AI-agentkedjor förändrar jakten på sårbarheter

Mandiants rapporterade resultat

Google uppger att AVDH har använts internt i omkring tio månader och att systemet har hittat dussintals sårbarheter i välanvända webbtillägg och projekt med öppen källkod. Arbetet har lett till 12 tilldelade CVE-nummer, medan ungefär ett dussin ytterligare sårbarheter fortfarande genomgår aktiv samordnad rapportering.

I en incidentutredning efter stöld av företagsarkiv ska verktyget dessutom ha hjälpt till att identifiera mer än 100 verifierade sårbarheter med hög allvarlighetsgrad på två dagar.

Siffrorna illustrerar potentialen i AI-stödd granskning, men bör tolkas med viss försiktighet. Det rör sig om operativa resultat som rapporterats av Mandiant och relaterad bevakning, inte om en oberoende, reviderad jämförelse med traditionella säkerhetstester. Resultaten ska inte heller automatiskt beskrivas som aktiva så kallade zero-day-angrepp. En nyupptäckt eller tidigare orapporterad sårbarhet behöver inte vara utnyttjad i det vilda.

NOVA kombinerar flera modeller i jakten på brister

Palo Alto Networks Unit 42 beskriver NOVA, eller Network and Open-Source Vulnerability Analyzer, som ett autonomt system för upptäckt, verifiering och rapportering. Det bygger på företagets agentbaserade ramverk och flera avancerade AI-modeller.

I företagets rapporterade test analyserade NOVA 3 915 projekt med öppen källkod på två månader och identifierade 14 090 tidigare okända sårbarheter. Unit 42 uppger att 99,4 procent inte hade rapporterats tidigare och att omkring 40 procent bedömdes ha hög eller kritisk allvarlighetsgrad.

Betydelsen ligger inte bara i mängden fynd. Enligt rapporteringen var många av bristerna semantiska eller logiska fel, snarare än de minneskorruptionsfel som länge varit vanliga mål för automatiserad analys. Det kan handla om brister i åtkomstkontroll, sökvägshantering, serverförfrågningar eller skydd mot kodinjektion – områden där det är avgörande att förstå applikationens avsedda beteende.

Även här kommer huvudtalen från leverantören själv. Att något är ”tidigare okänt” innebär inte automatiskt att varje fynd är ett praktiskt exploaterbart zero-day-fel. Allvarlighetsgrader kan dessutom påverkas av vilket poängsystem som används. Den mer försiktiga slutsatsen är att agentbaserade system med flera modeller nu kan hitta stora mängder säkerhetskandidater som traditionella granskningsprocesser inte alltid hinner undersöka lika snabbt.

Snabbare upptäckt löser inte problemet på egen hand

Att hitta sårbarheter snabbare kan stärka försvaret – men kan också förvärra läget om organisationernas åtgärdsprocesser fortfarande är långsamma. CERT-EU hänvisar till en uppskattad genomsnittlig tid till exploatering på minus sju dagar. Det innebär att angrepp i genomsnitt kan börja innan en patch finns brett tillgänglig.

Det förändrar patchningens roll. En permanent kodfix är fortfarande nödvändig, men den behöver inte längre vara den första eller enda användbara försvarsåtgärden. Säkerhetsteam måste också minska exponeringen medan utvecklare utreder felet, testar lösningen, samordnar rapporteringen och genomför en stegvis utrullning.

”Virtuella patchar” ska täppa till luckan under tiden

Palo Alto Networks program Frontier AI Critical Defense Program är tänkt att samla AI-laboratorier, programvaru- och open source-organisationer samt sektorer som driftteknik och sjukvård kring detta problem. En del av lösningen är nätverksbaserade ”virtuella patchar” som ska blockera exploateringstrafik eller missbruk av protokoll innan en permanent programvarufix är klar.

Palo Alto uppger att funktionen Advanced Virtual Patching kan rulla ut skydd på timmar, jämfört med ett påstått branschgenomsnitt på 55 dagar för en traditionell patch.

En virtuell patch bör förstås som en kompenserande säkerhetskontroll, inte som ett alternativ till att laga den sårbara koden. Effekten beror på om säkerhetsteamet kan identifiera angreppsvägen korrekt och om nätverkskontrollen kan blockera den utan att störa legitim trafik. Skyddet kan också vara begränsat när angrepp sker via betrodda kanaler, krypterad trafik, lokal privilegieeskalering eller beteenden som är svåra att skilja från normal användning.

Kan försvararna återta övertaget?

Kanske – men inte genom att bara installera ännu en AI-skanner.

En mer robust försvarsarkitektur kopplar ihop flera steg i ett och samma operativa kretslopp:

1. Kartlägg koden och angreppsytan så att agenterna förstår vad systemet gör.
2. Bygg och granska en hotmodell innan storskalig generering av hypoteser börjar.
3. Använd flera agenter och modeller som granskar problemet ur olika perspektiv och utmanar svaga fynd.
4. Återskapa och prioritera sårbarheter med hjälp av mänskliga experter och konkreta bevis på exploaterbarhet.
5. Rapportera och utveckla en permanent lösning genom rätt samordningsprocess.
6. Begränsa exponeringen omedelbart med nätverkskontroller eller andra kompenserande åtgärder.
7. Verifiera åtgärden när programvarupatchen har installerats.

Det är den strategiska lärdomen från AVDH och NOVA: försprånget kommer från samordningen, inte från modellernas svar i sig. AI kan komprimera tiden för upptäckt och verifiering, men försvarare behöver fortfarande tillförlitliga bevis, noggrann prioritering, motståndskraftig arkitektur och utrullningssystem som kan agera i samma tempo.

Angripare kan använda liknande modeller, och virtuella patchar är tillfälliga och beroende av vilken trafik de kan identifiera. Det realistiska målet är därför inte att eliminera risken för zero-day-sårbarheter. Målet är att göra försvarskedjan – från upptäckt till begränsning och permanent åtgärd – snabbare och mer tillförlitlig än angriparens väg från fynd till exploatering.