In de ontdekkingsfase analyseren agenten vervolgens toegangspunten, gegevensstromen en de omliggende code. Ze formuleren meerdere hypothesen over mogelijke kwetsbaarheden, onderzoeken die afzonderlijk en proberen elkaars conclusies te weerleggen. Het bewijs wordt samengevoegd tot kandidaatbevindingen. Consultants bootsen proof-of-concept-exploits na voordat een fout als bevestigd wordt aangemerkt.

Die opzet is belangrijk omdat dekking en beoordeling van elkaar worden gescheiden. De ene agent kan breed zoeken, een andere kan een aanvalspad uitwerken en een derde kan proberen het resultaat te ontkrachten. Menselijke validatie blijft een laatste controle tegen fout-positieven en onjuiste aannames over de werking van de software.

Wat Mandiant zegt met AVDH te hebben gevonden

Google zegt dat AVDH ongeveer tien maanden intern is gebruikt en tientallen toewijsbare kwetsbaarheden heeft gevonden in veelgebruikte webextensies en open-sourceprojecten. Dat werk heeft geleid tot 12 toegekende CVE’s; ongeveer een dozijn andere kwetsbaarheden bevindt zich volgens het bedrijf nog in een actief openbaarmakingsproces.

Tijdens een incidentresponsonderzoek naar gestolen bedrijfsrepositories hielp het systeem volgens externe berichtgeving in twee dagen meer dan 100 geverifieerde kwetsbaarheden met een hoge ernstgraad te identificeren.

Deze cijfers laten zien welke schaal AI-ondersteunde code-analyse kan bereiken, maar moeten voorzichtig worden gelezen. Het gaat om operationele resultaten die door Mandiant en berichtgeving daarover zijn gemeld, niet om een onafhankelijk gecontroleerde vergelijking met traditionele beveiligingstests. Ook mogen de bevindingen niet automatisch worden omschreven als actieve zero-day-exploits: een nieuw ontdekte of eerder niet gemelde kwetsbaarheid wordt niet noodzakelijkerwijs al in het wild misbruikt.

Palo Alto’s NOVA combineert meerdere modellen voor kwetsbaarheidsanalyse

Unit 42 van Palo Alto Networks omschrijft NOVA — de Network and Open-Source Vulnerability Analyzer — als een autonoom systeem voor het ontdekken, valideren en rapporteren van kwetsbaarheden. Het systeem gebruikt eigen agentharnassen en meerdere geavanceerde AI-modellen.

In de door het bedrijf gerapporteerde test analyseerde NOVA 3.915 open-sourceprojecten in twee maanden en vond het 14.090 eerder onbekende kwetsbaarheden. Unit 42 zegt dat 99,4% daarvan niet eerder was gemeld en dat ongeveer 40% als hoog of kritiek werd beoordeeld.

De betekenis van NOVA zit niet alleen in het aantal bevindingen. Volgens berichtgeving over de resultaten ging het vaak om semantische of logische fouten, en niet om de geheugenfouten waarop traditionele geautomatiseerde analyse zich doorgaans richt. Het kan bijvoorbeeld gaan om fouten in toegangscontrole, padverwerking, server-side requestgedrag of bescherming tegen code-injectie. Om zulke problemen te herkennen is inzicht nodig in het beoogde gedrag van een applicatie.

Ook hier zijn de belangrijkste cijfers afkomstig van de leverancier. ‘Eerder onbekend’ betekent op zichzelf niet dat elke bevinding een praktisch exploiteerbare zero-day is. Bovendien kunnen ernstclassificaties afhangen van het gebruikte beoordelingskader. De meest verdedigbare conclusie is dat multi-modelsystemen met AI-agenten grote aantallen beveiligingskandidaten kunnen blootleggen die in conventionele beoordelingsprocessen minder snel aan bod komen.

