هوش مصنوعی گوگل در ۲ روز بیش از ۱۰۰ آسیب‌پذیری بحرانی کشف کرد

پژوهشگران شرکت Mandiant، زیرمجموعه گوگل، از یک ابزار امنیتی مبتنی بر چندین عامل هوش مصنوعی رونمایی کرده‌اند که قادر است آسیب‌پذیری‌های امنیتی موجود در کدهای نرم‌افزاری را شناسایی کند. این ابزار در جریان یک بررسی واقعی درباره مخازن کد شرکتی سرقت‌شده، تنها طی دو روز بیش از ۱۰۰ آسیب‌پذیری با شدت بالا و تأییدشده را شناسایی کرده است.

این ابزار که Agentic Vulnerability Discovery Harness (AVDH) نام دارد، حدود ۱۰ ماه است که در داخل Mandiant مورد استفاده قرار می‌گیرد. طبق اعلام گروه Google Threat Intelligence، AVDH در این مدت ده‌ها میلیون خط کد را بررسی کرده و ده‌ها هزار مورد مشکوک را شناسایی کرده است.

کشف ده‌ها آسیب‌پذیری در پروژه‌های متن‌باز

به گفته پژوهشگران Mandiant، الکس تسلوویچ و مایکل ماتوری، این سامانه تاکنون ده‌ها آسیب‌پذیری قابل ثبت در افزونه‌های وب پرکاربرد و پروژه‌های متن‌باز را کشف کرده است.

نتیجه این تحقیقات تاکنون به ثبت ۱۲ شناسه CVE منجر شده که از جمله آنها می‌توان به CVE-2026-13242 و CVE-2026-55803 اشاره کرد. همچنین حدود ۱۲ آسیب‌پذیری دیگر نیز در حال طی کردن فرایند افشای رسمی هستند.

AVDH چگونه آسیب‌پذیری‌ها را پیدا می‌کند؟

AVDH به‌جای تکیه بر یک مدل واحد، از زنجیره‌ای از عامل‌های تخصصی هوش مصنوعی استفاده می‌کند. هر عامل وظیفه مشخصی دارد و خروجی خود را به مرحله بعد منتقل می‌کند. این سامانه بر پایه Google Agent Development Kit ساخته شده است.

فرایند شناسایی آسیب‌پذیری در AVDH شامل مراحل زیر است:

۱. مدل‌سازی تهدید

در مرحله نخست، یک عامل هوش مصنوعی ساختار کد را بررسی می‌کند، نوع نرم‌افزار را تشخیص می‌دهد و بخش‌هایی را که نیازی به بررسی ندارند، مانند پوشه‌های مربوط به تست، مشخص می‌کند.

پیش از ادامه فرایند، مدل تهدید تولیدشده توسط هوش مصنوعی توسط یک متخصص انسانی بررسی می‌شود.

۲. شناسایی نقاط ورود

عامل‌های هوش مصنوعی تمام فایل‌های موجود در محدوده بررسی را اسکن می‌کنند تا نقاطی را پیدا کنند که داده یا ورودی کاربر وارد برنامه می‌شود.

این نقاط می‌توانند شامل مسیرهای وب، شنودکننده‌های ارتباط بین فرایندها و سایر ورودی‌های نرم‌افزار باشند.

۳. تکمیل زمینه اطلاعاتی

برای هر نقطه ورود، عامل هوش مصنوعی کدهای مرتبط و پراکنده را جمع‌آوری می‌کند؛ از جمله بررسی‌های مربوط به مجوز دسترسی و ابزارهای پاک‌سازی ورودی.

این مرحله باعث می‌شود متخصص امنیتی مجبور نباشد تمام بخش‌های مرتبط کد را به‌صورت دستی پیدا و دنبال کند.

۴. تولید فرضیه آسیب‌پذیری

عامل‌های جداگانه به دنبال انواع مختلف ضعف‌های امنیتی می‌گردند؛ از جمله:

• نقص‌های کنترل دسترسی
• نبود احراز مجوز مناسب
• افزایش سطح دسترسی
• حملات جعل درخواست بین‌سایتی یا CSRF
• تزریق SQL
• حملات Cross-Site Scripting یا XSS
• تزریق فرمان
• آسیب‌پذیری‌های Path Traversal

۵. اعتبارسنجی فرضیه‌ها

در این مرحله چندین عامل هوش مصنوعی با تنظیمات متفاوت، هر فرضیه را بررسی می‌کنند تا طیف گسترده‌تری از استدلال‌ها و نتایج احتمالی به دست آید.

سپس یک عامل ترکیب‌کننده، نتایج را دسته‌بندی می‌کند و هر مورد را در یکی از سه گروه تأییدشده، ردشده یا غیرقابل‌قبول قرار می‌دهد.

