценарії атак, але залишатися в межах погодженого scope. Тому на старті ми узгодили об'єкти та формат перевірки. 

Для цього проєкту було заплановано три окремі напрями перевірки:

Таким чином, завдання не зводилося до запуску ще одного сканера поверх уже наявного. Datami мала незалежно перевірити вебплатформу, AI-компонент і AWS-середовище та з'ясувати не тільки, які слабкі місця існують, а й наскільки вони небезпечні в реальних сценаріях атак.

Підготовка SaaS-платформи до перевірки безпеки

Пентест – це не той випадок, коли команда отримує доступи й одразу починає атакувати все, що бачить. Спочатку потрібно підготувати середовище, у якому можна достатньо глибоко перевіряти сценарії атак і водночас не створювати зайвого ризику для робочої системи.

Для цього Ellie.ai створила окремі тестові тенанти, щоб пентестери могли активно працювати з платформою, перевіряти різні сценарії та експлуатувати знайдені слабкі місця, не втручаючись у production-середовище.

Коли середовище було готове до тестування, команда перейшла до трьох погоджених напрямів: вебплатформи, AI-чатбота та AWS-інфраструктури. 

Три напрями перевірки – один погляд на безпеку

Основний акцент ми зробили на детальному ручному тестуванні. Автоматизовані інструменти також використовували – паралельно з ручною перевіркою пентестера, щоб доповнити процес тестування та забезпечити ширше охоплення.

У цьому проєкті кібербезпеку Ellie.ai не можна було оцінити лише за станом вебзастосунку. Платформа працює у хмарному середовищі та має AI-компонент, тому перевірка складалася з трьох окремих, але пов'язаних між собою послуг: пентесту вебдодатків, AI пентесту та аудиту безпеки AWS.

1. Тестування на проникнення у вебдодатки

Вебплатформу тестували у grey-box форматі – з обліковими даними, які надав клієнт. Такий формат пентесту вебзастосунків дав змогу перевірити не лише з позиції зовнішнього відвідувача, а й дослідити сценарії, доступні після авторизації.

Перевірка спиралася на OWASP Top 10 і поєднувала ручне тестування з Burp Suite, sqlmap та Nmap. Пентестери шукали вебвразливості та перевіряли можливість їх практичної експлуатації. І саме у вебчастині була знахідка, історія якої стала центральною для цього кейса: автоматичний сканер її вже бачив, але реальний рівень ризику виявився зовсім іншим.

2. AI пентест

Окремою частиною роботи став пентест AI-чатбота Ellie.ai. На відміну від традиційного тестування, тут потрібно було враховувати ризики, пов'язані вже з поведінкою AI-компонента.

Один з основних напрямів цього тестування на проникнення в AI – prompt injection. Ми перевірили AI-чатбот на сценарії prompt injection та інші ризики, пов’язані з можливим відхиленням від передбаченої логіки роботи. Результати перевірки були включені до загальних рекомендацій із захисту платформи.

3. Аудит безпеки AWS

Ще один рівень перевірки – AWS-інфраструктура, для якої провели white-box аудит. Команда Datami дослідила, наскільки безпечно налаштоване хмарне середовище, на якому працює SaaS-платформа.

Для аналізу AWS-інфраструктури ми використали Prowler і ScoutSuite та ручну перевірку конфігурацій: перевірили на наявність небезпечних налаштувань та інших слабких місць, які могли створювати додаткові ризики для платформи.

Результати перевірки безпеки: що ми виявили

Проєкт тривав близько місяця. Упродовж цього часу клієнт оперативно виправляв виявлені проблеми. Це дозволило не відкладати роботу зі знахідками до фінального звіту.

За цей час змінювалася і сама платформа: Ellie випустила новий функціонал уже після початкового тестування. Тому Datami додатково перевірила й нові зміни, щоб підсумкова оцінка враховувала актуальний стан платформи.

Попри постійне автоматизоване сканування, незалежна перевірка виявила вразливості різного рівня критичності. Серед них були проблеми у вебзастосунку та ризики, пов’язані з конфігурацією хмарного середовища. 

