Discovery चरण में entry points, data flows और आसपास के code context की जांच की जाती है। एजेंट कई vulnerability hypotheses बनाते हैं, उन्हें अलग-अलग जांचते हैं और एक-दूसरे के निष्कर्षों को चुनौती देते हैं। उपलब्ध evidence को candidate findings में संकलित किया जाता है, जबकि किसी flaw को verified मानने से पहले consultants proof-of-concept exploit को स्वयं reproduce करते हैं।

इस डिजाइन का महत्व यह है कि यह व्यापक coverage और सुरक्षा-विशेषज्ञ के judgment को अलग-अलग भूमिकाओं में रखता है। एक agent बड़े क्षेत्र में खोज सकता है, दूसरा किसी attack path को आगे बढ़ा सकता है और तीसरा यह साबित करने की कोशिश कर सकता है कि निष्कर्ष गलत है। Human validation false positives और सॉफ्टवेयर के व्यवहार को लेकर गलत धारणाओं के विरुद्ध अंतिम नियंत्रण बना रहता है।

Mandiant के अनुसार AVDH के नतीजे

Google का कहना है कि AVDH लगभग दस महीने से आंतरिक रूप से इस्तेमाल हो रहा है। इस दौरान इसने व्यापक रूप से इस्तेमाल होने वाले web extensions और open-source projects में दर्जनों assignable flaws खोजे हैं। इस काम से 12 CVEs assign किए गए हैं, जबकि लगभग इतनी ही अन्य vulnerabilities active disclosure प्रक्रिया में हैं।

एक incident-response investigation में, जिसमें चोरी हुए corporate repositories की जांच की जा रही थी, बाहरी रिपोर्टों के अनुसार इस harness ने दो दिनों में 100 से अधिक verified high-severity vulnerabilities पहचानने में मदद की।

इन आंकड़ों से AI-assisted review का संभावित scale समझ आता है, लेकिन इन्हें सावधानी से पढ़ना जरूरी है। ये Mandiant और उससे जुड़ी रिपोर्टिंग द्वारा बताए गए operational results हैं; conventional security testing के मुकाबले इनका स्वतंत्र audit या benchmark उपलब्ध नहीं है। साथ ही, इन्हें सीधे active zero-day exploits नहीं कहा जाना चाहिए। नई खोजी गई या पहले रिपोर्ट न की गई vulnerability का यह अर्थ नहीं होता कि उसे जंगल में सक्रिय रूप से exploit किया जा रहा है।

NOVA: कई frontier AI models से vulnerability discovery

Palo Alto Networks की Unit 42, NOVA—Network and Open-Source Vulnerability Analyzer—को proprietary agentic harnesses और कई frontier AI models से संचालित autonomous discovery, validation और reporting system के रूप में वर्णित करती है।

कंपनी के reported test में NOVA ने दो महीनों में 3,915 open-source projects का विश्लेषण किया और 14,090 पहले अज्ञात vulnerabilities खोजीं। Unit 42 के अनुसार, इनमें 99.4% पहले रिपोर्ट नहीं की गई थीं और लगभग 40% को high या critical severity दी गई।

इस प्रणाली का महत्व केवल findings की संख्या में नहीं है। उपलब्ध रिपोर्टिंग के अनुसार, इनमें बड़ी संख्या semantic या logic flaws की थी—सिर्फ वे memory-corruption bugs नहीं जिन्हें पारंपरिक automated analysis अक्सर प्राथमिकता देता है। ऐसे flaws access control, path handling, server-side request behavior या code-injection defenses में हो सकते हैं। इन्हें समझने के लिए application के intended behavior को जानना जरूरी होता है।

AVDH की तरह NOVA के headline figures भी vendor-reported हैं। “Previously unknown” होना अपने-आप में यह साबित नहीं करता कि हर finding व्यावहारिक रूप से exploitable zero-day है। Severity भी इस्तेमाल किए गए scoring framework पर निर्भर कर सकती है। अधिक संतुलित निष्कर्ष यह है कि multi-model agent systems अब बड़ी संख्या में ऐसे security candidates सामने ला सकते हैं, जिन्हें पारंपरिक review प्रक्रियाएं इतनी तेजी से जांच नहीं पातीं।

