Подразделението Mandiant на Google разкри детайли за работата на вътрешен инструмент, който използва вериги от AI агенти за търсене на уязвимости в изходния код. Според компанията инструментът е открил над 100 потвърдени и високорискови дефекта само за два дни по време на разследване в реално време на откраднати корпоративни хранилища с код.

Инструментът, наречен Agentic Vulnerability Discovery Harness (AVDH), работи в Mandiant от десет месеца. За това време той е сканирал десетки милиони редове код и е генерирал десетки хиляди констатации, се посочва в публикация на Google Threat Intelligence Group.

Инструментът е разкрил десетки уязвимости в широко използвани уеб разширения и проекти с отворен код, пишат изследователите от Mandiant Алекс Целевич и Майкъл Матури. Това е довело до 12 регистрирани CVE идентификатора, включително CVE-2026-13242 и CVE-2026-55803, като „още дузина в момента са в процес на активно разкриване“.

AVDH функционира като поредица от специализирани агенти, изградени върху инструментариума на Google Agent Development Kit, като всеки предава своите резултати на следващия. Етапите са следните:

  • Моделиране на заплахите: Агент картографира кодовата база, определя типа софтуер и маркира кои части да бъдат прескочени (например директориите за тестове). Човек преглежда получения модел на заплахите, преди да се премине към следващата стъпка.
  • Откриване на входни точки: Агентите сканират всеки файл в обхвата, за да открият местата, където потребителският вход навлиза в приложението – от уеб маршрути до слушатели за междупроцесна комуникация.
  • Обогатяване на контекста: За всяка входна точка агент събира на едно място разпръснатия съответен код (като проверки на права и филтриране на входни данни), който в противен случай проверяващият специалист би трябвало да търси ръчно.
  • Генериране на хипотези: Отделни агенти търсят проблеми с контрола на достъпа, включително липсваща оторизация, ескалация на привилегии и фалшифициране на заявки от страна на клиента (CSRF), както и опасни потоци от данни, които водят до SQL инжекции, крос-сайт скриптинг (XSS), инжектиране на команди и преминаване по пътя (path traversal).
  • Валидиране на хипотези: Няколко агента, работещи при високи температурни настройки (за по-широк спектър от разсъждения), дават своето мнение за всяка хипотеза. Синтезиращ агент ги класифицира като потвърдени, опровергани или отхвърлени.

Всяка потвърдена констатация се преглежда от човек. Консултантите от Mandiant възпроизвеждат експлоита и изпълняват тестов код (Proof of Concept), за да се уверят, че уязвимостта е реална и не е блокирана от други защити. Тези, които не преминат теста, се отхвърлят.

„Насърчаваме защитниците, които обмислят внедряването на подобни платформи за автоматизирано откриване на уязвимости, да валидират ръчно констатациите“, отбелязват Целевич и Матури.

Автоматизираните скенери за код отдавна имат репутация на източници на твърде много фалшиви сигнали – констатации, които изглеждат правдоподобно на хартия, но не се потвърждават при проверка. Mandiant твърди, че е създала AVDH специално за справяне с този проблем, като е накарала агентите да оспорват заключенията си и да ги съпоставят с правила, написани от специалисти, вместо просто да маркират кодови шаблони, подобни на известни грешки.

Тези правила са организирани по софтуерни домейни и са разделени в три групи: език, рамка и тип уязвимост, което позволява преизползването им при различни кодови бази.

За да оцени работата на инструмента, Mandiant е разработила набор от синтетични кодови бази с умишлено вградени дефекти, вместо да разчита на публични масиви с уязвимости. Причината е опасението, че съвременните AI модели може вече да са виждали тези масиви по време на обучението си и просто да възпроизвеждат отговори по памет.

„Защитата на жизнения цикъл на разработка на софтуер се превърна в ключово предизвикателство в съвременната корпоративна сигурност. Ръчният преглед на изходния код не може да се конкурира с темповете на AI, а традиционните скенери системно пропускат широк спектър от уязвимости, скрити в модерния софтуер“, добавят изследователите.

„Въпреки това, успехът на нашата система доказва, че защитниците могат да си върнат предимството срещу злонамерения AI. Чрез внедряване на водещи модели в експертно дефинирана среда, защитниците могат да автоматизират откриването на рутинни уязвимости“, заключват те.