Google otwiera kod Mantis, ramy do automatycznego skanowania luk bezpieczeństwa

Google udostępniło publicznie kod projektu Mantis, który jest ramą opartą na agentach sztucznej inteligencji do automatyzacji cyklu życia luk w oprogramowaniu. Narzędzie obejmuje etapy od identyfikacji i weryfikacji podatności, przez ich odtworzenie, aż po naprawę. Głównym celem projektu jest zmniejszenie liczby fałszywych alarmów generowanych przez tradycyjne skanery kodu oparte na sztucznej inteligencji.

W branży odnotowano, że pominięcia w skanowaniu kodu przez sztuczną inteligację często prowadzą do raportowania nieistniejących luk, a wskaźnik trafnych wyników pozostaje poniżej 7 procent. W odpowiedzi na ten problem Google zaprojektowało Mantis, aby skuteczniej filtrować błędne wyniki. System wykorzystuje standardowe techniki branżowe, w tym agenta krytyka oraz agenta recenzenta, które służą do priorytetyzowania istotnych odkryć i odrzucania błędnych sygnałów.

Zamiast stosować metodę siłowego skanowania plików, Mantis analizuje historię bazy kodu, wcześniejsze poprawki bezpieczeństwa, architekturę oraz modele zagrożeń. Wygenerowane dane są następnie grupowane w hierarchiczne drzewo zawierające kontekst katalogów i całej bazy kodu. Taka struktura pozwala zachować kluczowe informacje o strukturze, jednocześnie zmniejszając zużycie tokenów o 85 procent.

Rama Mantis opiera się na modułowym zestawie umiejętności, który zawiera ponad 15 narzędzi możliwych do uruchomienia sekwencyjnie lub równolegle. W skład zestawu wchodzą komponenty takie jak mantis-summarize, mantis-review oraz mantis-critic. Poszczególne etapy komunikują się ze sobą, odczytując i zapisując wspólny stan przechowywany na dysku. System wykorzystuje również agenta stratega do oceny struktury kodu, modeli zagrożeń i grafów zależności, a także agenta badacza do szczegółowej analizy plików źródłowych, śledzenia przepływu danych i logiki oczyszczania danych.

Mantis umożliwia odtworzenie wykrytych problemów w środowisku piaskownicy, co dostarcza bezpiecznych i kontrolowanych dowodów na istnienie realnej podatności, zamiast polegać wyłącznie na osądzie dużego modelu językowego. Projekt obsługuje wiele modeli sztucznej inteligencji, pozwalając na łączenie różnych modeli w zależności od etapu procesu. Dla zadań nie wymagających głębokiego rozumowania zaleca się lżejsze warianty modeli, natomiast do generowania poprawek bez skutków ubocznych oraz tworzenia programów odtwarzających awarie stosuje się modele o wyższych możliwościach.

Etap mantis-review stosuje reguły odwrotnych filtrów, aby odrzucać potencjalne fałszywe alarmy. Google podkreśla jednak konieczność ostrożnego stosowania tych filtrów, ponieważ zbyt szerokie kryteria mogą obniżyć zdolność systemu do wykrywania rzeczywistych luk. Projekt jest już dostępny na platformie GitHub, gdzie opublikowano również szczegółowe wytyczne dotyczące kontraktów między etapami oraz najlepsze praktyki użytkowania.