Rantai Agen AI Mengubah Cara Menemukan dan Menahan Kerentanan Siber

Perlombaan keamanan siber kini semakin ditentukan oleh kecepatan. Model AI terdepan dapat membantu tim keamanan memeriksa basis kode berukuran sangat besar, menemukan jalur serangan yang tidak lazim, dan menguji apakah celah yang dicurigai benar-benar dapat dieksploitasi. Namun, percepatan yang sama juga dapat memangkas waktu bagi penyerang untuk mempersenjatai kerentanan—bahkan hingga lebih singkat daripada waktu yang dibutuhkan untuk membuat dan menerapkan patch konvensional.

Agentic Vulnerability Discovery Harness (AVDH) milik Mandiant dan sistem NOVA dari Palo Alto Networks menggambarkan dua bagian dari model pertahanan yang sedang berkembang: penemuan dan validasi berbasis agen, kemudian pembatasan paparan secara cepat.

AVDH mengubah peninjauan kode menjadi rangkaian agen khusus

AVDH bukan satu pemindai otonom yang bekerja sendirian. Sistem ini merupakan alur kerja multi-agen yang digunakan Mandiant untuk menganalisis kode sumber dalam asesmen keamanan, respons insiden, dan investigasi terkait. Menurut Google Threat Intelligence Group, sistem tersebut dapat memeriksa lingkungan dengan puluhan juta baris kode, menjalankan ribuan pipeline analisis, dan menghasilkan puluhan ribu temuan.

Alurnya dimulai dengan membangun konteks. Agen eksplorasi membuat profil basis kode, menentukan tujuan perangkat lunak, memeriksa dokumentasi yang tersedia, lalu mengidentifikasi area yang layak dianalisis lebih dalam. Agen khusus berikutnya dapat menelaah bidang keamanan seperti autentikasi, otorisasi, dan routing.

Tahap sintesis pemodelan ancaman kemudian menggabungkan berbagai pengamatan tersebut. Yang penting, konsultan manusia meninjau model ancaman yang dihasilkan sebelum pipeline berlanjut. Dengan begitu, agen-agen berikutnya memperoleh peta keamanan aplikasi yang spesifik, alih-alih diminta mencari secara membabi buta di seluruh kode sumber.

Tahap penemuan lalu memeriksa titik masuk, aliran data, dan konteks kode di sekitarnya. Para agen menghasilkan beragam hipotesis kerentanan, menyelidikinya secara independen, dan saling menguji kesimpulan. Bukti kemudian dirangkum menjadi kandidat temuan, sementara konsultan mereproduksi eksploit proof-of-concept sebelum sebuah celah dianggap terverifikasi.

Struktur ini penting karena memisahkan cakupan pencarian dari penilaian. Satu agen dapat mencari secara luas, agen lain menelusuri jalur serangan, dan agen berikutnya berusaha membantah hasil tersebut. Validasi manusia tetap menjadi pengendali terakhir untuk mengurangi false positive dan asumsi yang keliru tentang cara kerja perangkat lunak.

Temuan yang dilaporkan Mandiant

Google menyebut AVDH telah digunakan secara internal selama sekitar sepuluh bulan dan menemukan puluhan celah yang dapat ditetapkan sebagai kerentanan pada ekstensi web dan proyek sumber terbuka yang banyak digunakan. Pekerjaan tersebut menghasilkan 12 CVE yang telah ditetapkan, dengan sekitar selusin kerentanan lain masih menjalani proses pengungkapan aktif.

Dalam satu investigasi respons insiden terkait repositori perusahaan yang dicuri, laporan eksternal menyebut harness tersebut membantu menemukan lebih dari 100 kerentanan terverifikasi dengan tingkat keparahan tinggi hanya dalam dua hari.

Angka-angka ini menunjukkan potensi skala peninjauan berbantuan AI, tetapi perlu dibaca secara hati-hati. Hasil tersebut merupakan angka operasional yang dilaporkan Mandiant dan pemberitaan terkait, bukan perbandingan yang diaudit secara independen dengan pengujian keamanan konvensional. Temuan itu juga tidak otomatis dapat disebut sebagai zero-day yang sedang dieksploitasi: kerentanan yang baru ditemukan atau belum pernah dilaporkan belum tentu sedang digunakan dalam serangan di dunia nyata.

NOVA menggabungkan banyak model untuk menemukan kerentanan

Unit 42 dari Palo Alto Networks menjelaskan NOVA—singkatan dari Network and Open-Source Vulnerability Analyzer—sebagai sistem otonom untuk penemuan, validasi, dan pelaporan kerentanan. Sistem ini ditenagai harness berbasis agen milik perusahaan serta sejumlah model AI terdepan.

Dalam pengujian yang dilaporkan perusahaan, NOVA menganalisis 3.915 proyek sumber terbuka dalam dua bulan dan menemukan 14.090 kerentanan yang sebelumnya tidak diketahui. Unit 42 menyatakan 99,4% temuan tersebut belum pernah dilaporkan dan sekitar 40% dikategorikan memiliki tingkat keparahan tinggi atau kritis.

