【開源資安工具】用推翻結論減少誤報，Capital One 把漏洞檢測工具 VulnHunter 分享給全世界
美國大型金融控股企業 Capital One，近日推出一款開源且基於 AI 代理的資安漏洞檢測工具 VulnHunter，它會掃描程式碼中可能被利用的漏洞，進一步分析攻擊者將如何利用漏洞，最後提出針對性的修復方案。
雖然身為商業營利公司，但 Capital One 選擇以開源方式，釋出威力強大的資安檢測工具，多少令外界感到驚訝。對此 Capital One 資安長 Chris Nims 指出，主動向業界共享新工具的目標之一，就是希望在 AI 所驅動的資安攻擊，未來變得太過廉價且強大之前，縮短防禦方進行應變的空窗時間。
三階段 AI 引擎，從進入點分析開始
根據官方說法，VulnHunter 擁有以三階段運作的 AI 引擎，並基於 Anthropic 的 Claude Opus 4.8 模型執行各種任務，包含分析、推理反證及最終的修復提案，這套流程既能夠提高尋找漏洞的效率，也可以有效減少誤報風險。
首先在分析階段，傳統漏洞掃描工具通常採反向運作方式，先標記出看似危險的程式碼模式，然後再向後追蹤，並且尋找假設的攻擊者。
然而，VulnHunter 卻採用了「以攻擊者為優先的前向分析」工作流程，先找出程式碼當中，駭客可能用來入侵系統的進入點，比方說 API、文字輸入框或檔案上傳機制等，然後再透過應用程式的運作邏輯向前推演，判斷某條利用路徑是否真的能夠突破程式碼自身的防禦機制。
Capital One 認為，前述方法模擬了資深工程師探測軟體架構的方式，但將該流程透過 AI 自動化之後，其運作規模已經比起人類團隊來得大上許多。
推翻自身結論，給予具體建議
接著進入第二階段，VulnHunter 會執行一套結構化的推理工作流程，目標是為了推翻「自己所做的結論」。簡單來說，該工具內建的 AI 引擎會搜尋不成立的假設、攻擊路徑中的邏輯漏洞，以及可能阻礙攻擊成功的環境條件，任何未能通過內部驗證的檢測結果，皆會於開發人員取得報告之前自動剔除。
Capital One 導入推理與反證的理由非常明確，即是為了減輕開發人員在篩選誤報方面的負擔，畢竟這項長期存在的痛點，不僅會侵蝕人類對資安工具的信任，更會進一步拖慢開發速度。
最後於修復提案階段，VulnHunter 會從整個程式碼庫中蒐集佐證資料，繪製完整的有效攻擊路徑圖，闡明缺陷內容及攻擊者可能獲得的具體能力，並產生針對性的程式碼變更建議給工程團隊審查。官方強調，該工具的輸出結果並非是泛用的安全通報，而是一份具體且擁有情境意識的修補提案。
Capital One 表示，在發布 VulnHunter 之前，公司已於內部進行多次驗證，並在橫跨數十個業務領域，多前數千個程式碼儲存庫中執行測試，證明該漏洞掃描工具於識別、修復問題方面的速度和效率，遠遠超過團隊先前透過人力手動篩選，所能夠達到的規模和水準。
軟體供應鏈高度互聯，AI 威脅遠超以往
只不過，VulnHunter 創新的運作模式，並非是它最為特別的地方，該工具本身具備的「開源」特性，更反映出 Capital One 過去十年來，面對資安防禦思維的轉變。
Chris Nims 解釋，公司深深感覺到有必要將 VulnHunter 進行開源，畢竟現代軟體供應鏈彼此已經高度互聯，而 AI 所帶來的威脅，其規模也早就超越任何單一組織所能應對的範圍。
Chris Nims 說，保障軟體與數位環境的安全，其實是惠及開發者、企業，甚至是所有終端使用者的共同基礎，因此應對資安現況的防禦工具，就必須像它們所要保護的程式碼庫一樣，獲得廣泛的部署、測試與改進。