Waarom sneller ontdekken niet genoeg is

Sneller kwetsbaarheden vinden kan de defensieve capaciteit vergroten, maar het probleem wordt groter als organisaties nog altijd afhankelijk zijn van trage herstelcycli. CERT-EU noemt een geschatte gemiddelde tijd tot exploitatie van min zeven dagen. Dat betekent dat aanvallen gemiddeld al kunnen beginnen voordat een patch breed beschikbaar is.

Die ontwikkeling verandert de rol van patchen. Een permanente oplossing in de code blijft noodzakelijk, maar is mogelijk niet langer de eerste of enige nuttige verdedigingsactie. Beveiligingsteams moeten de blootstelling ook verminderen terwijl ontwikkelaars de oorzaak onderzoeken, testen, gecoördineerde openbaarmaking voorbereiden en een gefaseerde uitrol uitvoeren.

Palo Alto koppelt ontdekking aan afscherming op netwerkniveau

Het Frontier AI Critical Defense Program van Palo Alto Networks is opgezet om AI-laboratoria, software- en open-sourceorganisaties en sectoren zoals operationele technologie en de zorg rond dit probleem te laten samenwerken. Het voorgestelde antwoord bestaat uit netwerkgebaseerde ‘virtuele patches’ die exploitverkeer of misbruik van protocollen blokkeren voordat een permanente softwarefix beschikbaar is.

Palo Alto zegt dat de eigen Advanced Virtual Patching-bescherming binnen enkele uren kan worden uitgerold, tegenover een door het bedrijf genoemd industriegemiddelde van 55 dagen voor een conventionele patch.

Een virtuele patch moet worden gezien als een compenserende beveiligingsmaatregel, niet als vervanging van een reparatie in de kwetsbare code. De werking hangt ervan af of het beveiligingsteam het exploitatiepad correct kan identificeren en of de netwerkcontrole dat pad kan blokkeren zonder legitieme activiteit te verstoren. De dekking kan bovendien beperkt zijn wanneer aanvallen via vertrouwde kanalen of versleuteld verkeer verlopen, lokale rechten verhogen of gedrag vertonen dat moeilijk van normaal gebruik te onderscheiden is.

Kunnen verdedigers het voordeel terugwinnen?

Mogelijk — maar niet simpelweg door een AI-scanner toe te voegen.

Een sterkere defensieve architectuur verbindt meerdere stappen tot één operationele lus:

1. Breng de code en het aanvalsoppervlak in kaart, zodat agenten begrijpen wat het systeem doet.
2. Bouw en beoordeel een dreigingsmodel voordat op grote schaal hypothesen worden gegenereerd.
3. Gebruik meerdere agenten en modellen om vanuit verschillende perspectieven te zoeken en zwakke bevindingen uit te dagen.
4. Reproduceer en prioriteer kwetsbaarheden met menselijke experts en bewijs van misbruikbaarheid.
5. Meld de kwetsbaarheid en ontwikkel een permanente oplossing via het juiste coördinatieproces.
6. Scherm de blootstelling onmiddellijk af met netwerkcontroles of andere compenserende maatregelen.
7. Controleer het herstel nadat de softwarepatch is uitgerold.

Dat is de strategische les van AVDH en NOVA: het voordeel komt uit orkestratie, niet uit modeluitvoer alleen. AI kan ontdekking en validatie versnellen, maar verdedigers hebben nog steeds betrouwbaar bewijs, zorgvuldige prioritering, een veerkrachtige architectuur en uitrolsystemen nodig die in hetzelfde tempo kunnen handelen.

Aanvallers kunnen vergelijkbare modellen gebruiken, terwijl virtuele patches tijdelijk zijn en afhankelijk blijven van hun dekking. Het realistische doel is daarom niet om het risico op zero-days volledig uit te bannen. Het doel is om de defensieve lus — van ontdekking naar afscherming en herstel — sneller en betrouwbaarder te maken dan de route van aanvallers van vondst naar exploitatie.

