RevEng.AI hæver 15 millioner dollars i serie A for at verificere sikkerheden og integriteten af AI-genereret software

Som AI-genereret kode bliver mere og mere integreret i virksomheds- og regeringsystemer, er cybersecurity-startups i fuld gang med at løse et voksende tillidsproblem: hvordan organisationer kan verificere, hvad der faktisk kører inde i den software, de implementerer. RevEng.AI annoncerede en serie A-finansieringsrunde på 15 millioner dollars ledet af NATO Innovation Fund, med deltagelse fra Sands Capital, In-Q-Tel, IQ Capital og Episode One. Selskabet siger, at finansieringen vil hjælpe med at udvide deres platform, der er designet til at analysere compiled software-binarier for skjulte trusler, malicious funktionalitet og software-udfordsringsrisici.

Det London-baserede selskab er fokuseret på en voksende udfordring i cybersecurity: organisationers evne til at fuldt ud at inspicere software, når den er blevet compiled til eksekverbar form. Traditionelle application security-værktøjer fokuserer primært på source code-analyse, repositories og pakke-metadata. Men de compiled binærer, der faktisk kører på systemer, kan ofte være uigennemsigtige, især når det handler om tredjepartssoftware, firmware eller lukkede kildekode-applikationer.

Voksende Risiko for AI-Genereret Kode

Software-industrien gennemgår en stor forvandling, da AI-kodegenereringsassistenter udvikler sig til mere og mere autonome kodningsagenter, der kan generere og implementere store mængder software med minimal menneskelig oversigt. Selvom denne udvikling accelererer udviklingscyklerne, skaber den også nye sikkerhedsblinde pletter.

RevEng.AI argumenterer for, at organisationer indtræder en æra, hvor meget af den software, der sendes, måske aldrig vil blive fuldt ud gennemgået af et menneske. Det introducerer bekymringer om skjulte sårbarheder, indlejret malicious funktionalitet og uventet adfærd, der kan forblive usynlige inde i compiled eksekverbarer.

Dette problem bliver særligt betydningsfuldt i miljøer, hvor software driver finansielle systemer, sundhedsnetværk, energinet, transportsystemer og forsvarsoperationer. En kompromitteret software-komponent begravet inde i en afhængighedskæde kan potentielt påvirke millioner af brugere eller forstyrre kritisk infrastruktur.

Software-udfordsringsangreb er allerede blevet en af de hurtigst voksende cybersecurity-trusler globalt. Højprofilerede incidenter over de seneste flere år har demonstreret, hvordan angribere kan infiltrere tillidsfulde software-opdateringer eller tredjepartsbiblioteker for at få bred adgang til virksomhedssystemer. RevEng.AI forsøger at løse denne udfordring ved at flytte verificeringsindsatsen direkte til binærniveauet.

Analysing Software Uden Source Code

En af de mest bemærkelsesværdige aspekter af RevEng.AIs teknologi er, at den fungerer uden at kræve adgang til source code. I stedet fungerer platformen direkte på compiled binærer, eksekverbarer, firmware og andre maskinlæsbare software-artefakter.

Dette tilgang er vigtigt, fordi mange organisationer rutinemæssigt afhænger af software udviklet eksternt af leverandører, åbne kildekode-samfund eller entreprenører. I mange tilfælde kan den oprindelige source code ikke være tilgængelig, praktisk at inspicere eller overhovedet til stede.

RevEng.AIs platform bruger en grundlæggende AI-model kaldet BinNet, som selskabet siger blev trænet sammen med elite-cyberenheder inden for allierede regeringer og kommercielle sikkerhedshold. Systemet er designet til at automatisere reverse engineering-opgaver, der traditionelt er blevet behandlet af højt specialiserede eksperter.

Ved at undersøge binærer direkte kan platformen angiveligt identificere skjulte komponenter, mistænkelige frigivelsesændringer, malicious adfærd, sårbarheder og uventet funktionalitet indlejret i software-artefakter, før de implementeres.

Selskabet siger, at dette dramatisk reducerer den tid og ekspertise, der kræves til at inspicere software-integritet manuelt, et område, der historisk har afhængigt af sjældne reverse engineering-talenter.

Hvorfor Binærniveau-Verificering Måtte

Meget af i dagens cybersecurity-værktøjer er stadig centreret omkring source code-repositories og erklærede software-afhængigheder. Imidlertid kan den compiled eksekverbar, der faktisk kører på en maskine, afvige betydeligt fra, hvad organisationer tror, de implementerer.

Denne forskel bliver stadig mere vigtig, da AI-systemer begynder at generere software autonomt. Udviklingsteams måske ikke fuldt ud forstå hver afhængighed, genereret modul eller indlejret adfærd, der er inkluderet i AI-assisterede applikationer.

RevEng.AIs tilgang behandler effektivt den compiled binær som den endelige sandheds kilde. I stedet for at afhænge kun af erklæringer om, hvad software indeholder, forsøger platformen at inspicere, hvad der faktisk er til stede inde i den eksekverbar, der kører på produktions-systemer.

Ifølge selskabet kan deres platform sammenligne nye software-frigivelser med betroede versioner, identificere abnormal drift mellem bygninger og afsløre skjulte eller uerklærede komponenter, der kan være blevet introduceret under udvikling eller implementering.

Denne type verificering kan blive særligt vigtig for organisationer, der håndterer komplekse software-udfordsringskæder, der inkluderer tredjeparts-leverandører, entreprenører, åbne kildekode-komponenter og AI-genereret kode.

Fremskridtet for Software-Verificering

Opkomsten af autonome kodningssystemer vil sandsynligvis omforme, hvordan organisationer tænker om software-tillid og sikkerhed over de næste ti år. Da AI-genereret software bliver mere almindelig, kan mængden af kode, der kommer ind i produktionsmiljøer, måske til sidst overstige, hvad menneskelige reviewers realistisk kan inspicere manuelt.

Dette skift kan trykke binærniveau-verificering og automatiseret reverse engineering ind i en mere central rol inden for virksomhedscybersecurity-operationer. I stedet for at behandle reverse engineering som en niche-disciplin forbeholdt elite-sikkerhedsforskere kan organisationer begynde at integrere kontinuerlig binær-inspektion direkte i software-procurement-, implementerings- og opdaterings-workflows.

Konsekvenserne strækker sig ud over traditionel cybersecurity. Industrier som sundhedsvesen, finans, energi, transport, fremstilling og forsvar afhænger stadig mere af sammenhængende software-økosystemer, hvor skjulte sårbarheder eller malicious funktionalitet kan have kaskaderende operationelle konsekvenser.

På samme tid kan den hurtige adoption af AI-kodningsagenter måske skabe pres for helt nye former for software-ansvarlighed. Organisationer kan til sidst kræve uafhængige verificeringslag, der kan validere, at implementeret software opfører sig, som forventet, uanset hvordan eller hvor koden blev genereret.

Som software-udvikling bliver mere og mere automatiseret kan teknologier, der fokuserer på at inspicere compiled binærer i stedet for at afhænge kun af source code-analyse, måske blive en vigtig del af, hvordan virksomheder sikrer den næste generation af AI-drevet infrastruktur.