केवल vulnerability खोज लेना पर्याप्त क्यों नहीं है

कम समय में अधिक vulnerabilities खोजना defensive capacity बढ़ा सकता है, लेकिन यदि remediation cycle धीमी बनी रहे तो यही प्रक्रिया संकट को और बड़ा कर सकती है। CERT-EU के अनुसार, mean time to exploit का अनुमान माइनस सात दिन तक पहुंच गया है—अर्थात exploit कई मामलों में patch व्यापक रूप से उपलब्ध होने से पहले ही शुरू हो सकता है।

इससे patching की भूमिका बदल जाती है। स्थायी code fix अभी भी जरूरी है, लेकिन वह हमेशा पहला या अकेला उपयोगी defensive कदम नहीं हो सकता। Developers द्वारा जांच, testing, coordinated disclosure और staged deployment पूरी किए जाने तक security teams को exposure घटाने के लिए अंतरिम उपाय भी चाहिए।

Palo Alto का मॉडल: network-level containment

Palo Alto का Frontier AI Critical Defense Program इसी समस्या के समाधान के लिए AI labs, software और open-source organizations तथा operational technology और healthcare जैसे क्षेत्रों को साथ लाने का प्रयास है। कार्यक्रम के तहत network-level “virtual patches” तैनात करने का विचार है, जो permanent software fix उपलब्ध होने से पहले exploit traffic या दुरुपयोग वाले protocol behavior को block कर सकें।

Palo Alto का कहना है कि उसकी Advanced Virtual Patching क्षमता conventional patch की तैनाती में लगने वाले उद्योग के कथित औसत 55 दिनों की तुलना में सुरक्षा लागू करने का काम कुछ घंटों में कर सकती है।

Virtual patch को vulnerable code को ठीक करने का विकल्प नहीं, बल्कि compensating control समझना चाहिए। इसकी प्रभावशीलता इस बात पर निर्भर करती है कि security team exploit path को कितनी सटीकता से पहचानती है और network control legitimate activity में बाधा डाले बिना उस path को block कर पाता है या नहीं। Trusted channels, encrypted traffic, local privilege escalation या सामान्य उपयोग से अलग न दिखने वाले व्यवहार के मामलों में इसका coverage सीमित हो सकता है।

क्या डिफेंडर फिर से बढ़त हासिल कर सकते हैं?

संभव है—लेकिन केवल AI scanner जोड़ देने से नहीं।

मजबूत defensive architecture कई चरणों को एक operational loop में जोड़ता है:

1. Code और attack surface का नक्शा बनाएं, ताकि agents समझ सकें कि system क्या करता है।
2. Threat model तैयार कर उसकी समीक्षा करें, फिर बड़े पैमाने पर vulnerability hypotheses बनाएं।
3. कई agents और models का इस्तेमाल करें, ताकि अलग-अलग दृष्टिकोणों से जांच हो और कमजोर निष्कर्षों को चुनौती दी जा सके।
4. Vulnerabilities को reproduce और prioritize करें, human experts और exploitability के evidence के साथ।
5. उचित coordination process के जरिए disclosure और permanent fix पर काम करें।
6. Exposure को तुरंत contain करें, network controls या अन्य compensating measures की मदद से।
7. Patch deploy होने के बाद remediation verify करें।

AVDH और NOVA से मिलने वाला रणनीतिक सबक यही है: बढ़त केवल model output से नहीं, बल्कि orchestration से आती है। AI discovery और validation को बहुत तेज़ कर सकता है, लेकिन defenders को फिर भी भरोसेमंद evidence, सही prioritization, resilient architecture और ऐसी deployment systems की जरूरत होगी जो हमलावरों की गति से कदम मिला सकें।

हमलावर भी समान क्षमताओं वाले models का इस्तेमाल कर सकते हैं और virtual patches अस्थायी तथा coverage-dependent होते हैं। इसलिए वास्तविक लक्ष्य zero-day risk को खत्म करना नहीं है। लक्ष्य यह है कि discovery से containment और फिर remediation तक defensive loop, vulnerability खोजने से उसे exploit करने तक हमलावरों के रास्ते से तेज़ और अधिक भरोसेमंद बने।