In de ontdekkingsfase analyseren agenten vervolgens toegangspunten, gegevensstromen en de omliggende code. Ze formuleren meerdere hypothesen over mogelijke kwetsbaarheden, onderzoeken die afzonderlijk en proberen elkaars conclusies te weerleggen. Het bewijs wordt samengevoegd tot kandidaatbevindingen. Consultants bootsen proof-of-concept-exploits na voordat een fout als bevestigd wordt aangemerkt.

Die opzet is belangrijk omdat dekking en beoordeling van elkaar worden gescheiden. De ene agent kan breed zoeken, een andere kan een aanvalspad uitwerken en een derde kan proberen het resultaat te ontkrachten. Menselijke validatie blijft een laatste controle tegen fout-positieven en onjuiste aannames over de werking van de software.

Wat Mandiant zegt met AVDH te hebben gevonden

Google zegt dat AVDH ongeveer tien maanden intern is gebruikt en tientallen toewijsbare kwetsbaarheden heeft gevonden in veelgebruikte webextensies en open-sourceprojecten. Dat werk heeft geleid tot 12 toegekende CVE’s; ongeveer een dozijn andere kwetsbaarheden bevindt zich volgens het bedrijf nog in een actief openbaarmakingsproces.

Tijdens een incidentresponsonderzoek naar gestolen bedrijfsrepositories hielp het systeem volgens externe berichtgeving in twee dagen meer dan 100 geverifieerde kwetsbaarheden met een hoge ernstgraad te identificeren.

Deze cijfers laten zien welke schaal AI-ondersteunde code-analyse kan bereiken, maar moeten voorzichtig worden gelezen. Het gaat om operationele resultaten die door Mandiant en berichtgeving daarover zijn gemeld, niet om een onafhankelijk gecontroleerde vergelijking met traditionele beveiligingstests. Ook mogen de bevindingen niet automatisch worden omschreven als actieve zero-day-exploits: een nieuw ontdekte of eerder niet gemelde kwetsbaarheid wordt niet noodzakelijkerwijs al in het wild misbruikt.

Palo Alto’s NOVA combineert meerdere modellen voor kwetsbaarheidsanalyse

Unit 42 van Palo Alto Networks omschrijft NOVA — de Network and Open-Source Vulnerability Analyzer — als een autonoom systeem voor het ontdekken, valideren en rapporteren van kwetsbaarheden. Het systeem gebruikt eigen agentharnassen en meerdere geavanceerde AI-modellen.

In de door het bedrijf gerapporteerde test analyseerde NOVA 3.915 open-sourceprojecten in twee maanden en vond het 14.090 eerder onbekende kwetsbaarheden. Unit 42 zegt dat 99,4% daarvan niet eerder was gemeld en dat ongeveer 40% als hoog of kritiek werd beoordeeld.

De betekenis van NOVA zit niet alleen in het aantal bevindingen. Volgens berichtgeving over de resultaten ging het vaak om semantische of logische fouten, en niet om de geheugenfouten waarop traditionele geautomatiseerde analyse zich doorgaans richt. Het kan bijvoorbeeld gaan om fouten in toegangscontrole, padverwerking, server-side requestgedrag of bescherming tegen code-injectie. Om zulke problemen te herkennen is inzicht nodig in het beoogde gedrag van een applicatie.

Ook hier zijn de belangrijkste cijfers afkomstig van de leverancier. ‘Eerder onbekend’ betekent op zichzelf niet dat elke bevinding een praktisch exploiteerbare zero-day is. Bovendien kunnen ernstclassificaties afhangen van het gebruikte beoordelingskader. De meest verdedigbare conclusie is dat multi-modelsystemen met AI-agenten grote aantallen beveiligingskandidaten kunnen blootleggen die in conventionele beoordelingsprocessen minder snel aan bod komen.

