На этапе поиска система анализирует точки входа, потоки данных и контекст окружающего кода. Агенты формируют несколько гипотез об уязвимостях, исследуют их независимо и оспаривают выводы друг друга. Затем доказательства объединяются в потенциальные находки, а консультанты воспроизводят эксплойты в формате proof of concept — то есть проверяют, можно ли практически использовать дефект, — прежде чем признать его подтверждённым.

Такая архитектура разделяет широту охвата и экспертное суждение. Один агент может искать по всей кодовой базе, другой — прослеживать конкретный путь атаки, третий — пытаться опровергнуть результат. Участие человека остаётся последним барьером против ложных срабатываний и ошибочных предположений о работе программы.

Что, по данным Mandiant, обнаружила система

Google сообщает, что AVDH использовалась внутри компании около десяти месяцев. За это время система обнаружила десятки уязвимостей, пригодных для регистрации, в широко используемых веб-расширениях и проектах с открытым исходным кодом. Работа привела к присвоению 12 идентификаторов CVE, ещё примерно дюжина уязвимостей находится на этапе активного раскрытия.

В одном расследовании инцидента, связанном с украденными корпоративными репозиториями, по данным внешних публикаций, за два дня система помогла выявить более 100 подтверждённых уязвимостей высокой степени серьёзности.

Эти показатели демонстрируют потенциальный масштаб анализа с помощью ИИ, но их важно интерпретировать осторожно. Речь идёт об операционных результатах, заявленных Mandiant и освещённых связанными с компанией источниками, а не о независимо проверенном сравнении с традиционным тестированием безопасности. Кроме того, такие находки не следует автоматически называть активными zero-day-эксплойтами: новая или ранее не раскрытая уязвимость не обязательно уже используется в реальных атаках.

NOVA объединяет несколько моделей для поиска уязвимостей

Подразделение Unit 42 компании Palo Alto Networks описывает NOVA — Network and Open-Source Vulnerability Analyzer — как автономную систему поиска, проверки и подготовки отчётов об уязвимостях. Она использует собственные агентные оболочки и несколько передовых ИИ-моделей.

В опубликованном компанией тесте NOVA за два месяца проанализировала 3 915 проектов с открытым исходным кодом и обнаружила 14 090 ранее неизвестных уязвимостей. По данным Unit 42, 99,4% из них ранее не публиковались, а около 40% получили оценку высокой или критической серьёзности.

Значение NOVA не только в количестве результатов. Согласно публикациям о проекте, многие находки были семантическими или логическими ошибками, а не дефектами управления памятью, на которых традиционно сосредоточены автоматические анализаторы. К таким проблемам могут относиться ошибки в контроле доступа, обработке путей, поведении запросов от сервера к серверу или защите от внедрения кода. Для их обнаружения нужно понимать, как приложение должно работать в штатном режиме.

Как и в случае с AVDH, основные цифры предоставлены самим поставщиком. Формулировка «ранее неизвестные» сама по себе не доказывает, что каждая находка является практически эксплуатируемой уязвимостью нулевого дня, а оценка серьёзности может зависеть от применяемой методики. Более осторожный вывод таков: многоагентные системы на базе нескольких моделей уже способны быстро находить большое число потенциальных проблем, которые традиционные процессы проверки могли бы изучать значительно дольше.

Почему одного поиска недостаточно

Более быстрый поиск уязвимостей может усилить защиту, но одновременно повысить масштаб кризиса, если организации сохраняют медленные циклы устранения проблем. CERT-EU приводит оценку среднего времени до эксплуатации на уровне минус семи дней: это означает, что атаки могут начинаться ещё до того, как патч становится широко доступен.

Такая метрика меняет роль обновлений. Постоянное исправление в коде по-прежнему необходимо, однако оно может быть не первым и не единственным полезным действием. Пока разработчики исследуют проблему, тестируют исправление, согласовывают раскрытие и проводят поэтапное развертывание, командам безопасности нужно немедленно сокращать поверхность атаки.

Сетевые «виртуальные патчи» как временный барьер

Программа Palo Alto Networks Frontier AI Critical Defense Program призвана объединить ИИ-лаборатории, разработчиков программного обеспечения и открытых проектов, а также отрасли, включая операционные технологии и здравоохранение. Предлагаемый подход — сетевые «виртуальные патчи», которые блокируют вредоносный трафик или опасное поведение протоколов ещё до выпуска постоянного исправления в программном обеспечении.