Discovery चरण में entry points, data flows और आसपास के code context की जांच की जाती है। एजेंट कई vulnerability hypotheses बनाते हैं, उन्हें अलग-अलग जांचते हैं और एक-दूसरे के निष्कर्षों को चुनौती देते हैं। उपलब्ध evidence को candidate findings में संकलित किया जाता है, जबकि किसी flaw को verified मानने से पहले consultants proof-of-concept exploit को स्वयं reproduce करते हैं।

इस डिजाइन का महत्व यह है कि यह व्यापक coverage और सुरक्षा-विशेषज्ञ के judgment को अलग-अलग भूमिकाओं में रखता है। एक agent बड़े क्षेत्र में खोज सकता है, दूसरा किसी attack path को आगे बढ़ा सकता है और तीसरा यह साबित करने की कोशिश कर सकता है कि निष्कर्ष गलत है। Human validation false positives और सॉफ्टवेयर के व्यवहार को लेकर गलत धारणाओं के विरुद्ध अंतिम नियंत्रण बना रहता है।

Mandiant के अनुसार AVDH के नतीजे

Google का कहना है कि AVDH लगभग दस महीने से आंतरिक रूप से इस्तेमाल हो रहा है। इस दौरान इसने व्यापक रूप से इस्तेमाल होने वाले web extensions और open-source projects में दर्जनों assignable flaws खोजे हैं। इस काम से 12 CVEs assign किए गए हैं, जबकि लगभग इतनी ही अन्य vulnerabilities active disclosure प्रक्रिया में हैं।

एक incident-response investigation में, जिसमें चोरी हुए corporate repositories की जांच की जा रही थी, बाहरी रिपोर्टों के अनुसार इस harness ने दो दिनों में 100 से अधिक verified high-severity vulnerabilities पहचानने में मदद की।

इन आंकड़ों से AI-assisted review का संभावित scale समझ आता है, लेकिन इन्हें सावधानी से पढ़ना जरूरी है। ये Mandiant और उससे जुड़ी रिपोर्टिंग द्वारा बताए गए operational results हैं; conventional security testing के मुकाबले इनका स्वतंत्र audit या benchmark उपलब्ध नहीं है। साथ ही, इन्हें सीधे active zero-day exploits नहीं कहा जाना चाहिए। नई खोजी गई या पहले रिपोर्ट न की गई vulnerability का यह अर्थ नहीं होता कि उसे जंगल में सक्रिय रूप से exploit किया जा रहा है।

NOVA: कई frontier AI models से vulnerability discovery

Palo Alto Networks की Unit 42, NOVA—Network and Open-Source Vulnerability Analyzer—को proprietary agentic harnesses और कई frontier AI models से संचालित autonomous discovery, validation और reporting system के रूप में वर्णित करती है।

कंपनी के reported test में NOVA ने दो महीनों में 3,915 open-source projects का विश्लेषण किया और 14,090 पहले अज्ञात vulnerabilities खोजीं। Unit 42 के अनुसार, इनमें 99.4% पहले रिपोर्ट नहीं की गई थीं और लगभग 40% को high या critical severity दी गई।

इस प्रणाली का महत्व केवल findings की संख्या में नहीं है। उपलब्ध रिपोर्टिंग के अनुसार, इनमें बड़ी संख्या semantic या logic flaws की थी—सिर्फ वे memory-corruption bugs नहीं जिन्हें पारंपरिक automated analysis अक्सर प्राथमिकता देता है। ऐसे flaws access control, path handling, server-side request behavior या code-injection defenses में हो सकते हैं। इन्हें समझने के लिए application के intended behavior को जानना जरूरी होता है।

AVDH की तरह NOVA के headline figures भी vendor-reported हैं। “Previously unknown” होना अपने-आप में यह साबित नहीं करता कि हर finding व्यावहारिक रूप से exploitable zero-day है। Severity भी इस्तेमाल किए गए scoring framework पर निर्भर कर सकती है। अधिक संतुलित निष्कर्ष यह है कि multi-model agent systems अब बड़ी संख्या में ऐसे security candidates सामने ला सकते हैं, जिन्हें पारंपरिक review प्रक्रियाएं इतनी तेजी से जांच नहीं पातीं।

