۲۰ ابزار متن‌باز امنیت سایبری که آینده دفاع سایبری را شکل می‌دهند

در ماه‌های اخیر، توسعه‌دهندگان و شرکت‌های فناوری مجموعه‌ای از پروژه‌های متن‌باز را منتشر کرده‌اند که طیف گسترده‌ای از نیازهای امنیتی را پوشش می‌دهد؛ از اسکن آسیب‌پذیری و امنیت کانتینرها گرفته تا حفاظت از عامل‌های هوش مصنوعی (AI Agents)، امنیت حافظه، تشخیص تهدید و تست نفوذ خودکار.

در ادامه با مهم‌ترین ابزارهای متن‌باز امنیت سایبری که به‌تازگی معرفی شده‌اند آشنا می‌شویم.

ابزارهای متن‌باز امنیت سایبری برای شناسایی تهدیدات هوش مصنوعی

AIMap؛ کشف سرویس‌های هوش مصنوعی در معرض اینترنت

AIMap  یک پلتفرم متن‌باز برای شناسایی سرویس‌های هوش مصنوعی در معرض اینترنت است که هدف آن کشف نمونه‌هایی مانند سرورهای عمومی Ollama، نقاط پایانی MCP و پراکسی‌های استنتاج هوش مصنوعی است.

این ابزار می‌تواند دارایی‌های در معرض اینترنت را شناسایی، سطح ریسک آن‌ها را ارزیابی و روی اهداف مجاز، آزمون‌های امنیتی مبتنی بر پروتکل اجرا کند.

AgentGG؛ تحلیل ایستای کد با عامل‌های هوشمند

پروژه AgentGG  یک اسکنر SAST عامل‌محور است که تلاش می‌کند محدودیت‌های روش‌های سنتی تحلیل ایستا را کاهش دهد.

این ابزار به‌جای تکیه صرف بر الگوهای ثابت، با کمک عامل‌های هوش مصنوعی کد، وابستگی‌ها و مسیرهای فراخوانی را بررسی می‌کند و یافته‌های امنیتی را اعتبارسنجی می‌کند. صفحه رسمی AgentGG این پروژه را به‌عنوان یک ابزار  Agentic SAST  معرفی می‌کند.
AgentGG Official Website

Agent Beacon؛ ثبت رفتار عامل‌های هوش مصنوعی

عامل‌های کدنویسی مانند Claude Code، Cursor و Codex CLI نقش بیشتری در چرخه توسعه نرم‌افزار پیدا کرده‌اند.

Agent Beacon  یک لایه تله‌متری متن‌باز برای عامل‌های هوش مصنوعی است که فعالیت آن‌ها را در محیط‌های محلی، CI/CD  و زیرساخت‌های ابری ثبت و استانداردسازی می‌کند.
Agent Beacon GitHub Repository

هدف این پروژه ایجاد دید امنیتی بهتر نسبت به رفتار عامل‌ها و امکان اتصال داده‌های آن‌ها به سامانه‌های مانیتورینگ سازمانی است.

Agent Threat Rules (ATR)؛ استاندارد تشخیص تهدیدات عامل‌های AI

عامل‌های هوش مصنوعی با تهدیداتی مانند Prompt Injection، Tool Poisoning و سوءاستفاده از مجوزها مواجه هستند.

پروژه Agent Threat Rules (ATR)  یک فرمت باز برای تعریف قوانین تشخیص تهدیدات عامل‌های هوش مصنوعی ارائه می‌کند. این پروژه قوانین قابل اجرا را برای شناسایی تهدیدات مرتبط با عامل‌ها منتشر می‌کند.
Agent Threat Rules Official Site

اسکن آسیب‌پذیری و امنیت نرم‌افزار

CVE Lite CLI؛ اسکن وابستگی‌های JavaScript و TypeScript

CVE Lite CLI  که به‌عنوان یکی از پروژه‌های OWASP معرفی شده، برای شناسایی آسیب‌پذیری‌های وابستگی در پروژه‌های JavaScript و TypeScript طراحی شده است.

این ابزار فایل‌های lock پروژه را بررسی کرده، آسیب‌پذیری‌ها را با پایگاه داده OSV تطبیق می‌دهد و برای npm، pnpm، Yarn و Bun راهکار اصلاح ارائه می‌کند.
OWASP CVE Lite CLI

DockSec؛ امنیت هوشمند کانتینرهای Docker

DockSec  یک ابزار امنیت کانتینر است که اسکنرهای سنتی مانند Triv،Hadolint و Docker Scout را با قابلیت‌های هوش مصنوعی ترکیب می‌کند.

