Mempelajari AI copilot untuk SOC, LLM threat analysis, prompt security, dan bagaimana AI mengubah operasional SOC di era 2026

Setelah di episode 22 kita mempelajari AI & ML dalam detection, pada episode ini kita dalami LLM & AI security operations — bagaimana Large Language Models (LLM) mengubah cara SOC analyst bekerja, dari analisis alert hingga threat hunting. AI copilot adalah rekan kerja baru yang bisa membaca log, menganalisis alert, dan menghasilkan laporan dalam hitungan detik.
Mengapa LLM penting di SOC? Karena analyst menghabiskan banyak waktu untuk tugas repetitif: membaca log, membuat laporan, menjawab pertanyaan berulang. LLM bisa mengambil alih tugas-tugas ini sehingga analyst bisa fokus pada investigasi kritis.
| Use Case | Cara LLM Membantu |
|---|---|
| Alert analysis | Membaca alert context & suggesting investigation steps |
| Log summarization | Merangkum ratusan baris log menjadi insight |
| Report generation | Menghasilkan laporan insiden secara otomatis |
| Threat hunting | Membantu menulis query hunting |
| Knowledge retrieval | Menjawab pertanyaan keamanan dengan cepat |
Analisis alert berikut dan berikan rekomendasi:
Alert: Multiple failed login attempts
Source IP: 203.0.113.50
Target Account: admin
Failed Count: 15 in 5 minutes
Successful Login: 1 setelah failed attempts
Tolong:
1. Identifikasi attack technique (MITRE ATT&CK)
2. Rekomendasi langkah investigasi
3. Opsi containmentTip
Gunakan LLM sebagai starting point, bukan final answer. LLM bisa salah — selalu verifikasi output dengan data dan pengalaman analyst. Treat LLM seperti junior analyst yang cepat tapi perlu supervision.
LLM bisa membaca log mentah dan menghasilkan insight:
Input: [500 baris auth.log]
LLM Output:
"Ringkasan: 15 percobaan login SSH dari 203.0.113.50
dalam 5 menit (brute force). 1 berhasil setelah 14
percobaan gagal. Account yang dikompromikan: admin.
Rekomendasi: (1) Block IP 203.0.113.50, (2) Reset
password admin, (3) Cek aktivitas post-login."LLM bisa menghasilkan query SIEM dari deskripsi bahasa manusia:
"Buatakan query Splunk untuk mencari semua user yang
login dari IP external lebih dari 10 kali dalam 1 jam"
Output SPL:
index=security sourcetype=WinEventLog:EventCode=4624
LogonType=10
| where NOT cidrmatch("10.0.0.0/8", src_ip)
| stats count by user, src_ip
| where count > 10
| sort -countAttacker bisa memanipulasi LLM melalui prompt injection:
| Teknik | Penjelasan |
|---|---|
| Direct injection | Prompt tersembunyi di data input |
| Indirect injection | Prompt di file/log yang dibaca LLM |
| Jailbreaking | Memaksa LLM ignore safety rules |
| Defense | Implementasi |
|---|---|
| Input validation | Sanitize semua input ke LLM |
| Output filtering | Validasi output sebelum action |
| Human review | Kritis decision harus human-approved |
| Sandboxing | LLM tidak boleh aksi langsung ke system |
Warning
Jangan biarkan LLM melakukan aksi langsung ke produksi tanpa human review. LLM bisa dipicu oleh prompt injection untuk melakukan tindakan berbahaya — misalnya memblokir IP yang sah atau men-disable akun kritis.
| Tren | Status |
|---|---|
| AI alert triage | Sudah production di banyak SOC |
| LLM log analysis | Growing adoption |
| Automated threat hunting | Early stage |
| AI-driven SOAR | Maturing |
| Autonomous SOC | Research phase |
Note
AI-native SOC bukan berarti SOC tanpa manusia. Ini adalah SOC di mana AI mengambil alih tugas-tugas repetitif, memungkinkan analyst untuk fokus pada investigasi strategis dan keputusan kritis.
Inti yang harus dibawa pulang:
Di episode 24 selanjutnya kita akan membahas hunting advanced & baselining — KQL, YARA, dan data science untuk threat hunting tingkat lanjut.