Palo Alto заявляет, что функция Advanced Virtual Patching может развернуть защитные правила за несколько часов — по сравнению с заявленным средним показателем отрасли в 55 дней для обычного патча.

Виртуальный патч следует рассматривать как компенсирующую меру, а не как замену исправлению уязвимого кода. Его эффективность зависит от того, насколько точно команда определила путь эксплуатации и способна ли сетевая защита перекрыть его, не нарушив легитимную работу. Возможности такого барьера также ограничены, если атака проходит через доверенные каналы, зашифрованный трафик, локальное повышение привилегий или действия, которые трудно отличить от обычного поведения пользователя.

Смогут ли защитники вернуть преимущество?

Возможно, но не за счёт одного ИИ-сканера.

Более надёжная архитектура защиты объединяет несколько этапов в единый операционный цикл:

1. Картировать код и поверхность атаки, чтобы агенты понимали назначение системы.
2. Построить и проверить модель угроз до массовой генерации гипотез.
3. Использовать несколько агентов и моделей, чтобы рассматривать систему с разных сторон и оспаривать слабые выводы.
4. Воспроизводить и приоритизировать уязвимости с участием экспертов и на основе доказательств эксплуатируемости.
5. Согласовать раскрытие и разработать постоянное исправление в рамках подходящего процесса.
6. Немедленно сдерживать угрозу с помощью сетевых правил или других компенсирующих мер.
7. Проверять результат устранения после установки патча.

Главный вывод из подходов AVDH и NOVA: преимущество создаёт не сам результат работы модели, а её грамотная оркестрация. ИИ способен сжать поиск и проверку уязвимостей до машинного темпа, но защитникам по-прежнему нужны надёжные доказательства, точная расстановка приоритетов, устойчивая архитектура и системы развертывания, которые работают с той же скоростью.

Атакующие могут получить сопоставимые инструменты, а виртуальные патчи остаются временными и зависят от полноты покрытия. Поэтому реалистичная цель — не устранить риск zero-day-атак, а сделать оборонительный цикл — от обнаружения до сдерживания и окончательного исправления — быстрее и надёжнее, чем путь злоумышленника от находки до эксплуатации.

На этапе поиска система анализирует точки входа, потоки данных и контекст окружающего кода. Агенты формируют несколько гипотез об уязвимостях, исследуют их независимо и оспаривают выводы друг друга. Затем доказательства объединяются в потенциальные находки, а консультанты воспроизводят эксплойты в формате proof of concept — то есть проверяют, можно ли практически использовать дефект, — прежде чем признать его подтверждённым.

Такая архитектура разделяет широту охвата и экспертное суждение. Один агент может искать по всей кодовой базе, другой — прослеживать конкретный путь атаки, третий — пытаться опровергнуть результат. Участие человека остаётся последним барьером против ложных срабатываний и ошибочных предположений о работе программы.

Что, по данным Mandiant, обнаружила система

Google сообщает, что AVDH использовалась внутри компании около десяти месяцев. За это время система обнаружила десятки уязвимостей, пригодных для регистрации, в широко используемых веб-расширениях и проектах с открытым исходным кодом. Работа привела к присвоению 12 идентификаторов CVE, ещё примерно дюжина уязвимостей находится на этапе активного раскрытия.

В одном расследовании инцидента, связанном с украденными корпоративными репозиториями, по данным внешних публикаций, за два дня система помогла выявить более 100 подтверждённых уязвимостей высокой степени серьёзности.

Эти показатели демонстрируют потенциальный масштаб анализа с помощью ИИ, но их важно интерпретировать осторожно. Речь идёт об операционных результатах, заявленных Mandiant и освещённых связанными с компанией источниками, а не о независимо проверенном сравнении с традиционным тестированием безопасности. Кроме того, такие находки не следует автоматически называть активными zero-day-эксплойтами: новая или ранее не раскрытая уязвимость не обязательно уже используется в реальных атаках.

NOVA объединяет несколько моделей для поиска уязвимостей

Подразделение Unit 42 компании Palo Alto Networks описывает NOVA — Network and Open-Source Vulnerability Analyzer — как автономную систему поиска, проверки и подготовки отчётов об уязвимостях. Она использует собственные агентные оболочки и несколько передовых ИИ-моделей.

