W fazie wykrywania system analizuje punkty wejścia, przepływy danych i kontekst otaczającego kodu. Agenty generują wiele hipotez dotyczących podatności, badają je niezależnie i wzajemnie podważają swoje wnioski. Zebrane dowody są następnie syntetyzowane w potencjalne ustalenia, a konsultanci odtwarzają exploity typu proof of concept, zanim luka zostanie uznana za potwierdzoną.

To rozdzielenie ról ma znaczenie. Jeden agent może prowadzić szerokie wyszukiwanie, drugi prześledzić konkretną ścieżkę ataku, a trzeci spróbować obalić wynik. Człowiek pozostaje dodatkową kontrolą przed fałszywymi alarmami i błędnymi założeniami dotyczącymi działania oprogramowania.

Co — według Mandiant — wykrył AVDH?

Google informuje, że AVDH był używany wewnętrznie przez około dziesięć miesięcy i znalazł dziesiątki podatności możliwych do formalnego zgłoszenia w popularnych rozszerzeniach internetowych oraz projektach open source. Rezultatem było 12 przypisanych numerów CVE, a mniej więcej kolejny tuzin podatności znajdował się w aktywnym procesie ujawniania.

W jednym ze śledztw związanych z kradzieżą firmowych repozytoriów system miał pomóc zidentyfikować ponad 100 zweryfikowanych luk o wysokiej wadze w ciągu dwóch dni.

Te liczby pokazują potencjalną skalę analizy wspomaganej przez AI, ale trzeba podchodzić do nich ostrożnie. Są to wyniki operacyjne przedstawiane przez Mandiant i media opisujące jego działania, a nie niezależnie audytowane porównanie z tradycyjnymi testami bezpieczeństwa. Nowo odkrytej lub wcześniej niezgłoszonej podatności nie należy też automatycznie nazywać aktywnym exploitem zero-day — sam fakt jej odkrycia nie oznacza, że jest wykorzystywana w środowisku naturalnym.

NOVA łączy wiele modeli AI do wyszukiwania podatności

Unit 42 firmy Palo Alto Networks opisuje NOVA, czyli Network and Open-Source Vulnerability Analyzer, jako autonomiczny system do wykrywania, walidacji i raportowania podatności. Wykorzystuje on własne agentowe narzędzia oraz wiele najnowocześniejszych modeli AI.

W przedstawionym przez firmę teście NOVA przeanalizowała 3915 projektów open source w ciągu dwóch miesięcy i zidentyfikowała 14 090 wcześniej nieznanych podatności. Unit 42 podaje, że 99,4 proc. z nich nie było wcześniej zgłoszonych, a około 40 proc. otrzymało ocenę wysoką lub krytyczną.

Znaczenie NOVA nie sprowadza się wyłącznie do liczby ustaleń. Według opisów wyników wiele z nich stanowiły błędy semantyczne i logiczne, a nie tylko korupcja pamięci kojarzona z tradycyjną automatyczną analizą. Chodzi między innymi o błędy w kontroli dostępu, obsłudze ścieżek, zachowaniu żądań wysyłanych przez serwer czy zabezpieczeniach przed wstrzykiwaniem kodu. W takich przypadkach kluczowe jest zrozumienie, jak aplikacja powinna działać.

Również te dane pochodzą od dostawcy. Określenie „wcześniej nieznane” nie dowodzi samo w sobie, że każdy wynik jest praktycznie wykorzystywalną luką zero-day. Ocena dotkliwości może zależeć od zastosowanego systemu punktacji. Ostrożniejszy wniosek brzmi: wielomodelowe systemy agentowe potrafią wskazywać duże liczby kandydatów na podatności, których klasyczne procesy przeglądu mogłyby nie zbadać równie szybko.

Szybsze wykrywanie nie wystarczy

Szybkie znajdowanie luk zwiększa możliwości obrońców, ale może też pogłębić problem, jeśli organizacje nadal usuwają podatności w powolnym cyklu. CERT-EU przytacza szacowany średni czas do wykorzystania luki na poziomie minus siedmiu dni. Oznacza to, że atak może rozpocząć się, zanim poprawka będzie powszechnie dostępna.

Zmienia to rolę łatania systemów. Trwała poprawka w kodzie nadal jest konieczna, ale nie musi być pierwszym ani jedynym działaniem ochronnym. Zespoły bezpieczeństwa powinny ograniczać ekspozycję już w czasie, gdy programiści analizują problem, testują rozwiązanie, koordynują ujawnienie i przygotowują etapowe wdrożenie.

„Wirtualne poprawki” mają zamknąć lukę czasową

Program Frontier AI Critical Defense firmy Palo Alto Networks ma łączyć laboratoria AI, producentów oprogramowania, społeczność open source oraz sektory takie jak technologia operacyjna i ochrona zdrowia. Proponowany mechanizm odpowiedzi to sieciowe „wirtualne poprawki”, które blokują ruch związany z exploitem lub nadużyciem protokołu, zanim dostępna będzie trwała poprawka w samym programie.

