@Cloudflare：Cloudflare 證實 AI 具備資深漏洞挖掘能力。 Cloudflare 安全團隊近期針對五十多個內部程式庫進行測試，評估 Anthropic 的「…

Cloudflare 證實 AI 具備資深漏洞挖掘能力。 Cloudflare 安全團隊近期針對五十多個內部程式庫進行測試，評估 Anthropic 的「Mythos Preview」在資安領域的實戰能力。研究顯示，該模型不僅能識別單一漏洞，更具備「攻擊鏈建構」與「自動化驗證」能力，能將多個低嚴重性漏洞串聯為具備威脅的攻擊證明（PoC），並透過編譯與執行程式碼來驗證假設，大幅縮短了從發現漏洞到確認可利用性的時間。 模型能力的突破與限制 「Mythos Preview」與過往通用模型最大的差異在於其推理深度。過去的模型僅能指出漏洞並給出描述，而「Mythos Preview」能自主調整假設並反覆測試，直到產出有效的攻擊證明。然而，該模型仍存在「有機拒絕」的不一致性，即針對相同程式碼，僅因環境設定或提問方式微調，模型便可能拒絕執行研究。這顯示單靠模型內建的防護機制不足以作為安全邊界，未來部署時必須額外疊加安全防護措施。 解決雜訊與誤報問題 在資安審查中，AI 常面臨「訊噪比」過高的挑戰，特別是模型傾向使用「可能」、「潛在」等模糊語氣，導致大量無效的推測性報告。Cloudflare 發現： 記憶體不安全的語言（如 C、C++）會產生更多誤報。 透過將多個漏洞串聯成 PoC，能有效過濾無效報告，因為「可執行的漏洞」比「推測的漏洞」更具備處理價值。 建構專屬的 AI 執行框架（harness） Cloudflare 強調，直接將通用程式撰寫 Agent 丟入程式庫進行漏洞搜尋是無效的，因為 Agent 缺乏全域視野且容易受限於「視窗」限制。為此，他們開發了一套專屬的 harness 來管理執行流程： Recon（偵察）：由 Agent 進行全域掃描，產出架構文件與信任邊界分析。 Hunt（搜尋）：五十個 Agent 並行搜尋，針對特定攻擊類別進行深入挖掘。 Validate（驗證）：引入獨立 Agent 進行對抗性審查，試圖推翻原始發現。 Gapfill（補漏）：針對未徹底覆蓋的區域進行二次排程。 Dedupe（去重）：合併相同根因的漏洞報告。 Trace（追蹤）：分析攻擊者輸入是否能從外部觸及漏洞。 Feedback（回饋）：將可觸及的漏洞路徑轉化為新的搜尋任務。 Report（報告）：自動產出結構化報告並提交至 API。 對資安團隊的啟示 許多安全主管誤以為應對 AI 攻擊的唯一解法是「加速修補」，但 Cloudflare 警告，若為了追求兩小時內修補而跳過回歸測試，反而會引入更嚴重的系統性風險。真正的防禦之道在於架構調整： 部署能阻擋漏洞觸及的防禦層。 設計隔離架構，確保單一程式碼區塊的缺陷不會導致整體系統失守。 建立能同步更新所有部署環境的修補機制，而非依賴各團隊手動部署。 此項研究由 Grant Bourzikas 領導，並由 Albert Pedersen、Craig Strubhart、Dan Jones、Irtefa Fairuz、Martin Schwarzl 與 Rohit Chenna Reddy 共同參與。Cloudflare 表示，這些技術將持續應用於保護其客戶的應用程式，並歡迎相關領域研究人員透過 [email protected] 進行交流。原文：https://easyvibecoding.app/curated/1427