فرض کنید یک سازمان بخواهد از هوش مصنوعی برای بررسی کدهای نرم‌افزاری، شناسایی آسیب‌پذیری‌ها یا اجرای فرایندهای تست نفوذ استفاده کند. ارسال کد منبع، معماری داخلی شبکه یا یافته‌های امنیتی به یک سرویس هوش مصنوعی ابری، برای بسیاری از سازمان‌ها به‌دلیل الزامات محرمانگی و حاکمیت داده امکان‌پذیر نیست.

شرکت Aikido Security حالا راهکار دیگری را دنبال می‌کند. این شرکت از مدل هوش مصنوعی Altar-1 رونمایی کرده که هدف آن اجرای قابلیت‌های هوش مصنوعی امنیتی روی زیرساخت تحت کنترل خود سازمان است؛ رویکردی که Aikido از آن با عنوان «هوش امنیتی مستقل» یاد می‌کند.

Altar-1  چیست؟

Altar-1  نخستین مدل Open-Weight امنیتی Aikido است و بر پایه GLM-5.3، مدل هوش مصنوعی شرکت Z.AI، ساخته شده است. این مدل از معماری Mixture of Experts استفاده می‌کند و در نسخه اصلی GLM-5.3 حدود ۷۵۳ میلیارد پارامتر دارد.

Aikido  برای ساخت Altar-1 ابتدا نسخه فشرده‌شده GLM-5.3 را آماده کرد و سپس بخشی از Expertهای مدل را حذف کرد. در نهایت، Altar-1  به مدلی با حدود ۵۰۴ میلیارد پارامتر تبدیل شده است. صفحه رسمی مدل در Hugging Face نیز Altar-1 را نسخه هرس‌شده GLM-5.3 با ۵۰۴ میلیارد پارامتر معرفی می‌کند.

کاهش حجم مدل از ۱.۵۱ ترابایت به ۳۲۸ گیگابایت

یکی از مهم‌ترین ویژگی‌های  Altar-1، کاهش قابل‌توجه حجم مدل است. نسخه کامل GLM-5.3 در قالب BF16 حدود ۱.۵۰۶ ترابایت حجم دارد.ا آکیدو بتدا با استفاده از روش AWQ و کوانتیزه‌سازی INT4، این حجم را به حدود ۴۸۸.۲ گیگابایت کاهش داد.

در مرحله بعد، توسعه‌دهندگان بخشی از Expertهای مدل را حذف کردند و حجم نهایی Altar-1 به حدود ۳۲۸ گیگابایت رسید. به گفته  Aikido، این فرایند در مجموع حجم ذخیره‌سازی مدل را نسبت به نسخه کامل GLM-5.3 حدود ۷۸.۲ درصد کاهش داده است.

در فرایند  Expert Pruning، از ۲۵۶ Expert موجود در هر لایه، ۱۶۸ Expert باقی مانده و ۸۸ Expert، معادل ۳۴.۴ درصد، حذف شده‌اند. با وجود این تغییر، سیستم مسیریابی مدل همچنان در هر توکن ۸ Expert را فعال می‌کند.

  Altar-1  برای امنیت سایبری چه می‌کند؟

هدف اصلی Aikido از توسعه Altar-1، استفاده از هوش مصنوعی برای شناسایی و تحلیل آسیب‌پذیری‌های امنیتی است. این مدل برای استفاده در Aikido Machine توسعه یافته؛ سامانه‌ای که می‌تواند در زیرساخت مشتری و حتی در محیط‌های کاملا ایزوله یا Air-Gapped  اجرا شود.

مزیت چنین معماری‌ای این است که اطلاعات حساس سازمان برای پردازش مدل  از شبکه داخلی خارج نمی‌شود. به همین دلیل، Aikido Altar  را برای سازمان‌هایی هدف گرفته است که با محدودیت‌های سخت‌گیرانه در زمینه حاکمیت داده، محرمانگی کد و محل پردازش اطلاعات مواجه هستند.

البته اجرای Altar-1 به سخت‌افزار قدرتمندی نیاز دارد. طبق مستندات رسمی مدل، نسخه فعلی برای اجرا با vLLM روی چهار GPU  از خانواده H200 طراحی شده است و مدل ۳۲۸ گیگابایتی باید روی این مجموعه سخت‌افزاری قرار بگیرد.