В опубликованном компанией тесте NOVA за два месяца проанализировала 3 915 проектов с открытым исходным кодом и обнаружила 14 090 ранее неизвестных уязвимостей. По данным Unit 42, 99,4% из них ранее не публиковались, а около 40% получили оценку высокой или критической серьёзности.

Значение NOVA не только в количестве результатов. Согласно публикациям о проекте, многие находки были семантическими или логическими ошибками, а не дефектами управления памятью, на которых традиционно сосредоточены автоматические анализаторы. К таким проблемам могут относиться ошибки в контроле доступа, обработке путей, поведении запросов от сервера к серверу или защите от внедрения кода. Для их обнаружения нужно понимать, как приложение должно работать в штатном режиме.

Как и в случае с AVDH, основные цифры предоставлены самим поставщиком. Формулировка «ранее неизвестные» сама по себе не доказывает, что каждая находка является практически эксплуатируемой уязвимостью нулевого дня, а оценка серьёзности может зависеть от применяемой методики. Более осторожный вывод таков: многоагентные системы на базе нескольких моделей уже способны быстро находить большое число потенциальных проблем, которые традиционные процессы проверки могли бы изучать значительно дольше.

Почему одного поиска недостаточно

Более быстрый поиск уязвимостей может усилить защиту, но одновременно повысить масштаб кризиса, если организации сохраняют медленные циклы устранения проблем. CERT-EU приводит оценку среднего времени до эксплуатации на уровне минус семи дней: это означает, что атаки могут начинаться ещё до того, как патч становится широко доступен.

Такая метрика меняет роль обновлений. Постоянное исправление в коде по-прежнему необходимо, однако оно может быть не первым и не единственным полезным действием. Пока разработчики исследуют проблему, тестируют исправление, согласовывают раскрытие и проводят поэтапное развертывание, командам безопасности нужно немедленно сокращать поверхность атаки.

Сетевые «виртуальные патчи» как временный барьер

Программа Palo Alto Networks Frontier AI Critical Defense Program призвана объединить ИИ-лаборатории, разработчиков программного обеспечения и открытых проектов, а также отрасли, включая операционные технологии и здравоохранение. Предлагаемый подход — сетевые «виртуальные патчи», которые блокируют вредоносный трафик или опасное поведение протоколов ещё до выпуска постоянного исправления в программном обеспечении.

Palo Alto заявляет, что функция Advanced Virtual Patching может развернуть защитные правила за несколько часов — по сравнению с заявленным средним показателем отрасли в 55 дней для обычного патча.

Виртуальный патч следует рассматривать как компенсирующую меру, а не как замену исправлению уязвимого кода. Его эффективность зависит от того, насколько точно команда определила путь эксплуатации и способна ли сетевая защита перекрыть его, не нарушив легитимную работу. Возможности такого барьера также ограничены, если атака проходит через доверенные каналы, зашифрованный трафик, локальное повышение привилегий или действия, которые трудно отличить от обычного поведения пользователя.

Смогут ли защитники вернуть преимущество?

Возможно, но не за счёт одного ИИ-сканера.

Более надёжная архитектура защиты объединяет несколько этапов в единый операционный цикл:

1. Картировать код и поверхность атаки, чтобы агенты понимали назначение системы.
2. Построить и проверить модель угроз до массовой генерации гипотез.
3. Использовать несколько агентов и моделей, чтобы рассматривать систему с разных сторон и оспаривать слабые выводы.
4. Воспроизводить и приоритизировать уязвимости с участием экспертов и на основе доказательств эксплуатируемости.
5. Согласовать раскрытие и разработать постоянное исправление в рамках подходящего процесса.
6. Немедленно сдерживать угрозу с помощью сетевых правил или других компенсирующих мер.
7. Проверять результат устранения после установки патча.

Главный вывод из подходов AVDH и NOVA: преимущество создаёт не сам результат работы модели, а её грамотная оркестрация. ИИ способен сжать поиск и проверку уязвимостей до машинного темпа, но защитникам по-прежнему нужны надёжные доказательства, точная расстановка приоритетов, устойчивая архитектура и системы развертывания, которые работают с той же скоростью.

Атакующие могут получить сопоставимые инструменты, а виртуальные патчи остаются временными и зависят от полноты покрытия. Поэтому реалистичная цель — не устранить риск zero-day-атак, а сделать оборонительный цикл — от обнаружения до сдерживания и окончательного исправления — быстрее и надёжнее, чем путь злоумышленника от находки до эксплуатации.