Présentation de la solution FireMon Agentic AI
FireMon, société spécialisée dans la gestion des politiques de sécurité réseau depuis 2004, a annoncé le FireMon Agentic AI, un ensemble d’agents d’intelligence artificielle intégré à sa plateforme. Trois agents natifs sont fournis : l’Intelligent Agent, le Network Designer Agent et le Policy Change Designer Agent. L’offre, prévue pour une disponibilité en novembre, est proposée sans frais supplémentaires aux plus de 1 800 clients répartis dans plus de 70 pays.
Architecture des agents et du Model Context Protocol
Chaque agent fonctionne à l’intérieur de limites définies par le client : les groupes de dispositifs et les outils autorisés sont configurables via le serveur Model Context Protocol (MCP). Ce serveur expose une API qui permet à des applications externes d’interroger les enregistrements de politique déjà stockés, puis de récupérer des recommandations ou de créer des Policy Plans en mode « staged ». Les agents utilisent les mêmes bases de données que les utilisateurs humains, évitant ainsi la duplication de données. FireMon supporte plusieurs grands modèles de langage, y compris des instances hébergées dans l’environnement approuvé du client, et l’activation de l’IA reste désactivée par défaut.
Flux de travail et rôle de l'humain
Le processus débute par la réception d’une demande d’accès métier, qui peut toucher plusieurs pare-feu et fournisseurs cloud. L’Intelligent Agent traduit la requête en langage naturel en requêtes de politique, tandis que le Network Designer Agent génère des recommandations de règles. Le Policy Change Designer Agent conduit la demande jusqu’à la création d’un Policy Plan complet : il remplit automatiquement les champs obligatoires (nom de règle, groupe de dispositifs) et suspend l’exécution dès qu’une décision nécessite un jugement organisationnel. Aucun changement n’est appliqué tant qu’un praticien n’a validé le plan, garantissant que la décision finale reste humaine.
Sécurité, gouvernance et limites
FireMon impose un contrôle d’accès basé sur les rôles (RBAC) pour chaque agent et chaque application externe, limitant les actions aux groupes de dispositifs spécifiés. Toutes les interactions sont consignées dans un journal d’audit, assurant la traçabilité des suggestions d’IA et des modifications proposées. Malgré l’automatisation de la phase d’enquête, la solution ne déploie pas automatiquement les règles sur les pare-feu ; le déploiement reste une étape manuelle, ce qui réduit le risque d’erreurs de configuration non supervisées. L’option d’utiliser un LLM interne ou hébergé par le client permet de répondre aux exigences de conformité, mais la dépendance à la qualité des modèles de langage introduit une incertitude quant à la pertinence des recommandations dans des environnements très hétérogènes.
