AI-agentkjeder endrer kappløpet om å finne og stanse sårbarheter

Hva Mandiant sier AVDH har funnet

Google opplyser at AVDH har vært brukt internt i rundt ti måneder og avdekket dusinvis av tildelbare sårbarheter i mye brukte nettleserutvidelser og åpen kildekode-prosjekter. Arbeidet har ført til 12 tildelte CVE-numre, mens omtrent et dusin andre sårbarheter fortsatt er under aktiv koordinert varsling.

I en hendelseshåndtering der stjålne bedriftskodebaser ble undersøkt, skriver eksterne medier at systemet bidro til å identifisere mer enn 100 verifiserte sårbarheter med høy alvorlighetsgrad på to dager.

Tallene illustrerer potensialet i AI-assistert kodegjennomgang, men bør tolkes med varsomhet. Dette er resultater rapportert av Mandiant og omtalt i relaterte kilder, ikke en uavhengig, revidert sammenligning med tradisjonelle sikkerhetstester. Funnene bør heller ikke automatisk omtales som aktive zero-day-angrep: En nyoppdaget eller tidligere urapportert sårbarhet er ikke nødvendigvis utnyttet i det fri.

NOVA kombinerer flere modeller i jakten på sårbarheter

Palo Alto Networks’ Unit 42 beskriver NOVA – Network and Open-Source Vulnerability Analyzer – som et autonomt system for oppdagelse, validering og rapportering. Det bygger på proprietære agentbaserte rammeverk og flere avanserte AI-modeller.

I selskapets rapporterte test analyserte NOVA 3 915 åpen kildekode-prosjekter på to måneder og identifiserte 14 090 tidligere ukjente sårbarheter. Unit 42 opplyser at 99,4 prosent ikke var rapportert tidligere, og at rundt 40 prosent ble vurdert som alvorlige eller kritiske.

Betydningen ligger ikke bare i mengden funn. Omtalen av resultatene viser at mange var semantiske feil eller logiske svakheter, snarere enn minnekorrupsjon – feiltypen som tradisjonelle automatiserte analyser ofte forbindes med. Det kan for eksempel dreie seg om mangelfull tilgangskontroll, feil i håndtering av filstier, server-side request forgery (SSRF) eller utilstrekkelig beskyttelse mot kodeinjeksjon. Slike svakheter krever ofte en forståelse av hva applikasjonen er ment å gjøre.

Også her kommer hovedtallene fra leverandøren selv. At noe er «tidligere ukjent», betyr ikke nødvendigvis at hvert funn er en praktisk utnyttbar zero-day, og alvorlighetsgraden kan avhenge av hvilket scoringssystem som brukes. Den mest nøkterne konklusjonen er at agentbaserte systemer med flere modeller nå kan finne store mengder sikkerhetskandidater som tradisjonelle gjennomganger kanskje ikke rekker å undersøke like raskt.

Raskere oppdagelse løser ikke problemet alene

Å finne sårbarheter raskere kan styrke forsvaret, men det kan også forverre situasjonen dersom virksomheter fortsatt bruker lang tid på å rette dem. CERT-EU viser til et anslått gjennomsnitt på minus sju dager fra offentliggjøring til utnyttelse, noe som betyr at angrep i gjennomsnitt kan starte før en patch er bredt tilgjengelig.

Det endrer patchingens rolle. En permanent endring i koden er fortsatt nødvendig, men den er ikke nødvendigvis det første eller eneste nyttige tiltaket. Sikkerhetsteam må også redusere eksponeringen mens utviklere undersøker feilen, tester løsningen, koordinerer varsling og gjennomfører en trinnvis utrulling.

Palo Altos program legger til nettverksbasert innesperring

Palo Altos Frontier AI Critical Defense Program skal samle AI-laboratorier, programvare- og åpen kildekode-miljøer samt sektorer som operasjonell teknologi og helsetjenester rundt denne utfordringen. Forslaget er å ta i bruk nettverksbaserte «virtuelle patcher» som blokkerer angrepstrafikk eller uønsket protokollatferd før en permanent programvarefiks er tilgjengelig.

Palo Alto opplyser at funksjonen Advanced Virtual Patching kan rulle ut beskyttelse på timer, sammenlignet med selskapets oppgitte bransjegjennomsnitt på 55 dager for en tradisjonell patch.

En virtuell patch bør forstås som et kompenserende sikkerhetstiltak, ikke som en erstatning for å rette den sårbare koden. Effekten avhenger av om sikkerhetsteamet klarer å identifisere angrepsveien korrekt, og om nettverkskontrollen kan blokkere den uten å forstyrre legitim aktivitet. Dekningen kan også være begrenset når angrep skjer gjennom betrodde kanaler, kryptert trafikk, lokal privilegieeskalering eller handlinger som er vanskelige å skille fra normal bruk.

Kan forsvarerne gjenvinne overtaket?

Muligens – men ikke ved å installere enda en AI-skanner alene.

En mer robust forsvarsarkitektur kobler flere trinn sammen i én operativ sløyfe:

1. Kartlegg kode og angrepsflate slik at agentene forstår hva systemet gjør.
2. Bygg og gjennomgå en trusselmodell før omfattende generering av hypoteser.
3. Bruk flere agenter og modeller som undersøker fra ulike perspektiver og utfordrer svake funn.
4. Gjenskap og prioriter sårbarheter med menneskelige eksperter og dokumentasjon på at de kan utnyttes.
5. Varsle og utvikle en permanent løsning gjennom riktig koordineringsprosess.
6. Begrens eksponeringen umiddelbart med nettverkskontroller eller andre kompenserende tiltak.
7. Kontroller at problemet er løst etter at programvareoppdateringen er rullet ut.

Dette er den strategiske lærdommen fra AVDH og NOVA: Fordelen ligger i samordningen, ikke i modellens svar alene. AI kan komprimere tiden det tar å oppdage og validere feil, men forsvarerne trenger fortsatt pålitelige bevis, god prioritering, motstandsdyktig arkitektur og utrullingssystemer som kan handle i samme tempo.

Angripere kan bruke tilsvarende modeller, og virtuelle patcher er midlertidige og avhengige av god dekning. Det realistiske målet er derfor ikke å eliminere zero-day-risiko. Målet er å gjøre forsvarssløyfen – fra oppdagelse via innesperring til permanent retting – raskere og mer pålitelig enn angripernes vei fra funn til utnyttelse.