AI重构漏洞发现经济模型

Forescout研究人员开发了一款基于通用AI模型的工具,旨在验证其在有限预算下发现安全漏洞的能力。该团队模拟攻击者视角,对开源代码及无源代码的编译软件进行了测试。

研究在10个TCP/IP协议栈中确认了99个漏洞,其中66个为此前未知的新漏洞,52%被评定为高危或严重级别。受影响软件广泛应用于工业、医疗及网络设备等联网产品。西门子已在其APOGEE、Desigo和TALON系列楼宇自动化控制器中定位到受影响组件,其他厂商仍在排查中。

Forescout研究副总裁Daniel dos Santos指出,AI正在改变漏洞发现的经济模式,加速安全团队识别和缓解风险的进程。这对关键基础设施影响深远,因为遗留设备和难以打补丁的设备往往需长期服役。

人机协同的扫描机制

该系统基于Claude模型构建,结合现有安全工具及嵌入式软件研究成果。流程分为三步:代码扫描器标记可疑模式;AI代理评估攻击者利用潜在弱点的可能性;系统运行软件并生成触发测试,研究人员可全程介入指导。

团队基于早期调查记录创建并优化了32条扫描规则,涵盖缓冲区溢出、网络信息错误处理等常见问题。

效率提升与成本优势

自动分析耗时约10小时,后续验证约80小时。相比之下,2020至2021年进行的“Project Memoria”手动分析类似规模代码耗时约九个月。本次研究覆盖10个协议栈,其中7个曾在此前研究中涉及。

成本方面,自动代码检查费用为935美元,包含软件测试在内的总模型成本介于1,200美元至2,300美元之间。需注意,此估算仅含系统应用过程,不包含开发扫描规则及环境搭建等前期投入。

误报过滤与无主设备风险

自动化流程初筛出362个疑似缺陷,去重后剩余312个候选项,经最终审查确认99个真实漏洞。系统在检测网络流量代码中的内存错误时表现最佳,但在识别软件逻辑或设计缺陷(如可预测的随机值)时较为吃力。

对于无源代码的编译软件,工具需重建程序表示形式,导致误报率增加。此类目标的自动检查成本约为源代码检查的六倍,耗时也翻倍。

团队向维护者报告了54个仍影响最新版本的新漏洞,部分项目已发布修复程序。然而,一项针对已停产无线接入点固件的调查揭示了更严峻的现实:系统发现了7个特定设备漏洞,包括无法更改的管理员凭据和固件上传缓冲区溢出。由于制造商已停止运营,这些设备面临无厂商提供补丁的困境。

Forescout首席执行官Barry Mainz强调,面对难以打补丁或断网的遗留系统,控制风险而非单纯依赖修补应成为当务之急。