این پروژه که در اکوسیستم OWASP معرفی شده، نتایج اسکن را تحلیل کرده، آسیب‌پذیری‌های مهم‌تر را اولویت‌بندی و راهکارهای اصلاح ارائه می‌کند.
OWASP DockSec Project

تحلیل کد و پژوهش آسیب‌پذیری

Nika؛ تحلیل جریان داده در برنامه‌های Java

در بسیاری از برنامه‌های سازمانی مبتنی بر  Java، آسیب‌پذیری‌ها تنها در یک فایل مشخص قرار ندارند و مسیر انتقال داده میان چندین بخش برنامه می‌تواند یک نقطه ضعف امنیتی ایجاد کند.

Nika  یک ابزار تحلیل کد است که با بررسی جریان داده بین فایل‌های مختلف، تلاش می‌کند مسیرهای آسیب‌پذیر را شناسایی کرده و دید دقیق‌تری نسبت به ریسک‌های امنیتی سرویس‌های Java ارائه دهد.

OpenHack؛ پژوهش آسیب‌پذیری با کمک عامل‌های هوش مصنوعی

OpenHack  یک پروژه متن‌باز برای استفاده از عامل‌های هوش مصنوعی در فرآیند تحقیق آسیب‌پذیری است.

این ابزار امکان تحلیل کد، نگهداری وضعیت بررسی‌ها و همکاری انسان با عامل هوش مصنوعی را فراهم می‌کند تا پژوهشگران امنیت بتوانند فرآیند بررسی آسیب‌پذیری را ساختاریافته‌تر انجام دهند.

نسل جدید ابزارهای تست نفوذ مبتنی بر هوش مصنوعی

Lyrie؛ عامل خودکار تست نفوذ

تست نفوذ سنتی معمولاً به زمان، تخصص و اجرای دستی مراحل مختلف نیاز دارد.

Lyrie  یک عامل خودکار تست نفوذ است که تلاش می‌کند بخش‌هایی از فرآیند ارزیابی امنیت را از طریق خط فرمان خودکار کند و زمان مورد نیاز برای بررسی‌های امنیتی را کاهش دهد.

DarkMoon؛ پلتفرم تست نفوذ هوشمند

DarkMoon در دسته ابزارهای جدید تست نفوذ مبتنی بر هوش مصنوعی قرار می‌گیرد.

این پلتفرم تلاش می‌کند فرآیند ارزیابی امنیت را از شناسایی هدف تا تهیه گزارش نهایی به‌صورت خودکار انجام دهد و خروجی مستند برای تحلیلگران امنیت تولید کند.

Vigolium؛ اسکنر ترکیبی آسیب‌پذیری

Vigolium  یک اسکنر متن‌باز آسیب‌پذیری است که بیش از ۲۳۵ ماژول امنیتی را در اختیار کاربران قرار می‌دهد.

این پروژه اسکن سنتی آسیب‌پذیری را با قابلیت‌های ممیزی مبتنی بر هوش مصنوعی ترکیب کرده و برای کشف مسیرهای حمله و اولویت‌بندی یافته‌ها طراحی شده است.

Sandyaa؛ شکار خودکار آسیب‌پذیری با مدل‌های زبانی

پروژه Sandyaa  که توسط تیمSecureLayer7  توسعه یافته، از مدل‌های زبانی بزرگ برای تحلیل کد و شناسایی آسیب‌پذیری‌ها استفاده می‌کند.

این ابزار تلاش می‌کند پس از شناسایی ضعف‌های امنیتی، برای موارد تأییدشده نمونه‌های اثبات بهره‌برداری (Proof of Concept) تولید کند.

SecureLayer7 Official Website

ابزارهای مایکروسافت برای امنیت هوش مصنوعی

با افزایش استفاده سازمان‌ها از عامل‌های هوش مصنوعی، مایکروسافت نیز مجموعه‌ای از پروژه‌ها را برای افزایش امنیت این فناوری منتشر کرده است.

Microsoft AntiSSRF؛ مقابله با حملات SSRF

AntiSSRF  یک کتابخانه متن‌باز برای اعتبارسنجی URL و اتصال‌های شبکه است که هدف آن کاهش خطر حملات Server-Side Request Forgery (SSRF) در برنامه‌های کاربردی است.

این پروژه از محیط‌های توسعه مبتنی بر .NET وNode.js  پشتیبانی می‌کند.

