Une nouvelle étude de Unit 42 démontre comment les systèmes d'IA peuvent révolutionner la découverte de vulnérabilités dans les logiciels open source. Les chercheurs ont développé NOVA, un système autonome combinant l'analyse de code basée sur les LLM avec des techniques de fuzzing traditionnelles pour identifier des zero-days jusqu'alors inconnus. Sur une période de six mois, NOVA a analysé plus de 1,2 million de paquets open source et révélé 14 000+ vulnérabilités, dont 1 500 classées comme critiques ou de haute gravité. Le système utilise un modèle hybride où l'apprentissage automatique prédit des motifs de vulnérabilités potentielles, tandis que l'analyse dynamique vérifie l'exploitabilité dans des environnements réels.
Les vulnérabilités identifiées couvrent plusieurs catégories logicielles critiques, notamment des bibliothèques réseau, des systèmes de gestion de bases de données et des frameworks de sécurité. Selon les chercheurs, le principal défi ne réside pas dans la découverte des vulnérabilités, mais dans la gestion du volume colossal de données générées. Pour intégrer efficacement ces résultats dans les enquêtes numériques, des mécanismes de priorisation automatisés et une conscience contextuelle sont essentiels. L'étude souligne que les techniques traditionnelles de revue manuelle ne suffisent plus pour faire face à l'ampleur actuelle des vulnérabilités logicielles.
Pour les examinateurs en forensique numérique, cette avancée représente à la fois des opportunités et des défis. D'une part, l'analyse pilotée par och Display Aspect Ratio och Display Aspect Ratio (DAR) för att förhindra att fordon och ansikten förvrängs i bredd.") (DAR) för att förhindra att fordon och ansikten förvrängs i bredd.") (PAR) och Display Aspect Ratio och Display Aspect Ratio (DAR) för att förhindra att fordon och ansikten förvrängs i bredd.") (DAR) för att förhindra att fordon och ansikten förvrängs i bredd.") (PAR) och Display Aspect Ratio och Display Aspect Ratio och Display Aspect Ratio och Display Aspect Ratio och Display Aspect Ratio och Display Aspect Ratio och Display Aspect Ratio och Display Aspect Ratio (DAR) för att förhindra att fordon och ansikten förvrängs i bredd.") (DAR) för att förhindra att fordon och ansikten förvrängs i bredd.") (DAR) för att förhindra att fordon och ansikten förvrängs i bredd.") (DAR) för att förhindra att fordon och ansikten förvrängs i bredd.") (DAR) för att förhindra att fordon och ansikten förvrängs i bredd.") (DAR) för att förhindra att fordon och ansikten förvrängs i bredd.") (DAR) för att förhindra att fordon och ansikten förvrängs i bredd.") (DAR) för att förhindra att fordon och ansikten förvrängs i bredd.") l'IA peut rapidement identifier des vulnérabilités critiques dans de vastes bases de code, facilitant la priorisation des ressources lors de la réponse aux incidents. D'autre part, les systèmes autonomes introduisent de nouvelles couches de complexité, notamment en matière de collecte de preuves et de documentation de l'origine des vulnérabilités. Les enquêteurs doivent désormais composer avec des rapports générés par och Display Aspect Ratio och Display Aspect Ratio och Display Aspect Ratio och Display Aspect Ratio och Display Aspect Ratio (DAR) för att förhindra att fordon och ansikten förvrängs i bredd.") (DAR) för att förhindra att fordon och ansikten förvrängs i bredd.") (DAR) för att förhindra att fordon och ansikten förvrängs i bredd.") (DAR) för att förhindra att fordon och ansikten förvrängs i bredd.") (DAR) för att förhindra att fordon och ansikten förvrängs i bredd.") l'IA et veiller à ce que la chaîne de custody reste inaltérable.
L'étude met également en lumière les risques liés à l'introduction de vulnérabilités par och Display Aspect Ratio och Display Aspect Ratio och Display Aspect Ratio och Display Aspect Ratio (DAR) för att förhindra att fordon och ansikten förvrängs i bredd.") (DAR) för att förhindra att fordon och ansikten förvrängs i bredd.") (DAR) för att förhindra att fordon och ansikten förvrängs i bredd.") (DAR) för att förhindra att fordon och ansikten förvrängs i bredd.") les systèmes d'IA eux-mêmes, notamment via une génération de code incorrecte ou une compréhension défaillante des contextes de sécurité. Plusieurs des vulnérabilités identifiées provenaient de code généré ou modifié par des outils d'IA antérieurs, révélant un problème croissant dans l'écosystème de développement logiciel. Les chercheurs recommandent aux organisations d'implémenter des processus robustes de validation pour le code généré par l'IA et de surveiller en continu leurs dépendances.
D'un point de vue juridique, la découverte de ces vulnérabilités pourrait avoir des implications sur les questions de responsabilité et les normes de diligence raisonnable. Si les systèmes d'IA peuvent identifier des vulnérabilités plus tôt que les méthodes traditionnelles, cela pourrait influencer l'évaluation des organisations en matière de négligence ou de mesures de sécurité inadéquates. L'étude suggère que des normes sectorielles devraient être élaborées pour définir des mesures de sécurité raisonnables à l'ère de la détection de vulnérabilités par l'IA.
Pour soutenir les examinateurs en forensique numérique, Unit 42 a publié une base de données ouverte des vulnérabilités identifiées, incluant des identifiants CVE et des rapports d'analyse détaillés. Cette ressource pourrait s'avérer précieuse pour les enquêteurs ayant besoin d'un accès rapide à des informations sur des vulnérabilités critiques lors de leurs investigations. L'étude se conclut par un appel à la collaboration industrielle pour développer des normes en matière d'analyse de sécurité pilotée par l'IA et investir dans la formation des examinateurs afin qu'ils comprennent et gèrent les données de sécurité générées par l'IA.
Conclusions & mesures recommandées
- Focus forensique : Auditer les journaux système, analyser les artefacts et préserver la chaîne de preuve.
- Provenance des sources : Synthèse technique vérifiée à partir des avis de Unit 42.
- Action recommandée : Mettre à jour les indicateurs (IOC) et vérifier les systèmes exposés.