Waarom sneller ontdekken niet genoeg is

Sneller kwetsbaarheden vinden kan de defensieve capaciteit vergroten, maar het probleem wordt groter als organisaties nog altijd afhankelijk zijn van trage herstelcycli. CERT-EU noemt een geschatte gemiddelde tijd tot exploitatie van min zeven dagen. Dat betekent dat aanvallen gemiddeld al kunnen beginnen voordat een patch breed beschikbaar is.

Die ontwikkeling verandert de rol van patchen. Een permanente oplossing in de code blijft noodzakelijk, maar is mogelijk niet langer de eerste of enige nuttige verdedigingsactie. Beveiligingsteams moeten de blootstelling ook verminderen terwijl ontwikkelaars de oorzaak onderzoeken, testen, gecoördineerde openbaarmaking voorbereiden en een gefaseerde uitrol uitvoeren.

Palo Alto koppelt ontdekking aan afscherming op netwerkniveau

Het Frontier AI Critical Defense Program van Palo Alto Networks is opgezet om AI-laboratoria, software- en open-sourceorganisaties en sectoren zoals operationele technologie en de zorg rond dit probleem te laten samenwerken. Het voorgestelde antwoord bestaat uit netwerkgebaseerde ‘virtuele patches’ die exploitverkeer of misbruik van protocollen blokkeren voordat een permanente softwarefix beschikbaar is.

Palo Alto zegt dat de eigen Advanced Virtual Patching-bescherming binnen enkele uren kan worden uitgerold, tegenover een door het bedrijf genoemd industriegemiddelde van 55 dagen voor een conventionele patch.

Een virtuele patch moet worden gezien als een compenserende beveiligingsmaatregel, niet als vervanging van een reparatie in de kwetsbare code. De werking hangt ervan af of het beveiligingsteam het exploitatiepad correct kan identificeren en of de netwerkcontrole dat pad kan blokkeren zonder legitieme activiteit te verstoren. De dekking kan bovendien beperkt zijn wanneer aanvallen via vertrouwde kanalen of versleuteld verkeer verlopen, lokale rechten verhogen of gedrag vertonen dat moeilijk van normaal gebruik te onderscheiden is.

Kunnen verdedigers het voordeel terugwinnen?

Mogelijk — maar niet simpelweg door een AI-scanner toe te voegen.

Een sterkere defensieve architectuur verbindt meerdere stappen tot één operationele lus:

1. Breng de code en het aanvalsoppervlak in kaart, zodat agenten begrijpen wat het systeem doet.
2. Bouw en beoordeel een dreigingsmodel voordat op grote schaal hypothesen worden gegenereerd.
3. Gebruik meerdere agenten en modellen om vanuit verschillende perspectieven te zoeken en zwakke bevindingen uit te dagen.
4. Reproduceer en prioriteer kwetsbaarheden met menselijke experts en bewijs van misbruikbaarheid.
5. Meld de kwetsbaarheid en ontwikkel een permanente oplossing via het juiste coördinatieproces.
6. Scherm de blootstelling onmiddellijk af met netwerkcontroles of andere compenserende maatregelen.
7. Controleer het herstel nadat de softwarepatch is uitgerold.

Dat is de strategische les van AVDH en NOVA: het voordeel komt uit orkestratie, niet uit modeluitvoer alleen. AI kan ontdekking en validatie versnellen, maar verdedigers hebben nog steeds betrouwbaar bewijs, zorgvuldige prioritering, een veerkrachtige architectuur en uitrolsystemen nodig die in hetzelfde tempo kunnen handelen.

Aanvallers kunnen vergelijkbare modellen gebruiken, terwijl virtuele patches tijdelijk zijn en afhankelijk blijven van hun dekking. Het realistische doel is daarom niet om het risico op zero-days volledig uit te bannen. Het doel is om de defensieve lus — van ontdekking naar afscherming en herstel — sneller en betrouwbaarder te maken dan de route van aanvallers van vondst naar exploitatie.