ИИ научился искать уязвимости в промышленном масштабе. Теперь узкое место — проверка
AVDH компании Mandiant обнаружила более 100 подтверждённых уязвимостей высокой степени серьёзности за два дня, но это был не результат работы одной модели, а многоэтапный конвейер с участием экспертов. NOVA от Palo Alto Networks сообщила о 14 090 уязвимостях в 3 915 проектах с открытым исходным кодом за два месяца.
AVDH компании Mandiant обнаружила более 100 подтверждённых уязвимостей высокой степени серьёзности за два дня, но это был не результат работы одной модели, а многоэтапный конвейер с участием экспертов.
NOVA от Palo Alto Networks сообщила о 14 090 уязвимостях в 3 915 проектах с открытым исходным кодом за два месяца.
ИИ ускоряет поиск уязвимостей и на стороне защиты, и на стороне атакующих, поэтому решающими становятся проверка эксплойтов, координация раскрытия, виртуальные патчи и своевременное исправление кода.
How did Mandiant’s Agentic Vulnerability Discovery Harness (AVDH), built on Google’s Agent Development Kit and operating through specializedAI-assisted vulnerability discovery is shifting cybersecurity from a search problem toward a validation and remediation race.
Промпт ИИ
Create a landscape editorial hero image for this Studio Global article: How did Mandiant’s Agentic Vulnerability Discovery Harness (AVDH), built on Google’s Agent Development Kit and operating through specialized. Article summary: Mandiant’s AVDH shows that the immediate breakthrough is not a model that “reads all code,” but an engineered pipeline that turns vast codebases into a smaller stream of exploit hypotheses, then requires human reproducti. Topic tags: general, academic, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, char
openai.com
Главный вывод из работы Agentic Vulnerability Discovery Harness (AVDH) компании Mandiant — не впечатляющее число найденных ошибок, а изменение самого подхода к исследованию безопасности. Поиск уязвимостей превращается из эксперимента с чат-ботом в спроектированный производственный процесс: специализированные ИИ-агенты анализируют код, эксперты формируют модель угроз, отдельные этапы проверяют пути эксплуатации, а консультанты воспроизводят доказательство концепции (PoC), прежде чем проблема получает статус подтверждённой.
В одном расследовании, связанном с украденными корпоративными репозиториями, Google сообщила о более чем 100 подтверждённых критических уязвимостях, найденных всего за два дня.
Это не означает, что одна модель способна просто «прочитать весь код» и безошибочно найти в нём всё опасное. Сила AVDH — в разделении огромного пространства поиска на последовательные этапы и в человеческой проверке, которая отбраковывает подозрительные, но неэксплуатируемые находки.
AVDH — это конвейер, а не один ИИ-ревьюер
Описанная архитектура AVDH повторяет логику работы опытной команды по оценке безопасности. Сначала агенты выясняют назначение кодовой базы и возможные способы атаки. Затем другие компоненты описывают поверхность атаки, находят точки входа, прослеживают потоки данных, формируют несколько конкурирующих гипотез об уязвимостях и проверяют предполагаемые пути эксплуатации. Человеческие консультанты оценивают модель угроз и воспроизводят PoC-эксплойты, прежде чем вывод считается подтверждённым.
Такое разделение особенно важно потому, что статический анализ кода обычно создаёт гораздо больше подозрительных сигналов, чем специалисты способны вручную исследовать. AVDH может генерировать большой поток промежуточных находок, а этапы валидации и экспертная проверка помогают сосредоточиться на проблемах, которые действительно могут привести к атаке и иметь серьёзные последствия.
Studio Global AI
Продолжайте свое исследование
На этой странице есть ответ, подтвержденный источником, который вы можете продолжить внутри Studio Global.
Каков краткий ответ на вопрос «ИИ научился искать уязвимости в промышленном масштабе. Теперь узкое место — проверка»?
AVDH компании Mandiant обнаружила более 100 подтверждённых уязвимостей высокой степени серьёзности за два дня, но это был не результат работы одной модели, а многоэтапный конвейер с участием экспертов.
Какие ключевые моменты необходимо проверить в первую очередь?
AVDH компании Mandiant обнаружила более 100 подтверждённых уязвимостей высокой степени серьёзности за два дня, но это был не результат работы одной модели, а многоэтапный конвейер с участием экспертов. NOVA от Palo Alto Networks сообщила о 14 090 уязвимостях в 3 915 проектах с открытым исходным кодом за два месяца.
Что мне делать дальше на практике?
ИИ ускоряет поиск уязвимостей и на стороне защиты, и на стороне атакующих, поэтому решающими становятся проверка эксплойтов, координация раскрытия, виртуальные патчи и своевременное исправление кода.
По данным Google, за первые 10 месяцев использования AVDH система анализировала кодовые базы объёмом в десятки миллионов строк и сформировала десятки тысяч находок. В наиболее показанном двухдневном расследовании она выявила более 100 подтверждённых критических уязвимостей. В совокупности работа также привела к присвоению 12 идентификаторов CVE, ещё примерно десяток проблем, по данным компании, находился на этапе координированного раскрытия.
Поэтому важнее считать не общее число предупреждений, а долю машинных гипотез, которые превращаются в воспроизводимые уязвимости и проходят ответственное раскрытие.
Почему AVDH и NOVA нельзя поставить в простой рейтинг
Palo Alto Networks сообщила о значительно большем показателе для своей автономной многомодельной системы обнаружения уязвимостей NOVA. За два месяца NOVA проанализировала 3 915 проектов с открытым исходным кодом и сообщила о 14 090 подтверждённых уязвимостях. Согласно исследованию Palo Alto, 99,4% из них ранее не публиковались, а 40% относились к категориям высокой или критической серьёзности.