Arti penting sistem ini bukan hanya jumlah temuannya. Pemberitaan mengenai hasil tersebut menyebut banyak di antaranya merupakan cacat semantik atau logika, bukan sekadar bug korupsi memori yang biasanya menjadi fokus analisis otomatis. Contohnya dapat berupa kesalahan dalam kontrol akses, penanganan jalur, perilaku server-side request, atau pertahanan terhadap injeksi kode—area yang menuntut pemahaman terhadap perilaku aplikasi yang seharusnya.

Seperti pada AVDH, angka utama NOVA berasal dari laporan vendor. Istilah “sebelumnya tidak diketahui” tidak dengan sendirinya membuktikan bahwa setiap hasil merupakan zero-day yang praktis dapat dieksploitasi. Klasifikasi tingkat keparahan juga dapat bergantung pada kerangka penilaian yang digunakan. Kesimpulan yang lebih kuat adalah bahwa sistem multi-agen dan multi-model kini mampu menemukan kandidat kerentanan dalam jumlah besar, termasuk yang mungkin tidak dapat diperiksa secepat itu melalui proses peninjauan konvensional.

Mengapa penemuan saja tidak cukup

Menemukan kerentanan lebih cepat memang dapat memperkuat kemampuan pertahanan. Namun, langkah ini juga bisa memperbesar krisis jika organisasi masih mengandalkan siklus remediasi yang lambat. CERT-EU mengutip estimasi mean time to exploit sebesar minus tujuh hari, yang berarti eksploitasi dapat dimulai sebelum patch tersedia secara luas.

Metrik tersebut mengubah posisi patching dalam strategi keamanan. Perbaikan permanen pada kode tetap diperlukan, tetapi mungkin bukan tindakan pertahanan pertama atau satu-satunya yang berguna. Tim keamanan juga perlu mengurangi paparan sementara pengembang menyelidiki masalah, menguji perbaikan, mengoordinasikan pengungkapan, dan menyelesaikan penerapan bertahap.

Program Palo Alto menambahkan pembatasan di tingkat jaringan

Frontier AI Critical Defense Program dari Palo Alto Networks dirancang untuk mengoordinasikan laboratorium AI, organisasi perangkat lunak dan sumber terbuka, serta sektor seperti teknologi operasional dan layanan kesehatan untuk menghadapi persoalan tersebut. Salah satu respons yang ditawarkan adalah menerapkan “virtual patch” di tingkat jaringan guna memblokir lalu lintas eksploit atau perilaku protokol yang disalahgunakan sebelum perbaikan perangkat lunak permanen tersedia.

Palo Alto menyatakan kemampuan Advanced Virtual Patching dapat menerapkan perlindungan dalam hitungan jam, dibandingkan klaim rata-rata industri selama 55 hari untuk menerapkan patch konvensional.

Virtual patch paling tepat dipahami sebagai kontrol kompensasi, bukan pengganti perbaikan kode yang rentan. Efektivitasnya bergantung pada kemampuan tim keamanan mengidentifikasi jalur eksploit secara akurat dan kemampuan kontrol jaringan memblokir jalur tersebut tanpa mengganggu aktivitas yang sah. Cakupannya juga dapat terbatas ketika serangan berlangsung melalui kanal tepercaya, lalu lintas terenkripsi, eskalasi hak akses lokal, atau perilaku yang sulit dibedakan dari penggunaan normal.

Bisakah pembela kembali unggul?

Mungkin—tetapi bukan sekadar dengan menambahkan pemindai AI.

Arsitektur pertahanan yang lebih kuat menghubungkan beberapa tahap menjadi satu siklus operasional:

1. Petakan kode dan permukaan serangan agar agen memahami fungsi sistem.
2. Bangun dan tinjau model ancaman sebelum menghasilkan hipotesis dalam skala besar.
3. Gunakan banyak agen dan model untuk mencari dari berbagai perspektif serta menguji temuan yang lemah.
4. Reproduksi dan prioritaskan kerentanan dengan bantuan pakar manusia dan bukti kemampuan eksploitasi.
5. Lakukan pengungkapan dan kembangkan perbaikan permanen melalui proses koordinasi yang sesuai.
6. Batasi paparan segera menggunakan kontrol jaringan atau langkah kompensasi lainnya.
7. Verifikasi remediasi setelah patch perangkat lunak diterapkan.

Inilah pelajaran strategis dari AVDH dan NOVA: keunggulan berasal dari orkestrasi, bukan dari keluaran model semata. AI dapat memampatkan waktu penemuan dan validasi, tetapi tim pertahanan tetap membutuhkan bukti yang dapat dipercaya, prioritas yang cermat, arsitektur yang tangguh, dan sistem penerapan yang mampu bergerak dengan kecepatan serupa.

Penyerang dapat menggunakan model dengan kemampuan sebanding, sementara virtual patch bersifat sementara dan bergantung pada cakupan perlindungannya. Karena itu, tujuan yang realistis bukan menghapus risiko zero-day. Tujuannya adalah membuat siklus pertahanan—dari penemuan, pembatasan, hingga remediasi—lebih cepat dan lebih andal daripada jalur yang ditempuh penyerang dari menemukan celah hingga mengeksploitasinya.