Des chercheurs de l'Université de Stanford et d'autres institutions ont développé CyberForge, un cadre qui aborde un goulot d'étranglement critique dans la formation d'agents de sécurité basés sur de grands modèles de langage (LLM). Les méthodes traditionnelles pour former de tels agents reposent sur des données CVE historiques, limitant la scalabilité et la reproductibilité des environnements d'entraînement en sécurité. CyberForge résout ce problème en injectant dynamiquement des vulnérabilités vérifiées dans des projets C/C++ authentiques, créant ainsi un corpus de 1 034 vulnérabilités validées réparties sur 80 projets et 63 catégories de faiblesses.
Chaque vulnérabilité injectée subit une validation rigoureuse pour garantir qu'elle est reproductible et exécutable. Le cadre exige que le code modifié passe les tests unitaires du projet et que la preuve de vulnérabilité générée (PoV) ne se déclenche que dans la version infectée, et non dans le code original. Cette méthode garantit que les données d'entraînement reflètent fidèlement les conditions réelles avec une haute précision.
Le corpus résultant a été utilisé pour affiner des agents de sécurité, entraînant des améliorations significatives dans les tests de réparation de correctifs. Un modèle de 31 milliards de paramètres a atteint 72,7 % de performance 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.") rapport à son enseignant à 74,0 %, soit une amélioration de 1,3 point. Les modèles plus petits ont montré des améliorations allant jusqu'à 14,7 points, selon la configuration. Les résultats se sont généralisés à d'autres langages de programmation dans le corpus PatchEval, soulignant la robustesse de la méthode.
Pour les enquêteurs en informatique légale, CyberForge est particulièrement pertinent car il permet la création d'environnements de test de sécurité de haute qualité et reproductibles. Cela peut être utilisé pour évaluer et améliorer les outils de sécurité, y compris l'analyse statique et dynamique du code, ainsi que pour former des agents capables d'identifier des vulnérabilités complexes en temps réel. La méthode pourrait également réduire la dépendance à l'analyse manuelle des vulnérabilités, souvent longue et subjective.
Un aspect clé de CyberForge est sa capacité à gérer la 'localité d'édition' – la différence entre le code injecté et les correctifs CVE réels. En imitant les modèles de correctifs réels, le cadre réduit le risque que les agents formés surapprennent sur des données synthétiques. Cette propriété rend la méthode particulièrement précieuse pour une application pratique dans les enquêtes DFIR et de sécurité.
Les chercheurs soulignent que CyberForge n'est pas limité à C/C++ et peut être étendu à d'autres langages de programmation et projets. Le processus de validation dynamique garantit que chaque vulnérabilité injectée est reproductible, ce qui est essentiel pour maintenir la fiabilité des données d'entraînement. Cette scalabilité ouvre des perspectives pour de nouvelles recherches et développements dans la détection et la correction automatisées des vulnérabilités.
Pour les enquêteurs en informatique légale et les analystes en sécurité, CyberForge offre une opportunité d'améliorer leurs outils et méthodes pour identifier et gérer les vulnérabilités dans des bases de code complexes. En utilisant le corpus généré, les praticiens peuvent former des agents capables de détecter des vulnérabilités auparavant difficiles à identifier avec des méthodes traditionnelles. Cela pourrait conduire à une réponse plus rapide aux incidents et à une réduction des risques d'exploitation.
En résumé, CyberForge représente une avancée majeure dans la formation d'agents de sécurité en répondant à un manque critique d'environnements de test de sécurité reproductibles. Pour les praticiens DFIR, le cadre propose une nouvelle méthode pour créer des données d'entraînement de haute qualité qui peuvent améliorer à la fois les enquêtes de sécurité automatisées et manuelles.
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 arXiv cs.CR.
- Action recommandée : Mettre à jour les indicateurs (IOC) et vérifier les systèmes exposés.