केवल vulnerability खोज लेना पर्याप्त क्यों नहीं है

कम समय में अधिक vulnerabilities खोजना defensive capacity बढ़ा सकता है, लेकिन यदि remediation cycle धीमी बनी रहे तो यही प्रक्रिया संकट को और बड़ा कर सकती है। CERT-EU के अनुसार, mean time to exploit का अनुमान माइनस सात दिन तक पहुंच गया है—अर्थात exploit कई मामलों में patch व्यापक रूप से उपलब्ध होने से पहले ही शुरू हो सकता है।

इससे patching की भूमिका बदल जाती है। स्थायी code fix अभी भी जरूरी है, लेकिन वह हमेशा पहला या अकेला उपयोगी defensive कदम नहीं हो सकता। Developers द्वारा जांच, testing, coordinated disclosure और staged deployment पूरी किए जाने तक security teams को exposure घटाने के लिए अंतरिम उपाय भी चाहिए।

Palo Alto का मॉडल: network-level containment

Palo Alto का Frontier AI Critical Defense Program इसी समस्या के समाधान के लिए AI labs, software और open-source organizations तथा operational technology और healthcare जैसे क्षेत्रों को साथ लाने का प्रयास है। कार्यक्रम के तहत network-level “virtual patches” तैनात करने का विचार है, जो permanent software fix उपलब्ध होने से पहले exploit traffic या दुरुपयोग वाले protocol behavior को block कर सकें।

Palo Alto का कहना है कि उसकी Advanced Virtual Patching क्षमता conventional patch की तैनाती में लगने वाले उद्योग के कथित औसत 55 दिनों की तुलना में सुरक्षा लागू करने का काम कुछ घंटों में कर सकती है।

Virtual patch को vulnerable code को ठीक करने का विकल्प नहीं, बल्कि compensating control समझना चाहिए। इसकी प्रभावशीलता इस बात पर निर्भर करती है कि security team exploit path को कितनी सटीकता से पहचानती है और network control legitimate activity में बाधा डाले बिना उस path को block कर पाता है या नहीं। Trusted channels, encrypted traffic, local privilege escalation या सामान्य उपयोग से अलग न दिखने वाले व्यवहार के मामलों में इसका coverage सीमित हो सकता है।

क्या डिफेंडर फिर से बढ़त हासिल कर सकते हैं?

संभव है—लेकिन केवल AI scanner जोड़ देने से नहीं।

मजबूत defensive architecture कई चरणों को एक operational loop में जोड़ता है:

1. Code और attack surface का नक्शा बनाएं, ताकि agents समझ सकें कि system क्या करता है।
2. Threat model तैयार कर उसकी समीक्षा करें, फिर बड़े पैमाने पर vulnerability hypotheses बनाएं।
3. कई agents और models का इस्तेमाल करें, ताकि अलग-अलग दृष्टिकोणों से जांच हो और कमजोर निष्कर्षों को चुनौती दी जा सके।
4. Vulnerabilities को reproduce और prioritize करें, human experts और exploitability के evidence के साथ।
5. उचित coordination process के जरिए disclosure और permanent fix पर काम करें।
6. Exposure को तुरंत contain करें, network controls या अन्य compensating measures की मदद से।
7. Patch deploy होने के बाद remediation verify करें।

AVDH और NOVA से मिलने वाला रणनीतिक सबक यही है: बढ़त केवल model output से नहीं, बल्कि orchestration से आती है। AI discovery और validation को बहुत तेज़ कर सकता है, लेकिन defenders को फिर भी भरोसेमंद evidence, सही prioritization, resilient architecture और ऐसी deployment systems की जरूरत होगी जो हमलावरों की गति से कदम मिला सकें।

हमलावर भी समान क्षमताओं वाले models का इस्तेमाल कर सकते हैं और virtual patches अस्थायी तथा coverage-dependent होते हैं। इसलिए वास्तविक लक्ष्य zero-day risk को खत्म करना नहीं है। लक्ष्य यह है कि discovery से containment और फिर remediation तक defensive loop, vulnerability खोजने से उसे exploit करने तक हमलावरों के रास्ते से तेज़ और अधिक भरोसेमंद बने।