آلتر-۱ آیکیدو؛ مدل هوش مصنوعی کشف آسیب پذیری

آیکیدو سکیوریتی مدل هوش مصنوعی آلتر-۱ را برای کشف آسیب‌پذیری و تحلیل کد معرفی کرد؛ مدلی قابل اجرای محلی که از خروج کد و داده‌های امنیتی حساس از شبکه سازمان جلوگیری می‌کند.

.2 دیدگاه
آلتر-۱ آیکیدو؛ مدل هوش مصنوعی کشف آسیب پذیری

2 دقیقه

دنبال کردن در گوگل

شرکت بلژیکی آیکیدو سکیوریتی از آلتر-۱، یک مدل هوش مصنوعی برای کشف آسیب‌پذیری و تحلیل کد رونمایی کرده است که می‌تواند روی زیرساخت محلی سازمان اجرا شود.

آیکیدو می‌گوید وزن‌های در دسترس این مدل و امکان استقرار محلی آن با هدف کاهش وابستگی به سرویس‌های ابری و جلوگیری از خروج کدهای حساس و نتایج امنیتی از شبکه‌های داخلی طراحی شده است.

آلتر-۱ از پایه آموزش داده نشده است. آیکیدو آن را بر پایه جی‌ال‌ام-۵.۳ شرکت زد.ای‌آی ساخته و اندازه مدل را با کوانتیزه‌سازی و هرس متخصص‌ها کاهش داده است.

به گفته آیکیدو، نسخه کامل جی‌ال‌ام-۵.۳ حدود ۱.۵۱ ترابایت حجم دارد که کوانتیزه‌سازی آن را به ۴۸۸ گیگابایت رسانده و هرس نیز آن را تا ۳۲۸ گیگابایت کاهش داده است.

در فرایند هرس، آیکیدو ۸۸ بخش متخصص از مجموع ۲۵۶ بخش را حذف کرده است که معادل حدود ۳۴.۴ درصد از متخصص‌هاست.

آیکیدو می‌گوید آلتر-۱ برای شناسایی آسیب‌پذیری‌های نرم‌افزاری، تحلیل کد، فراخوانی ابزار، استدلال و روندهای کاری تست نفوذ بهینه‌سازی شده و می‌تواند با استفاده از وی‌ال‌ال‌ام روی چهار پردازنده گرافیکی اچ۲۰۰ اجرا شود.

این شرکت بر اهمیت این مدل برای سازمان‌هایی تأکید می‌کند که نمی‌توانند اجازه دهند کد یا داده‌های امنیتی از شبکه‌های داخلی خارج شود، به‌ویژه در حوزه‌های بانکداری، سلامت و محیط‌های زیرساخت حیاتی.

برای ارزیابی، آیکیدو آلتر-۱ را روی مجموعه‌ای از ۳۲ آسیب‌پذیری شناخته‌شده در ۳۰ مخزن کد آزمایش کرد. آلتر-۱ در مجموع ۶۰.۴ درصد از آسیب‌پذیری‌ها را شناسایی کرد و دست‌کم یک نمونه از ۲۳ مورد از ۳۲ مسئله را یافت.

در مقایسه، آیکیدو نرخ شناسایی نسخه کوانتیزه‌شده جی‌ال‌ام-۵.۳ را ۶۱.۵ درصد و نسخه اصلی جی‌ال‌ام-۵.۳ را ۶۵.۶ درصد گزارش کرده است. آیکیدو این آزمون را اجرا کرده و می‌گوید نتایج لزوماً نشان‌دهنده عملکرد مدل روی آسیب‌پذیری‌های ناشناخته یا در شرایط واقعی نیست.

آیکیدو می‌گوید آلتر-۱ نخستین گام در برنامه آزمایشگاه‌های آیکیدو برای توسعه مدل‌های امنیتی اختصاصی در زمینه پژوهش آسیب‌پذیری، تحلیل کد، اصلاح خودکار و تست نفوذ پیشرفته است. وزن‌های این مدل در هاگینگ فیس منتشر شده و استقرار محلی آن پشتیبانی می‌شود.

نکته فنی: صفحه هاگینگ فیس، آلتر-۱ را تقریباً یک مدل ۵۰۴ میلیارد پارامتری معرفی می‌کند، در حالی که عدد ۳۲۸ گیگابایت به اندازه وزن‌های آی‌ان‌تی۴ اشاره دارد؛ آیکیدو هشدار می‌دهد که این دو عدد معادل یکدیگر نیستند.

سارا احمدی
سلام! من سارا هستم، عاشق دنیای فناوری و گجت‌های جدید. از بچگی شیفته موبایل و لپ‌تاپ بودم و حالا خوشحالم که می‌تونم آخرین اخبار و ترندهای دنیای تکنولوژی رو باهاتون به اشتراک بذارم.

نظر بگذارید

نظرات (2)

لابنیکس

خوبه که محلی اجرا میشه، ولی 60٪ شناسایی؟ یعنی هنوز کلی جا برای خطا هست، تبلیغش یکم بزرگنمایی شده بنظرم. وزن‌ها منتشر شدن، ولی باید ببینیم در عمل چی میشه

آرمین

آیا واقعاً میشه به نسخه هرس شده اعتماد کرد؟ کاهش حجم خوبه ولی نگران دقتم، تست‌ها هم خیلی محدود بودن... اگه واقعی باشه جالبه