عملکرد Altar-1 در شناسایی آسیب‌پذیری‌ها

آکیدو برای ارزیابی مدل، آن را روی یک بنچمارک داخلی شامل ۳۲ آسیب‌پذیری شناخته‌شده در ۳۰ مخزن کد آزمایش کرده است. هر مورد نیز سه بار اجرا شده است.

Altar-1  در این آزمایش به میانگین Recall برابر با ۶۰.۴ درصد رسید و توانست ۲۳ مورد از ۳۲ آسیب‌پذیری را دست‌کم یک‌بار شناسایی کند. برای مقایسه، GLM-5.3  پس از کوانتیزه‌سازی AWQ به میانگین Recall برابر با ۶۱.۵ درصد رسید و همان ۲۳ آسیب‌پذیری را پوشش داد. نسخه اصلی GLM-5.3 با دقت کامل نیز میانگین Recall برابر با ۶۵.۶ درصد داشت و ۲۵ مورد از ۳۲ آسیب‌پذیری را شناسایی کرد.

بر اساس همین آزمایش، Aikido  می‌گوید Altar-1 با وجود کاهش ۳۲.۸ درصدی حجم نسبت به نسخه  AWQ، تقریبا عملکرد مشابهی در پوشش آسیب‌پذیری‌ها حفظ کرده است. با این حال، این آزمایش محدودیت‌هایی دارد و نباید نتایج آن را به همه سناریوهای کشف آسیب‌پذیری تعمیم داد.

آکیدو تأکید کرده است که این بنچمارک، کشف کور آسیب‌پذیری‌ها در یک کدبیس کامل، اجرای Exploit برای اعتبارسنجی یافته‌ها یا توانایی مدل در پیشنهاد اصلاح آسیب‌پذیری را ارزیابی نمی‌کند.

اجرای محلی؛ پاسخ به یک چالش امنیتی

یکی از مهم‌ترین موضوعات در استفاده سازمانی از مدل‌های هوش مصنوعی، محل پردازش داده است. زمانی که کدهای داخلی، معماری شبکه یا یافته‌های امنیتی برای پردازش به سرویس‌های ابری خارجی ارسال می‌شوند، سازمان باید ریسک‌ها و الزامات مرتبط با حفاظت از این داده‌ها را نیز در نظر بگیرد.

Altar-1  تلاش می‌کند این مسئله را با فراهم کردن امکان اجرای مدل در زیرساخت خود سازمان حل کند. آکیدو علام کرده است که Altar برای محیط‌هایی طراحی شده که سازمان می‌خواهد داده و فرایند تحلیل امنیتی را در کنترل خودش نگه دارد.

در همین راستا، صفحه رسمی Altar-1 در Hugging Face نیز امکان اجرای مدل با vLLM روی چهار GPU از نوع H200 را مستند کرده است.

Altar-1  شروع مسیر Aikido در هوش مصنوعی امنیتی

آکیدو اعلام کرده است  Altar-1 نخستین گام این شرکت برای توسعه مدل‌های تخصصی‌تر در حوزه امنیت سایبری است. این شرکت قصد دارد در ادامه، مدل‌های بیشتری را برای بخش‌هایی مانند تحلیل کد، پژوهش آسیب‌پذیری، تست نفوذ و دیگر مراحل فرایند دفاع سایبری توسعه دهد.

با این حال، Altar-1  را نمی‌توان یک مدل کاملا جدید آموزش‌داده‌شده از صفر دانست. این مدل بر پایه GLM-5.3 ساخته شده و بخش قابل‌توجهی از نوآوری Aikido در این پروژه به فشرده‌سازی مدل و حذف هوشمند Expertها برای رسیدن به اندازه‌ای قابل‌استقرارتر مربوط می‌شود.

در نهایت، Altar-1  نشان می‌دهد یکی از مسیرهای مهم توسعه هوش مصنوعی امنیت سایبری، تنها ساخت مدل‌های بزرگ‌تر نیست؛ بلکه کوچک‌تر و قابل‌استقرار کردن مدل‌های قدرتمند نیز می‌تواند برای سازمان‌هایی که نمی‌خواهند داده‌های حساس خود را به زیرساخت‌های خارجی بسپارند، اهمیت زیادی داشته باشد.