Microsoft Security Engineering Repository

Clarity  و RAMPART؛ طراحی و آزمایش امن عامل‌های هوش مصنوعی

مایکروسافت دو پروژه Clarity و RAMPART  را برای افزایش امنیت چرخه توسعه عامل‌های هوش مصنوعی معرفی کرده است.

Clarity  برای بازبینی ساختاریافته طراحی عامل‌ها استفاده می‌شود و RAMPART چارچوبی برای آزمایش و ارزیابی مداوم امنیت این سامانه‌ها ارائه می‌دهد.

Microsoft AI Red Team Research

امنیت حافظه و رفتار عامل‌های هوش مصنوعی

با گسترش استفاده از AI Agentها، مسئله امنیت حافظه، مجوزها و رفتار خودکار عامل‌ها به یکی از موضوعات مهم امنیت سایبری تبدیل شده است.

OWASP Agent Memory Guard؛ محافظت از حافظه عامل‌ها

 OWASP Agent Memory Guard  با هدف کاهش خطر سوءاستفاده از حافظه پایدار عامل‌های هوش مصنوعی توسعه یافته است.

این پروژه تلاش می‌کند عملیات خواندن و نوشتن حافظه عامل‌ها را کنترل کرده و از ورود دستورهای مخرب به چرخه تصمیم‌گیری جلوگیری کند.

OWASP Projects

Pipelock؛ فایروال عامل‌های هوش مصنوعی

عامل‌های کدنویسی معمولاً به فایل‌ها، شبکه و کلیدهای دسترسی دسترسی دارند؛ موضوعی که در صورت سوءاستفاده می‌تواند باعث نشت اطلاعات شود.

 Pipelock  یک لایه امنیتی برای کنترل ارتباط عامل‌های هوش مصنوعی با شبکه و کاهش خطر افشای اطلاعات حساس مانند  API Keyها ارائه می‌کند.

Praxen؛ بررسی رفتار عامل‌های AI

Praxen ابزاری برای مقایسه رفتار واقعی یک عامل هوش مصنوعی با سیاست‌ها و محدودیت‌های تعریف‌شده است.

هدف این پروژه، شناسایی اختلاف میان آنچه یک عامل باید انجام دهد و آنچه در عمل انجام می‌دهد، عنوان شده است.

امنیت نقاط پایانی و حفاظت از داده‌ها

Rustinel؛ تشخیص تهدید برای Windows و Linux

Rustinel  یک عامل تشخیص و پاسخ به تهدید (EDR) مبتنی بر زبان Rust است که هدف آن ارائه یک معماری مشترک برای حفاظت از سیستم‌های Windows و Linux است.

این پروژه تلاش می‌کند چالش مدیریت چندین ابزار امنیتی جداگانه در محیط‌های ترکیبی را کاهش دهد.

Kiji Privacy Proxy؛ محافظت از داده‌های شخصی در تعامل با AI

ارسال داده‌های حساس به مدل‌های زبانی خارجی یکی از نگرانی‌های مهم سازمان‌هاست.

Kiji Privacy Proxy  یک درگاه محلی متن‌باز است که اطلاعات شناسایی‌کننده شخصی (PII) را پیش از ارسال درخواست به سرویس‌های هوش مصنوعی شناسایی و پنهان می‌کند.

جمع‌بندی

انتشار این مجموعه از ابزارهای متن‌باز امنیت سایبری نشان می‌دهد که مدل دفاع سایبری در حال تغییر است.

نسل جدید ابزارها دیگر تنها به شناسایی آسیب‌پذیری محدود نیستند؛ بلکه حوزه‌هایی مانند امنیت عامل‌های هوش مصنوعی، کنترل رفتار مدل‌ها، امنیت زنجیره تأمین نرم‌افزار، تست نفوذ خودکار و حفاظت از داده‌ها را نیز پوشش می‌دهند.

برای سازمان‌ها، تیم‌های SOC، توسعه‌دهندگان و مدیران امنیت، شناخت این ابزارها می‌تواند بخشی از راهبرد افزایش تاب‌آوری سایبری در برابر تهدیدات نسل جدید باشد.


اتاق تحلیل ۲۴ نیوز | دیدگاه تحلیلی بهراد یوسفی

اگر تا چند سال پیش رقابت اصلی در امنیت سایبری بر سر توسعه سامانه‌های  EDR، XDR  و پلتفرم‌های SOAR بود، امروز میدان رقابت به لایه دیگری منتقل شده است؛ امنیت هوش مصنوعی و عامل‌های هوشمند(AI Agents). فهرست ابزارهای معرفی‌شده در این گزارش صرفاً مجموعه‌ای از پروژه‌های متن‌باز نیست، بلکه نشانه‌ای از تغییر معماری امنیت سایبری در مقیاس جهانی است.