Але найцікавішою знахідкою стала не нова для системи вразливість: автоматичний сканер уже знав про неї – і класифікував як Low.

Як Low перетворився на Critical

Йшлося про SSRF (Server-Side Request Forgery) – вразливість, за якої атакувальник може змусити сервер надсилати запити до ресурсів, до яких сам атакувальник напряму доступу не має.

Сам факт наявності SSRF ще не пояснював, наскільки вона небезпечна саме для Ellie.ai. Автоматичний сканер виявив проблему, проте він оцінив знахідку як рівень Low.

Під час ручного тестування пентестери Datami пішли далі. Сценарій атаки був нетиповим і складним у виконанні, але команда підтвердила сценарій, за якого SSRF могла призвести до критичного впливу на безпеку хмарного середовища. Практична перевірка показала, що автоматизована оцінка не врахувала повний контекст ризику.

Тобто сканер не пропустив вразливість – він недооцінив її. Автоматизація побачила слабке місце, але не змогла пройти весь шлях потенційної атаки. Ручний пентест показав, до чого цей шлях може привести в конкретному середовищі.

Від вразливостей до підтвердженої безпеки

Саме виявлення вразливості не виключає її використання зловмисниками – тому важливо, що відбувається далі. Elli оперативно опрацьовувала погоджені знахідки, а Datami перевіряла зміни в межах проєкту. 

Перевірка нового функціоналу

За час проєкту змінювалася й сама платформа. Після початкового тестування команда Ellie.ai випустила новий функціонал, тому Datami додатково перевірила нові зміни. Так фінальна оцінка враховувала вже актуальний стан SaaS-платформи, а не лише її версію на момент старту робіт.

Фінальний рівень безпеки 

У межах погодженого scope команда підтвердила виправлення пріоритетних знахідок. Це допомогло клієнту зменшити виявлені ризики та підготувати матеріали для vendor security review.. Проєкт завершили в погоджені строки – приблизно за місяць.

Рекомендації для довгострокового захисту

Безпека хмарної платформи – це безперервний процес і, щоб зберегти досягнутий рівень захищеності в умовах розвитку платформи та змін її інфраструктури, команда Datami рекомендувала Ellie.ai перейти до регулярних циклів тестування: поєднувати постійні автоматизовані сканування з періодичним проведенням пентесту та аудиту після суттєвих оновлень.

Більше, ніж формальний звіт

На старті проєкту pentest-звіт був передусім вимогою корпоративних клієнтів для проходження vendor security review. Проте перевірка показала, що це далеко не формальність: Datami виявила низку вразливостей. Тож разом із необхідним звітом Ellie отримала значно важливіший результат – можливість усунути реальні ризики, які залишалися в системі попри постійне автоматизоване сканування. 

Висновок

Дякуємо команді Ellie.ai за довіру, можливість збагатити наш досвід перевірки SaaS-платформ і продемонструвати експертизу Datami на практиці.
Для Ellie.ai результатом цього проєкту стали конкретні зміни в безпеці платформи та можливостях співпраці з enterprise-клієнтами:

• Підтверджено Critical-ризик SSRF, оціненої сканером як Low.
• Виявлено XSS та небезпечні конфігурації AWS.
• Рівень безпеки платформи підвищено до good.
• Перевірено новий функціонал після релізу.
• Підготовлено pentest report для vendor security review.
• Знято security-бар’єр для enterprise-угод.

Наявний у клієнта автоматичний сканер не провалив своє завдання – він знайшов вразливість. Проблема полягала в іншому: він не зміг пройти далі та правильно визначити її критичність для системи. 

Кейс показав, що автоматизоване сканування та ручний пентест виконують різні ролі: перше допомагає швидко виявляти потенційні проблеми, а другий - оцінювати їхній реальний вплив у конкретному середовищі. 

Пентест, який на старті проєкту був потрібен передусім для проходження перевірок корпоративних клієнтів, фактично допоміг виявити реальну проблему і закрити потенційні сценарії атаки.

Як оцінила цей проєкт Datami сама команда Ellie.ai, можна прочитати у відгуку на Clutch.