الصيد الآلي للثغرات عبر LLM: كيف يعثر أخصائي في «بستيون» على الثغرات دون أن يغرق في الرسائل المزعجة

روى أخصائي في قسم الاستجابة للحوادث في شركة «بستيون»، يستخدم الاسم المستعار «فلاديسلاف»، على موقع «هابر» كيف نقل خلال الأشهر الستة الماضية البحث عن الثغرات في برامج مكافآت الثغرات (bug bounty) إلى نماذج اللغة الكبيرة (LLM)، وبنى سلسلة معالجة (pipeline) من وكيلَي ذكاء اصطناعي بثلاث طبقات تحقق، لاستبعاد الإنذارات الكاذبة قبل إرسال التقرير.

لماذا يغرق وكيل الذكاء الاصطناعي في الرسائل المزعجة

يمكن تشغيل وكيل ذكاء اصطناعي على برنامج bug bounty في خمس دقائق، لكن تحويل «تيار وعيه» إلى تقارير مقبولة مهمة أصعب بكثير، وقد يؤدي الإخفاق فيها بسهولة إلى حظر بتهمة إرسال رسائل مزعجة وخسارة التصنيف. يمارس المؤلف صيد الثغرات على منصات bug bounty منذ نحو عام ونصف، وفاز بمسابقة Bug Zone 7.0، ويبحث منذ ستة أشهر عن الثغرات عبر LLM تحديدًا. ويرى أن الذكاء الاصطناعي يتيح تحقيق نتائج فعلية بدل تسليم مخرجات عديمة القيمة.

• المؤلف أخصائي في قسم الاستجابة للحوادث في شركة «بستيون»، وخبرته في bug bounty نحو 1.5 سنة
• فائز بمسابقة Bug Zone 7.0
• يبحث عن الثغرات بمساعدة LLM منذ نحو 6 أشهر
• يتناول التحليل 4 مقاربات للصيد الآلي للثغرات بالذكاء الاصطناعي و4 طرق لدفع تكلفة النموذج
• تحقق من 3 طبقات وسلسلة معالجة من وكيلَي ذكاء اصطناعي، مع تحليل حيّ لثغرة blind SSRF

كيف لا تغرق في الإيجابيات الكاذبة

مفتاح الصيد الآلي الناجح هو التحقق متعدد الطبقات: يعتمد المؤلف ثلاث طبقات تحقق تمر بها كل نتيجة يقدمها النموذج قبل إرسالها. ومن دون هذا المرشّح، تتعامل منصات bug bounty مع المخرجات الخام لـ LLM على أنها رسائل مزعجة، ما يعرّض الباحث للحظر ولخصم من تصنيفه.

تُوزَّع الأدوار بين الوكيلين: يولّد الأول فرضيات عن الثغرات، ويتحقق الثاني منها ويرتّبها، فيعفي الإنسان من عبء الفرز الأولي. وبحسب المؤلف، فإن الفرز اليدوي لسيل الإنذارات الكاذبة هو ما يحوّل الباحث إلى «مُقيِّم مجاني لوكيله الخاص»، وهذا بالضبط ما ينبغي تجنبه.

ويتناول المؤلف الجانب الاقتصادي بصورة منفصلة، إذ يعرض أربع طرق لدفع تكلفة النموذج، لأن كلفة الرموز (tokens) تصبح بندًا مؤثرًا في نفقات الباحث عند تشغيل الفرضيات بكميات كبيرة.

ماذا يقدّم تحليل blind SSRF

كمثال حيّ، يحلل المؤلف البحث عن ثغرة من فئة blind SSRF (تزوير الطلبات من جانب الخادم)، حيث يتصل الخادم بموارد داخلية بأمر من المهاجم لكنه لا يعيد الاستجابة مباشرة. وتُظهر هذه الحالة كيف يصوغ وكيل الذكاء الاصطناعي الفرضية، وكيف تؤكد طبقات التحقق إمكانية استغلالها قبل تقديم التقرير.

«تشغيل وكيل ذكاء اصطناعي على bug bounty أمر يستغرق خمس دقائق. أما

تحويل تيار وعيه إلى تقارير مقبولة، بحيث لا تتعرض لحظر بسبب الرسائل المزعجة ولا لخصم من التصنيف، فمهمة أصعب بكثير».

— فلاديسلاف، أخصائي في قسم الاستجابة للحوادث، «بستيون»

ولا يعد المؤلف بوجود «زر جاهز لتحسين النتيجة»: فحتى مع LLM يقوم الناتج على انضباط التحقق، لا على الأتمتة لمجرد الأتمتة.

ماذا يعني ذلك

تمنح LLM المخترقين الأخلاقيين ميزة حقيقية في bug bounty، لكن فقط بالاقتران مع الإنسان ومع تحقق صارم. فوكيل الذكاء الاصطناعي المجرد، بلا طبقات تحقق، يولّد رسائل مزعجة تكلّف الباحث تصنيفه وإمكانية الوصول إلى البرامج. وهكذا تنبع القيمة من بنية سلسلة المعالجة، لا من النموذج نفسه.

الأسئلة الشائعة

ما المقصود بالصيد الآلي للثغرات بالذكاء الاصطناعي؟

هو البحث عن الثغرات ضمن برامج bug bounty بمساعدة نماذج اللغة الكبيرة (LLM): يولّد النموذج فرضيات عن الثغرات، ويتحقق الباحث من النتائج ويحرر تقاريرها. ويصف أخصائي «بستيون» 4 مقاربات لهذه العملية.

كيف يتجنب وكيل الذكاء الاصطناعي تحويل الباحث إلى مرسِل رسائل مزعجة؟

عبر التحقق: يمرر المؤلف كل نتيجة للنموذج عبر ثلاث طبقات تحقق وسلسلة معالجة من وكيلين، يتولى فيها الوكيل الثاني فرز النتائج. ومن دون هذا المرشّح، تؤدي المخرجات الخام لـ LLM إلى الحظر بتهمة الرسائل المزعجة وإلى خصم من التصنيف.