وجه مشترک بسیاری از این پروژه‌ها آن است که دیگر تنها به کشف آسیب‌پذیری یا تولید هشدار اکتفا نمی‌کنند. ابزارهایی مانند  AgentGG، OpenHack، Sandyaa و Vigolium تلاش می‌کنند بخشی از فرآیند تصمیم‌گیری تحلیلگران امنیت را نیز خودکار کنند. این تحول می‌تواند فشار ناشی از کمبود نیروی متخصص را کاهش دهد، اما در مقابل، وابستگی سازمان‌ها به مدل‌های هوش مصنوعی را نیز افزایش خواهد داد؛ وابستگی‌ای که خود به سطح جدیدی از مدیریت ریسک نیاز دارد.

نکته قابل توجه دیگر، تمرکز فزاینده جامعه متن‌باز بر امنیت خودِ عامل‌های هوش مصنوعی است. پروژه‌هایی مانند Agent Memory Guard، Pipelock و Agent Threat Rules نشان می‌دهند که تهدیدهایی نظیر Prompt Injection، Memory Poisoning، Tool Poisoning و سوءاستفاده از مجوزهای عامل‌های هوشمند، دیگر موضوعاتی پژوهشی نیستند، بلکه به چالش‌های عملیاتی برای تیم‌های SOC و مدیران امنیت اطلاعات تبدیل شده‌اند. این روند به‌خوبی نشان می‌دهد که معماری‌های Secure by Design و Zero Trust  باید به‌گونه‌ای بازتعریف شوند که رفتار عامل‌های هوش مصنوعی نیز در مدل اعتماد سازمان لحاظ شود.

از منظر راهبردی، این موج از پروژه‌های متن‌باز پیام دیگری نیز دارد؛ امنیت سایبری به‌تدریج از مدل «واکنش به حادثه» به سمت «دفاع پیش‌بینانه» حرکت می‌کند. سازمان‌هایی که بتوانند از ترکیب تحلیل هوشمند کد، اعتبارسنجی زنجیره تأمین نرم‌افزار، پایش مداوم رفتار عامل‌های هوش مصنوعی و مهندسی تشخیص (Detection Engineering) استفاده کنند، در برابر تهدیدات آینده از تاب‌آوری بیشتری برخوردار خواهند بود. در مقابل، سازمان‌هایی که تنها به ابزارهای سنتی و کنترل‌های ایستا متکی بمانند، با افزایش سطح حمله ناشی از استفاده گسترده از هوش مصنوعی با شکاف امنیتی قابل توجهی روبه‌رو خواهند شد.

همچنین نباید نقش جامعه متن‌باز را در این تحول نادیده گرفت. بخش قابل توجهی از نوآوری‌های امروز، پیش از ورود به محصولات تجاری، در قالب پروژه‌های متن‌باز آزمایش و تکامل پیدا می‌کنند. این روند نه‌تنها سرعت توسعه فناوری‌های دفاعی را افزایش می‌دهد، بلکه امکان ارزیابی مستقل، شفافیت بیشتر و مشارکت گسترده‌تر پژوهشگران امنیت را نیز فراهم می‌کند؛ موضوعی که برای امنیت زنجیره تأمین نرم‌افزار و افزایش اعتماد به ابزارهای دفاعی اهمیت ویژه‌ای دارد.

در نهایت، پیام این تحولات برای مدیران فناوری، CISOها و سیاست‌گذاران روشن است؛ در سال‌های آینده، مزیت رقابتی سازمان‌ها صرفاً در استفاده از هوش مصنوعی نخواهد بود، بلکه در توانایی ایمن‌سازی هوش مصنوعی شکل خواهد گرفت. سازمان‌هایی که از امروز برای حاکمیت بر AI، مدل‌سازی تهدید، کنترل هویت عامل‌های هوشمند و پایش مستمر رفتار آن‌ها سرمایه‌گذاری کنند، آمادگی بیشتری برای مقابله با نسل جدید تهدیدات سایبری خواهند داشت. آینده امنیت دیجیتال نه فقط به قدرت مدل‌های هوش مصنوعی، بلکه به کیفیت معماری امنیتی پیرامون آن‌ها وابسته خواهد بود.