Palo Alto twierdzi, że funkcja Advanced Virtual Patching może wdrażać takie zabezpieczenia w ciągu kilku godzin, podczas gdy deklarowana średnia branżowa dla tradycyjnej poprawki wynosi 55 dni.

Wirtualną poprawkę najlepiej traktować jako zabezpieczenie kompensacyjne, a nie zamiennik naprawy podatnego kodu. Jej skuteczność zależy od tego, czy zespół bezpieczeństwa prawidłowo rozpozna ścieżkę exploita oraz czy kontrola sieciowa zablokuje atak bez zakłócania legalnego ruchu. Zakres ochrony może być ograniczony, gdy atak odbywa się przez zaufane kanały, zaszyfrowany ruch, lokalne podniesienie uprawnień albo zachowanie trudne do odróżnienia od normalnego użycia.

Czy obrońcy mogą odzyskać przewagę?

Być może — ale nie wystarczy po prostu dodać do infrastruktury kolejnego skanera AI.

Silniejsza architektura obronna łączy kilka etapów w jeden ciąg operacyjny:

1. Zmapowanie kodu i powierzchni ataku, aby agenty rozumiały działanie systemu.
2. Zbudowanie i zatwierdzenie modelu zagrożeń przed rozpoczęciem masowego generowania hipotez.
3. Wykorzystanie wielu agentów i modeli, które analizują problem z różnych perspektyw i podważają słabe ustalenia.
4. Odtworzenie i ustalenie priorytetów podatności przez ekspertów, na podstawie dowodów potwierdzających możliwość wykorzystania.
5. Skoordynowane ujawnienie i przygotowanie trwałej poprawki.
6. Natychmiastowe ograniczenie ekspozycji za pomocą kontroli sieciowych lub innych zabezpieczeń kompensacyjnych.
7. Weryfikacja usunięcia problemu po wdrożeniu poprawki.

Najważniejsza lekcja płynąca z AVDH i NOVA dotyczy orkiestracji, a nie samego wyniku modelu. AI może skrócić wykrywanie i walidację, ale obrońcy nadal potrzebują wiarygodnych dowodów, rozsądnego ustalania priorytetów, odpornej architektury oraz systemów wdrażania działających w podobnym tempie.

Napastnicy mogą korzystać z porównywalnych modeli, a wirtualne poprawki są tymczasowe i zależne od zakresu ochrony. Realistycznym celem nie jest więc wyeliminowanie ryzyka zero-day. Chodzi o to, by cały cykl obronny — od wykrycia, przez ograniczenie zagrożenia, po trwałe usunięcie luki — działał szybciej i niezawodniej niż droga napastnika od znalezienia podatności do jej wykorzystania.

W fazie wykrywania system analizuje punkty wejścia, przepływy danych i kontekst otaczającego kodu. Agenty generują wiele hipotez dotyczących podatności, badają je niezależnie i wzajemnie podważają swoje wnioski. Zebrane dowody są następnie syntetyzowane w potencjalne ustalenia, a konsultanci odtwarzają exploity typu proof of concept, zanim luka zostanie uznana za potwierdzoną.

To rozdzielenie ról ma znaczenie. Jeden agent może prowadzić szerokie wyszukiwanie, drugi prześledzić konkretną ścieżkę ataku, a trzeci spróbować obalić wynik. Człowiek pozostaje dodatkową kontrolą przed fałszywymi alarmami i błędnymi założeniami dotyczącymi działania oprogramowania.

Co — według Mandiant — wykrył AVDH?

Google informuje, że AVDH był używany wewnętrznie przez około dziesięć miesięcy i znalazł dziesiątki podatności możliwych do formalnego zgłoszenia w popularnych rozszerzeniach internetowych oraz projektach open source. Rezultatem było 12 przypisanych numerów CVE, a mniej więcej kolejny tuzin podatności znajdował się w aktywnym procesie ujawniania.

W jednym ze śledztw związanych z kradzieżą firmowych repozytoriów system miał pomóc zidentyfikować ponad 100 zweryfikowanych luk o wysokiej wadze w ciągu dwóch dni.

Te liczby pokazują potencjalną skalę analizy wspomaganej przez AI, ale trzeba podchodzić do nich ostrożnie. Są to wyniki operacyjne przedstawiane przez Mandiant i media opisujące jego działania, a nie niezależnie audytowane porównanie z tradycyjnymi testami bezpieczeństwa. Nowo odkrytej lub wcześniej niezgłoszonej podatności nie należy też automatycznie nazywać aktywnym exploitem zero-day — sam fakt jej odkrycia nie oznacza, że jest wykorzystywana w środowisku naturalnym.

NOVA łączy wiele modeli AI do wyszukiwania podatności

Unit 42 firmy Palo Alto Networks opisuje NOVA, czyli Network and Open-Source Vulnerability Analyzer, jako autonomiczny system do wykrywania, walidacji i raportowania podatności. Wykorzystuje on własne agentowe narzędzia oraz wiele najnowocześniejszych modeli AI.

W przedstawionym przez firmę teście NOVA przeanalizowała 3915 projektów open source w ciągu dwóch miesięcy i zidentyfikowała 14 090 wcześniej nieznanych podatności. Unit 42 podaje, że 99,4 proc. z nich nie było wcześniej zgłoszonych, a około 40 proc. otrzymało ocenę wysoką lub krytyczną.

