AI 代理鏈如何重塑漏洞發現與防禦

網絡安全攻防戰，正逐漸變成一場比拼速度的競賽。最前沿的 AI 模型可以協助安全團隊審查規模龐大的程式碼庫、找出異常攻擊路徑，並測試疑似漏洞是否真的可以被利用。但同樣的加速能力，也可能讓攻擊者更快把漏洞武器化；有時，這段時間甚至短於企業製作並部署傳統修補程式所需的時間。

Mandiant 的 Agentic Vulnerability Discovery Harness（AVDH，代理式漏洞發現工具鏈），以及 Palo Alto Networks 的 NOVA 系統，呈現了新興防禦模式的兩個關鍵環節：先以 AI 代理鏈進行發現與驗證，再透過網路控制措施迅速遏制暴露面。

AVDH：把原始碼審查拆成專門化代理鏈

AVDH 並不是一個單一、完全自主運作的掃描器。Google Threat Intelligence Group 表示，Mandiant 將它用於安全評估、事件應變及相關調查，讓多個 AI 代理人協作分析原始碼。該系統可以處理包含數千萬行程式碼的環境，執行數千條分析流程，並產生數以萬計的分析結果。

流程首先從建立背景脈絡開始。探索代理人會分析程式碼庫的用途、了解軟體預期如何運作、檢視現有文件，並找出值得深入調查的區域。之後，專門代理人可分別研究驗證、授權、路由等安全相關範疇。

接著，威脅模型綜合階段會整合前面的觀察結果。關鍵在於，後續流程開始前，會由人類顧問審查這份威脅模型。如此一來，後續代理人取得的是針對該應用程式建立的安全地圖，而不是在原始碼中漫無目的地搜尋。

在漏洞發現階段，系統會檢查入口點、資料流及其周邊程式碼脈絡。代理人會提出多個漏洞假設，分別調查，再彼此質疑對方的結論。系統最後整合證據，形成候選發現；在漏洞被視為已確認之前，顧問還會重現概念驗證（PoC）攻擊，以確認其可利用性。

這種架構的重要性，在於它把覆蓋範圍與安全判斷分開處理。一個代理人可以廣泛搜尋，另一個追蹤特定攻擊路徑，第三個則嘗試推翻前兩者的結果。人工驗證仍是防止誤報，以及避免系統錯誤假設軟體運作方式的最後一道控制。

Mandiant 表示 AVDH 已發現什麼？

Google 表示，AVDH 已在內部使用約 10 個月，並在廣泛使用的網頁擴充功能及開源專案中發現數十個可獲指派識別碼的漏洞。相關工作已促成 12 個 CVE（常見漏洞與暴露）編號，另有約 12 個漏洞正在進行披露。

在一宗涉及企業原始碼庫遭竊的事件應變調查中，外部報道稱，該工具鏈在兩天內協助找出超過 100 個已驗證的高嚴重性漏洞。

這些數字顯示 AI 輔助程式碼審查的潛在規模，但仍須審慎解讀。它們是 Mandiant 及相關報道所公布的實務成果，並非經獨立審計、與傳統安全測試進行的基準比較。此外，新發現或過去未曾公開報告的漏洞，也不應自動被稱為正在遭受攻擊的零日漏洞；「此前未知」不等於已在野外被利用。

NOVA：以多模型協作擴大漏洞發現

Palo Alto Networks 的 Unit 42 將 NOVA（Network and Open-Source Vulnerability Analyzer，網路與開源漏洞分析器）描述為一套自主的發現、驗證及報告系統，由專有代理式工具鏈及多個最前沿 AI 模型驅動。

根據公司公布的測試結果，NOVA 在兩個月內分析了 3,915 個開源專案，並找出 14,090 個此前未知的漏洞。Unit 42 表示，其中 99.4% 過去未曾被報告，約 40% 被評為高或嚴重等級。

NOVA 的意義不只在於數量。相關報道指出，其中許多屬於語意或邏輯漏洞，而不是傳統自動化分析較常關注的記憶體破壞錯誤。這類問題可能涉及存取控制、路徑處理、伺服器端請求行為或程式碼注入防禦；要判斷它們是否構成漏洞，往往必須理解應用程式原本應有的運作邏輯。

與 AVDH 一樣，這些重點數據是供應商公布的結果。「此前未知」本身不能證明每一項發現都是具備實際可利用性的零日漏洞，而嚴重性評級也可能取決於所採用的評分框架。較為穩妥的結論是：多模型代理系統已開始具備大量找出安全候選問題的能力，而且速度可能遠超傳統人工審查流程。

為什麼發現得快，仍然不夠？

更快找到漏洞可以提升防禦能力，但若組織仍依賴緩慢的修補週期，也可能令危機擴大。CERT-EU 引述的估算顯示，漏洞平均被利用的時間（mean time to exploit）為負 7 天，意思是攻擊可能在修補程式廣泛提供之前便已開始。

這個指標改變了修補的角色。永久性的程式碼修正依然不可或缺，但它可能不再是第一個、或唯一有效的防禦動作。當開發人員仍在調查、測試、協調披露並分階段部署修補程式時，安全團隊也需要先降低系統暴露程度。

Palo Alto Networks：以網路層控制爭取修補時間

Palo Alto Networks 的 Frontier AI Critical Defense Program，旨在讓 AI 實驗室、軟體與開源組織，以及營運科技（OT）和醫療等產業，共同應對這個問題。計畫提出的做法，是部署網路層「虛擬修補」，在永久軟體修正推出前，先阻擋漏洞利用流量或濫用協定行為。

Palo Alto Networks 表示，其 Advanced Virtual Patching（進階虛擬修補）功能可在數小時內部署防護；相較之下，公司引用的傳統修補程式部署業界平均時間為 55 天。

不過，虛擬修補應被理解為補償性控制措施，而不是修正漏洞程式碼的替代方案。它是否有效，取決於安全團隊能否準確辨識攻擊路徑，以及網路控制能否在不干擾合法活動的情況下封鎖該路徑。若攻擊透過受信任的通道、加密流量、本機權限提升，或難以與正常使用區分的行為發動，防護覆蓋範圍也可能受限。

防守方能否重新取得優勢？

有可能，但不是單純加入一個 AI 掃描器就能做到。

較完整的防禦架構，應把多個階段串成一個持續運作的循環：

1. 繪製程式碼與攻擊面，讓代理人理解系統的實際功能。
2. 建立並審查威脅模型，再進行大規模漏洞假設生成。
3. 使用多個代理人與模型，從不同角度搜尋，並互相挑戰薄弱或錯誤的發現。
4. 重現並排序漏洞優先級，由人類專家根據證據確認其可利用性。
5. 進行披露並開發永久修補程式，透過適當的協調流程處理。
6. 立即遏制暴露面，部署網路控制或其他補償性措施。
7. 在軟體修補程式部署後驗證修復效果。

AVDH 與 NOVA 帶來的策略啟示是：真正的優勢來自協調與編排，而不只是模型輸出的內容。AI 可以大幅壓縮漏洞發現與驗證所需的時間，但防守方仍需要可信證據、審慎排序、具韌性的架構，以及能以相同速度執行修補和遏制的部署系統。

攻擊者同樣可以使用相近的模型，而虛擬修補既屬臨時措施，也受覆蓋範圍限制。因此，現實目標並不是消除所有零日風險，而是讓防禦方從「發現漏洞」到「遏制暴露」再到「完成修補」的整個循環，比攻擊者從發現漏洞到發動利用更快、更可靠。