Однако эти цифры описывают другую модель работы:
AVDH — ограниченная по времени и глубоко проработанная оценка в рамках реагирования на инцидент, где важную роль играют эксперты и воспроизведение путей эксплуатации.
NOVA — анализ экосистемы открытого программного обеспечения, рассчитанный на широту охвата и автономное обнаружение проблем в тысячах проектов.
Доступные отчёты не показывают, что системы использовали одинаковые критерии выбора целей, оценки серьёзности, допустимого уровня ложных срабатываний, проверки эксплуатируемости или процедуры раскрытия. Поэтому их заголовочные показатели не образуют универсальную таблицу лидеров.
AVDH демонстрирует, как цепочки агентов помогают проводить высокоточечное расследование в конкретном проекте. NOVA показывает, до какого масштаба может дойти автономный поиск по открытому исходному коду. Вместе эти результаты указывают на разделение задачи на две части: нужно одновременно искать достаточно широко и проверять достаточно тщательно, чтобы находки можно было превратить в практические меры защиты.
Следующий этап — не поиск, а сокращение времени уязвимости
Ответ Palo Alto Networks на ускорившееся обнаружение не ограничивается поиском ошибок. Компания представила концепцию Advanced Virtual Patching — сетевых защит, которые можно развернуть в течение нескольких часов, пока владельцы программного обеспечения готовят обычное исправление. Palo Alto сравнивает этот подход со средним отраслевым сроком традиционного внедрения патча — около 55 дней.
Компания также объявила о программе Frontier AI Critical Defense Program, объединяющей разработчиков ИИ, поставщиков программного обеспечения, участников открытых проектов и организации, работающие с операционными технологиями. Среди заявленных участников — Anthropic, OpenAI, IBM, Red Hat, Microsoft, Siemens, Mitsubishi Electric и Axis Communications.
Виртуальный патч может быть полезен, когда уязвимый сервис доступен через трафик, который сетевой контроль способен распознать и заблокировать. Но это компенсирующая мера, а не замена исправлению самого продукта. Надёжное решение по-прежнему требует, чтобы владелец системы понял причину проблемы, изменил код, протестировал исправление, распространил его и убедился, что обновление получили все затронутые экземпляры.
Это различие становится особенно важным при ускорении поиска. Сетевая защита способна быстро уменьшить непосредственную доступность уязвимости, но сама по себе не устраняет дефект во всех компонентах приложения или цепочки поставок программного обеспечения.
Атакующие получают тот же ускоритель
Оборонительные успехи развиваются одновременно с признаками того, что злоумышленники используют ИИ для аналогичных задач. Google Threat Intelligence Group сообщила о первом выявленном случае применения атакующим zero-day-эксплойта, который, по оценке компании, был разработан с помощью ИИ. Злоумышленник планировал использовать его в широкомасштабной атаке, однако, по словам Google, проактивное обнаружение помогло предотвратить кампанию.
Эксплойт был нацелен на обход двухфакторной аутентификации в популярном веб-инструменте администрирования с открытым исходным кодом. Среди признаков возможного участия языковой модели исследователи указали учебные комментарии в коде и вымышленный показатель CVSS — стандартную оценку серьёзности уязвимости.
Это не значит, что каждая уязвимость, созданная при помощи ИИ, превращается в реальную атаку. Но защитники больше не могут рассчитывать на то, что сложность кода, ограниченные ресурсы исследователей или долгий разрыв между обнаружением и эксплуатацией автоматически дадут им достаточно времени на реакцию.
Именно поэтому предупреждение Cloud Security Alliance становится ключевым: ИИ ускоряет и масштабирует поиск уязвимостей быстрее, чем многие системы раскрытия и установки исправлений способны это переварить. Дополнительные находки повышают безопасность только в том случае, если у организаций хватает ресурсов на их сортировку, координацию раскрытия, подготовку исправлений и безопасное развёртывание защит.
Сможет ли защита снова получить преимущество?
Да, но не за счёт одной покупки модели, которая ищет уязвимости. Преимущество получат организации, способные связать обнаружение с остальными процессами киберзащиты:
Моделирование угроз сужает поиск до реалистичных путей атаки.
Агентный анализ исследует код и формирует конкурирующие гипотезы с машинной скоростью.
Независимая валидация снижает риск превращения подозрительных шаблонов в вводящие в заблуждение отчёты.
Воспроизведение человеком подтверждает, что предполагаемый дефект действительно можно эксплуатировать.
Координированное раскрытие даёт разработчикам и поставщикам возможность подготовить ответ.
Виртуальные патчи и другие компенсирующие меры уменьшают воздействие, пока готовится исправление кода.
Приоритизированное устранение позволяет сначала исправлять наиболее доступные и опасные уязвимости.
AVDH показывает ценность связанного процесса: широкий автоматизированный поиск дополняется человеческим суждением и проверкой эксплойта. NOVA демонстрирует давление, с которым этот процесс должен справляться: автономное обнаружение способно выдавать находки в масштабе, к которому традиционные команды безопасности не были подготовлены.
Поэтому новая гонка ИИ в кибербезопасности — это не просто соревнование за максимальное число найденных ошибок. Это борьба за то, кто быстрее пройдёт весь путь от обнаружения до снижения риска — раньше, чем противник превратит уязвимость в атаку.
Защитники могут выиграть время там, где они контролируют код, конвейер разработки и развёртывания, телеметрию и сетевые средства защиты. Но одно лишь обнаружение без проверки, ответственного владельца, раскрытия и исправления может не уменьшить, а увеличить масштаб проблемы.
unite.aiPalo Alto Networks Enlists Anthropic, OpenAI and OT Vendors for Critical Infrastructure Defense
