AI-agentkæder ændrer kampen om sårbarheder

Hvad Mandiant siger, at AVDH har fundet

Google oplyser, at AVDH har været brugt internt i omkring ti måneder og har fundet snesevis af sårbarheder, der kunne tildeles CVE-numre, i udbredte webudvidelser og open source-projekter. Arbejdet har ført til 12 tildelte CVE-numre, mens omtrent et dusin yderligere sårbarheder er under aktiv offentliggørelse.

I en incident-response-undersøgelse af stjålne virksomhedskodebaser hjalp systemet ifølge ekstern omtale med at identificere mere end 100 verificerede sårbarheder med høj alvorlighed på to dage.

Tallene viser potentialet i AI-assisteret kodegennemgang, men de skal læses med forbehold. Der er tale om driftsresultater rapporteret af Mandiant og medier, der har dækket arbejdet – ikke om en uafhængigt revideret sammenligning med traditionel sikkerhedstest. Fundene bør heller ikke automatisk kaldes aktive zero-days: En nyopdaget eller tidligere ikke-rapporteret sårbarhed er ikke nødvendigvis allerede udnyttet i naturen.

NOVA kombinerer flere modeller i jagten på sårbarheder

Palo Alto Networks’ Unit 42 beskriver NOVA – Network and Open-Source Vulnerability Analyzer – som et autonomt system til opdagelse, validering og rapportering. Det benytter virksomhedens egne agentbaserede systemer og flere avancerede AI-modeller.

I den test, virksomheden selv har rapporteret om, analyserede NOVA 3.915 open source-projekter på to måneder og identificerede 14.090 tidligere ukendte sårbarheder. Unit 42 oplyser, at 99,4 procent ikke tidligere var rapporteret, og at omkring 40 procent blev vurderet som alvorlige eller kritiske.

Betydningen ligger ikke kun i mængden af fund. Omtalen af resultaterne peger på, at mange var semantiske fejl eller logiske fejl – ikke de hukommelsesfejl, som traditionel automatiseret analyse ofte forbindes med. Det kan for eksempel være problemer med adgangskontrol, håndtering af filstier, server-side request forgery eller beskyttelse mod kodeinjektion. Her er det afgørende at forstå, hvad applikationen egentlig skal gøre.

Som med AVDH stammer hovedtallene fra leverandøren selv. At noget er “tidligere ukendt”, dokumenterer ikke i sig selv, at hvert fund er et praktisk udnytbart zero-day, og vurderingen af alvorlighed kan afhænge af den anvendte scoringsmetode. Den mere forsigtige konklusion er, at agentbaserede systemer med flere modeller kan finde store mængder sikkerhedskandidater, som traditionelle processer måske ikke ville undersøge lige så hurtigt.

Hurtigere opdagelse løser ikke problemet alene

Hvis sårbarheder findes hurtigere, kan det styrke forsvaret. Men det kan også gøre situationen værre, hvis organisationer stadig arbejder med langsomme processer for udbedring. CERT-EU henviser til en estimeret gennemsnitlig tid til udnyttelse på minus syv dage. Det betyder, at angreb i gennemsnit kan begynde, før en patch er bredt tilgængelig.

Det ændrer patchingens rolle. En permanent rettelse i koden er stadig nødvendig, men den er ikke længere nødvendigvis det første eller eneste nyttige forsvarstiltag. Sikkerhedsteams skal også begrænse eksponeringen, mens udviklere undersøger problemet, tester løsningen, koordinerer offentliggørelsen og gennemfører en gradvis udrulning.

Palo Alto vil lukke hullet med netværksbaseret inddæmning

Palo Alto Networks’ Frontier AI Critical Defense Program er udviklet til at samle AI-laboratorier, software- og open source-organisationer samt sektorer som operationel teknologi og sundhed omkring netop denne udfordring. Forslaget er at indsætte netværksbaserede “virtuelle patches”, som blokerer exploit-trafik eller misbrug af protokoller, før en permanent softwareløsning er klar.

Palo Alto oplyser, at virksomhedens Advanced Virtual Patching kan udrulle beskyttelse på få timer sammenlignet med en oplyst branchegennemsnitlig tid på 55 dage for en traditionel patch.

En virtuel patch bør forstås som en kompenserende sikkerhedsforanstaltning – ikke som en erstatning for at rette den sårbare kode. Effekten afhænger af, om sikkerhedsteamet præcist kan identificere angrebsvejen, og om netværkskontrollen kan blokere den uden at forstyrre legitim trafik. Dækningen kan også være begrænset, hvis angreb foregår via betroede kanaler, krypteret trafik, lokal rettighedsudvidelse eller adfærd, der er svær at skelne fra normal brug.

Kan forsvarerne genvinde overtaget?

Måske – men ikke ved blot at tilføje endnu en AI-scanner.

Den stærkere forsvarsarkitektur forbinder flere trin i én samlet arbejdsgang:

1. Kortlæg kodebasen og angrebsfladen, så agenterne forstår, hvad systemet gør.
2. Udarbejd og gennemgå en trusselsmodel, før der genereres store mængder hypoteser.
3. Brug flere agenter og modeller, som kan analysere fra forskellige perspektiver og udfordre svage fund.
4. Genskab og prioritér sårbarheder med menneskelige eksperter og dokumentation for, at de kan udnyttes.
5. Offentliggør problemet koordineret, og udvikl en permanent rettelse gennem den relevante proces.
6. Inddæm eksponeringen med det samme ved hjælp af netværkskontroller eller andre kompenserende foranstaltninger.
7. Kontrollér udbedringen, når softwarepatchen er rullet ud.

Det er den strategiske lære fra AVDH og NOVA: Fordelen kommer fra orkestreringen – ikke fra modeloutput alene. AI kan komprimere tiden til opdagelse og validering, men forsvarerne har stadig brug for pålidelig dokumentation, omhyggelig prioritering, robust arkitektur og udrulningssystemer, der kan handle i samme tempo.

Angribere kan bruge tilsvarende modeller, og virtuelle patches er midlertidige og afhænger af deres dækning. Det realistiske mål er derfor ikke at fjerne zero-day-risikoen. Målet er at gøre den defensive sløjfe – fra opdagelse over inddæmning til udbedring – hurtigere og mere pålidelig end angribernes vej fra fund til udnyttelse.