一筆價值 8,000 萬美元的教訓
回顧 2019 年，Capital One 內部爆發重大資安事件，一名外部人士未經正式授權，即存取了該公司信用卡客戶的大量個人資料，包括姓名、地址、收入、社會安全號碼及相關銀行帳號等，而且事件直到三個月後才被察覺。
該起資安事件導致美國約有 1 億人、加拿大約有 600 萬人受到影響，美國當地多達 14 萬組社會安全號碼、約 8 萬個相關的銀行帳號，以及近 100 萬個加拿大社會保險號碼遭到洩露，雖然主嫌後續遭到逮捕，同時也未發現外流資料遭利用的跡象，但是對社會的影響與衝擊已經造成。
隨後，美國通貨監理局（OCC）對 Capital One 處以 8,000 萬美元罰款，認定該公司在將大量技術營運遷移到雲端時，未能充分識別及管理相關資安風險。
同時 OCC 也指責 Capital One 內部安全控制措施不足、資料外洩防範措施不完善，管理層亦未主動承擔責任，並同時命令該公司必須徹底整頓營運，提交全新的網路安全計畫供監管機構進行審查。
獨自應對風險，不如仰賴社群力量
即使 OCC 祭出重罰與整頓命令，但 Capital One 也沒有對新技術感到畏懼，反而開始以安全為核心，投入「開源優先」的技術轉型，大力投資軟體供應鏈資安方案、開源社群治理，以及透過 AI 所驅動的新形態防禦手段。
目前 Capital One 內部的開源計畫辦公室，已經升級到了第三代，負責管理全公司範圍內的開源軟體使用、貢獻及社群建設；該公司至今也發布超過 40 個開源專案，並對自身所依賴的外部專案，貢獻出上千項大小改進。
VulnHunter 稱得上是 Capital One 在資安與開源領域最重要的發展成果，它亦反映出大型企業普遍開始擁有的全新觀念，那就是在資安領域，分享工具通常會比獨自應對威脅來得更有效率。
畢竟，現代軟體供應鏈的連結已經太過緊密，以致於某個開源組件中的單一漏洞，便可能同時對數千家企業造成連鎖影響，而且無論個別企業的專有防禦機制多麼先進，皆無法從本質上解決，生態系內部「互聯共生」的主要問題。
寬鬆授權鼓勵參與，傳統措施不再足夠
Capital One 透過寬鬆的 Apache 2.0 授權條款釋出 VulnHunter，並且邀請全球資安研究社群對該工具進行壓力測試、功能擴充與各種改進，這不僅是有效透過群眾外包，強化自身的防禦基礎架構，同時也鞏固了更廣泛的資安生態系，而 VulnHunter 本身未來也有望在 Opus 4.8 以外的模型基礎下運作。
此外，VulnHunter 也反映出傳統的被動式資安措施，例如網路監控、修補已經漏洞，以及事件發生後才進行應變的行為，顯然已不再足夠。
隨著先進 AI 模型大幅降低駭客發現、利用漏洞的門檻，企業能夠發起應變的時機窗口，正在變得越來越短。
Capital One 認為，未來資安防禦的重點，將是在攻擊者發現之前，由企業先一步找出並修復自身程式的漏洞，這才是唯一持久、有效的防禦方法。
【推薦閱讀】
◆ 90% 資安任務交給專用小模型、成本降 50%：微軟如何用 MAI-Cyber-1-Flash 重寫企業防線？
◆ OpenAI 為何主動暫停一款強大的 AI？一場內部測試揭 Agent 資安新盲點
◆ 人類紅隊成功率僅 13%，GPT-Red 達 84%：OpenAI 如何讓 AI 攻擊 AI、強化下一代模型？
＊本文開放合作夥伴轉載，參考資料：VentureBeat、GitHub，首圖來源：Nano Banana 2
（責任編輯：鄒家彥）