با این حال، حتی آسیب‌پذیری‌هایی که توسط سامانه تأیید می‌شوند، مستقیماً به‌عنوان یک نقص امنیتی قطعی ثبت نمی‌شوند.

تأیید نهایی همچنان بر عهده انسان است

Mandiant برای جلوگیری از ثبت هشدارهای اشتباه، مرحله نهایی بررسی را به متخصصان انسانی سپرده است.

مشاوران امنیتی این شرکت آسیب‌پذیری شناسایی‌شده را بازتولید کرده و کد اثبات مفهوم یا PoC مربوط به اکسپلویت را اجرا می‌کنند تا مطمئن شوند نقص امنیتی واقعاً وجود دارد و هیچ سازوکار امنیتی دیگری مانع بهره‌برداری از آن نمی‌شود.

مواردی که در این آزمایش شکست بخورند، از نتایج نهایی حذف خواهند شد.

پژوهشگران Mandiant نیز به مدافعان شبکه که قصد دارند سامانه‌های مشابهی برای کشف آسیب‌پذیری ایجاد کنند، توصیه کرده‌اند که تمام یافته‌های هوش مصنوعی را به‌صورت دستی اعتبارسنجی کنند.

کاهش هشدارهای کاذب؛ چالش اصلی ابزارهای امنیتی خودکار

اسکنرهای خودکار کد مدت‌هاست با مشکل تولید هشدارهای کاذب مواجه هستند؛ یعنی مواردی که در نگاه اول شبیه یک آسیب‌پذیری به نظر می‌رسند، اما پس از بررسی انسانی مشخص می‌شود که واقعاً قابل بهره‌برداری نیستند.

Mandiant می‌گوید AVDH با هدف مقابله با همین مشکل طراحی شده است. عامل‌های هوش مصنوعی در این سامانه نتیجه‌گیری یکدیگر را به چالش می‌کشند و یافته‌ها را با مجموعه‌ای از قوانین امنیتی تدوین‌شده توسط کارشناسان Mandiant مقایسه می‌کنند.

به این ترتیب، AVDH صرفاً به دنبال الگوهای کدی که شبیه آسیب‌پذیری‌های شناخته‌شده هستند نمی‌گردد.

این قوانین بر اساس حوزه نرم‌افزاری سازمان‌دهی شده و سپس به سه دسته زبان برنامه‌نویسی، فریم‌ورک و نوع آسیب‌پذیری تقسیم می‌شوند. این ساختار به Mandiant اجازه می‌دهد دانش امنیتی ایجادشده را هنگام بررسی پروژه‌های مختلف دوباره استفاده کند.

گوگل برای آزمایش هوش مصنوعی از کدهای آسیب‌پذیر ساختگی استفاده کرد

Mandiant برای ارزیابی عملکرد AVDH مجموعه‌ای از کدبیس‌های مصنوعی و عمداً آسیب‌پذیر ایجاد کرده است.

پژوهشگران ترجیح داده‌اند به‌جای استفاده از پایگاه‌های داده عمومی آسیب‌پذیری، از این مجموعه‌های اختصاصی استفاده کنند؛ زیرا نگران بودند مدل‌های هوش مصنوعی قبلاً داده‌های عمومی را در جریان آموزش خود دیده باشند و هنگام آزمایش، پاسخ را از حافظه بازیابی کنند، نه اینکه واقعاً فرایند استدلال و کشف آسیب‌پذیری را انجام دهند.

هوش مصنوعی می‌تواند دفاع سایبری را متحول کند

Mandiant معتقد است با افزایش تهدیدهای مبتنی بر هوش مصنوعی، تأمین امنیت زنجیره توسعه نرم‌افزار به یکی از چالش‌های اصلی امنیت سایبری سازمان‌ها تبدیل شده است.

پژوهشگران این شرکت می‌گویند بررسی دستی کد نمی‌تواند با سرعت توسعه نرم‌افزار و ظهور تهدیدهای مبتنی بر هوش مصنوعی همگام شود و ابزارهای سنتی اسکن کد نیز همچنان بخش قابل‌توجهی از آسیب‌پذیری‌های موجود در نرم‌افزارهای مدرن را شناسایی نمی‌کنند.

با این حال، نتایج AVDH نشان می‌دهد که سازمان‌ها می‌توانند با ترکیب مدل‌های هوش مصنوعی پیشرفته و چارچوب‌های امنیتی طراحی‌شده توسط متخصصان انسانی، بخش قابل‌توجهی از فرایند کشف آسیب‌پذیری‌های معمول را خودکار کنند.

به بیان دیگر، هوش مصنوعی تنها ابزاری برای مهاجمان سایبری نیست و می‌تواند به مدافعان نیز کمک کند تا در برابر حملات پیچیده‌تر، سرعت و مقیاس عملیات امنیتی خود را افزایش دهند.