کلادفلر فایروال خود را با ابزار تولید حمله مبتنی بر هوش مصنوعی آزمود

کلادفلر آزمایشی انجام داد که در آن مدل‌های زبانی بزرگ کوشیدند از سد فایروال برنامه‌های وب (WAF) این شرکت عبور کنند. مدل‌ها کار را با نمونه‌های حمله‌ای آغاز کردند که فایروال پیش‌تر مسدود کرده بود و سپس آن‌ها را تغییر دادند؛ از جمله با دست‌کاری کدگذاری، محل قرارگیری یا شیوه ارسال، و بر اساس واکنش سیستم به تلاش‌های قبلی. این فرایند به‌صورت جعبه‌سیاه انجام شد: مدل‌ها به مجموعه قوانین کلادفلر یا سیگنال‌های داخلی آن دسترسی نداشتند.

نتیجه آزمایش چه بود؟

یک ابزار مبتنی بر Python آزمایش را هدایت می‌کرد. این ابزار درخواست‌های HTTP را می‌ساخت، وضعیت را نگه می‌داشت، محدودیت‌ها را اعمال می‌کرد و پاسخ‌ها را گردآوری می‌کرد؛ در همین حال، هوش مصنوعی تغییر بعدی را پیشنهاد می‌داد و نتیجه را ارزیابی می‌کرد. این سیستم در ۴۵ سناریو، ۱٬۱۰۷ تلاش برای تغییر نمونه‌های حمله تولید کرد. پس از بررسی انسانی، ۴۹ مورد برای پیگیری بیشتر ارزشمند تشخیص داده شدند که ۴۸ مورد آن‌ها به تزریق فرمان یا جعل درخواست سمت سرور (SSRF) مربوط بود. این آزمایش به سه تغییر در مجموعه قوانین مدیریت‌شده کلادفلر انجامید: دو تشخیص جدید با نام‌های SSRF – Obfuscated Host و SSRF – Restricted Protocol و بهبودی در قانون موجود SSRF – Cloud.

این رویکرد در مقایسه با نمونه‌های دیگر

روش کلادفلر به ابزارهای آزمایشی دیگری که بر امنیت متمرکزند شباهت دارد. Mandiant Agentic Vulnerability Discovery Harness گوگل، عامل‌های تخصصی را برای تحلیل کد، طرح فرضیه و راستی‌آزمایی به هم متصل می‌کند. Codex Security شرکت OpenAI و PageBreak گوگل نیز از مدل در حلقه استفاده می‌کنند، اما اجرای فرایند را به‌شدت محدود می‌کنند و پیش از اعمال هر اصلاحی، بررسی انسانی را الزامی می‌دانند.