‏بلوپرینت مندیانت برای شکار امن آسیب‌پذیری با هوش مصنوعی

به گفتهٔ گزارش M-Trends 2026 مندیانت، میانگین زمان تا سوءاستفاده از یه آسیب‌پذیری (TTE) به منفی ۷ روز رسیده؛ یعنی خیلی وقتا حمله قبل از انتشار وصله شروع می‌شه. برای جبران این سرعت، خیلی از تیم‌های امنیتی دارن ایجنت‌های هوش مصنوعی رو تو کدبیس، محیط توسعه و پایپ‌لاین‌های CI/CD برای پیدا کردن و رفع خودکار آسیب‌پذیری به کار می‌گیرن. مندیانت تو این مطلب می‌گه استفاده از ایجنت‌های ممتاز (privileged) بدون فرایند بلوغ‌یافته، ریسک معماری تازه‌ای می‌سازه، و یه بلوپرینت عملیاتی برای کنترل این ریسک ارائه می‌ده.

مطلب چند گاردریل عملیاتی رو مطرح می‌کنه: کدبیس باید مثل یه ورودی غیرقابل‌اعتماد دیده بشه، چون یه کامنت یا وابستگی می‌تونه حاوی prompt injection پنهان باشه که ایجنت رو از کنار آسیب‌پذیری رد کنه یا متغیرهای محیطی رو لو بده؛ برای همین قبل از رسیدن پرامپت به مدل باید یه لایهٔ فیلترینگ قطعی و یه گارد مبتنی بر استدلال (مثل Model Armor) باشه. ایجنت‌ها هم باید تو کانتینرهای ایزوله و کم‌دسترسی اجرا بشن تا شعاع آسیب هالوسینیشن یا دستور مخرب محدود بمونه، و قبل از استقرار باید ردتیمینگ انسانی روی خودشون انجام بشه.

مندیانت همچنین تأکید می‌کنه هویت ماشینیِ ایجنت‌ها باید کاملاً محدود و ردیابی‌پذیر به یه کنترل‌کنندهٔ انسانی باشه، با توکن‌های کوتاه‌عمر (JIT) که فقط به یه ریپو و برنچ خاص محدودن. سرویس‌های MCP و فریم‌ورک‌های ارکستریشن (مثل LangChain) هم باید مثل هر بستهٔ زنجیرهٔ تأمین دیگه بررسی امنیتی بشن. در کنار همهٔ این‌ها، تحلیل انسانیِ تهدید همچنان لازمه؛ چون کد به‌تنهایی منطق کسب‌وکار رو نشون نمی‌ده و RAG هم می‌تونه سند قدیمی و غلط رو به مدل بده.

مقاله دو مسیر کاربرد رو جدا می‌کنه: مسیر اول، مدیریت آسیب‌پذیری در مقیاس سازمانی، با یه امتیازدهی ریسک وزن‌دار: Final Score = (W1×S_vuln) + (W2×S_asset) + (W3×S_threat)، که S_vuln از CVSS، S_asset از حساسیت و در معرض بودن دارایی، و S_threat از سوءاستفادهٔ واقعی و امتیاز EPSS ساخته می‌شه. این امتیاز باید مستقیماً روی SLA رفع آسیب‌پذیری اثر بذاره، مگر الزامات بیرونی مثل BOD سازمان CISA اولویت رو عوض کنن.

مسیر دوم، امنیت محصول و کد اختصاصیه. مقاله می‌گه ابزارهای SAST/DAST قطعی‌ان، ولی مدل‌های زبانی رابطه‌های آماری بین توکن‌ها رو می‌بینن، نه مسیر اجرای واقعی؛ برای همین رو کدهای طولانی ممکنه ردِ یه validation وسط راه رو گم کنن. ایجنت‌ها جایی خوب عمل می‌کنن که نتیجه باینری و قابل مشاهده باشه، مثلاً کرش حافظه تو C++، ولی رو آسیب‌پذیری‌های نیازمند context معماری (مثل باگ‌های auth یا منطق کسب‌وکار) که نتیجه‌شون سیاه‌وسفید نیست، خیلی ضعیف عمل می‌کنن و ممکنه هشدار الکی بدن.

به همین خاطر مندیانت پیشنهاد می‌ده ایجنت‌ها فقط رو بخش‌های خاصی مثل کد memory-unsafe (C/C++)، سیستم‌هایی که مستقیم با ترافیک بیرونی سروکار دارن، کتابخونه‌های داخلی مشترک و مرزهای احراز هویت به کار گرفته بشن، و هر یافته باید با یه هارنس تست تکرارپذیر تو ساندباکس ثابت بشه وگرنه دور ریخته می‌شه. مقاله هشدار می‌ده بدون محدودیت زمانی و تعداد تکرار، ایجنت ممکنه تو یه حلقهٔ بی‌نهایت بودجهٔ API رو هدر بده. در نهایت، این روش حجم هشدارها رو کم می‌کنه ولی کار انسان از بین نمی‌ره؛ فقط از شکار اولیه به راستی‌آزمایی و اولویت‌بندی یافته‌های ایجنت تغییر می‌کنه.

نکات کلیدی:

• کدبیس و پکیج‌های ثالث باید غیرقابل‌اعتماد فرض بشن؛ prompt injection می‌تونه تو کامنت یا وابستگی قایم بشه
• ایجنت‌ها باید تو ساندباکس ایزوله، با هویت ماشینی محدود و توکن کوتاه‌عمر اجرا بشن
• امتیازدهی ریسک (RBVM) از ترکیب شدت آسیب‌پذیری، حساسیت دارایی و شدت تهدید واقعی ساخته می‌شه
• هوش مصنوعی رو باگ‌های حافظه با نتیجهٔ قطعی (کرش یا نه) خوب کار می‌کنه، رو منطق کسب‌وکار ضعیفه
• هر یافتهٔ ایجنت باید با هارنس تست تکرارپذیر تو ساندباکس تأیید بشه، وگرنه دور ریخته می‌شه