Znaczenie NOVA nie sprowadza się wyłącznie do liczby ustaleń. Według opisów wyników wiele z nich stanowiły błędy semantyczne i logiczne, a nie tylko korupcja pamięci kojarzona z tradycyjną automatyczną analizą. Chodzi między innymi o błędy w kontroli dostępu, obsłudze ścieżek, zachowaniu żądań wysyłanych przez serwer czy zabezpieczeniach przed wstrzykiwaniem kodu. W takich przypadkach kluczowe jest zrozumienie, jak aplikacja powinna działać.

Również te dane pochodzą od dostawcy. Określenie „wcześniej nieznane” nie dowodzi samo w sobie, że każdy wynik jest praktycznie wykorzystywalną luką zero-day. Ocena dotkliwości może zależeć od zastosowanego systemu punktacji. Ostrożniejszy wniosek brzmi: wielomodelowe systemy agentowe potrafią wskazywać duże liczby kandydatów na podatności, których klasyczne procesy przeglądu mogłyby nie zbadać równie szybko.

Szybsze wykrywanie nie wystarczy

Szybkie znajdowanie luk zwiększa możliwości obrońców, ale może też pogłębić problem, jeśli organizacje nadal usuwają podatności w powolnym cyklu. CERT-EU przytacza szacowany średni czas do wykorzystania luki na poziomie minus siedmiu dni. Oznacza to, że atak może rozpocząć się, zanim poprawka będzie powszechnie dostępna.

Zmienia to rolę łatania systemów. Trwała poprawka w kodzie nadal jest konieczna, ale nie musi być pierwszym ani jedynym działaniem ochronnym. Zespoły bezpieczeństwa powinny ograniczać ekspozycję już w czasie, gdy programiści analizują problem, testują rozwiązanie, koordynują ujawnienie i przygotowują etapowe wdrożenie.

„Wirtualne poprawki” mają zamknąć lukę czasową

Program Frontier AI Critical Defense firmy Palo Alto Networks ma łączyć laboratoria AI, producentów oprogramowania, społeczność open source oraz sektory takie jak technologia operacyjna i ochrona zdrowia. Proponowany mechanizm odpowiedzi to sieciowe „wirtualne poprawki”, które blokują ruch związany z exploitem lub nadużyciem protokołu, zanim dostępna będzie trwała poprawka w samym programie.

Palo Alto twierdzi, że funkcja Advanced Virtual Patching może wdrażać takie zabezpieczenia w ciągu kilku godzin, podczas gdy deklarowana średnia branżowa dla tradycyjnej poprawki wynosi 55 dni.

Wirtualną poprawkę najlepiej traktować jako zabezpieczenie kompensacyjne, a nie zamiennik naprawy podatnego kodu. Jej skuteczność zależy od tego, czy zespół bezpieczeństwa prawidłowo rozpozna ścieżkę exploita oraz czy kontrola sieciowa zablokuje atak bez zakłócania legalnego ruchu. Zakres ochrony może być ograniczony, gdy atak odbywa się przez zaufane kanały, zaszyfrowany ruch, lokalne podniesienie uprawnień albo zachowanie trudne do odróżnienia od normalnego użycia.

Czy obrońcy mogą odzyskać przewagę?

Być może — ale nie wystarczy po prostu dodać do infrastruktury kolejnego skanera AI.

Silniejsza architektura obronna łączy kilka etapów w jeden ciąg operacyjny:

1. Zmapowanie kodu i powierzchni ataku, aby agenty rozumiały działanie systemu.
2. Zbudowanie i zatwierdzenie modelu zagrożeń przed rozpoczęciem masowego generowania hipotez.
3. Wykorzystanie wielu agentów i modeli, które analizują problem z różnych perspektyw i podważają słabe ustalenia.
4. Odtworzenie i ustalenie priorytetów podatności przez ekspertów, na podstawie dowodów potwierdzających możliwość wykorzystania.
5. Skoordynowane ujawnienie i przygotowanie trwałej poprawki.
6. Natychmiastowe ograniczenie ekspozycji za pomocą kontroli sieciowych lub innych zabezpieczeń kompensacyjnych.
7. Weryfikacja usunięcia problemu po wdrożeniu poprawki.

Najważniejsza lekcja płynąca z AVDH i NOVA dotyczy orkiestracji, a nie samego wyniku modelu. AI może skrócić wykrywanie i walidację, ale obrońcy nadal potrzebują wiarygodnych dowodów, rozsądnego ustalania priorytetów, odpornej architektury oraz systemów wdrażania działających w podobnym tempie.

Napastnicy mogą korzystać z porównywalnych modeli, a wirtualne poprawki są tymczasowe i zależne od zakresu ochrony. Realistycznym celem nie jest więc wyeliminowanie ryzyka zero-day. Chodzi o to, by cały cykl obronny — od wykrycia, przez ograniczenie zagrożenia, po trwałe usunięcie luki — działał szybciej i niezawodniej niż droga napastnika od znalezienia podatności do jej wykorzystania.