एक्रोनिस एससीएस और प्रमुख अकादमिक साथी एआई-आधारित जोखिम स्कोरिंग मॉडल विकसित करने के लिए साझेदार

साइबर सुरक्षा कंपनी एक्रोनिस एससीएस ने कृत्रिम बुद्धिमत्ता (एआई) का उपयोग करके सॉफ्टवेयर में सुधार करने के लिए प्रमुख अकादमिक साथियों के साथ साझेदारी की है। इस साझेदारी ने एक एआई-आधारित जोखिम स्कोरिंग मॉडल विकसित किया है जो सॉफ्टवेयर कोड की कमजोरियों का मात्रात्मक मूल्यांकन करने में सक्षम है।

नई मॉडल ने अपने पहले चरण के विश्लेषण के दौरान सामान्य कमजोरियों और एक्सपोज़र (सीवीई) का पता लगाने में 41% की सुधार दिखाया। इसके बाद के परीक्षणों में भी समान रूप से प्रभावशाली परिणाम मिले, और एक्रोनिस एससीएस मॉडल को पूरा होने पर साझा करने के लिए तैयार है।

सॉफ्टवेयर विक्रेता और सार्वजनिक क्षेत्र

इस प्रौद्योगिकी का सबसे बड़ा पहलू यह है कि इसे अन्य सॉफ्टवेयर विक्रेताओं और सार्वजनिक क्षेत्र के संगठनों द्वारा उपयोग किया जा सकता है। इसके उपयोग से, सॉफ्टवेयर आपूर्ति श्रृंखला सत्यापन में सुधार किया जा सकता है बिना नवाचार या छोटे व्यवसाय के अवसर को नुकसान पहुंचाए, और यह संगठनों के लिए एक सस्ता उपकरण है।

एक्रोनिस एससीएस के एआई-आधारित मॉडल में एक गहरे शिक्षण न्यूरल नेटवर्क होता है जो खुले स्रोत और प्रोप्राइटरी स्रोत कोड दोनों को स्कैन करता है। यह निष्पक्ष मात्रात्मक जोखिम स्कोर प्रदान कर सकता है जिसका उपयोग आईटी प्रशासक नए सॉफ्टवेयर पैकेजों को तैनात करने और मौजूदा लोगों को अपडेट करने से संबंधित निर्णय लेने के लिए कर सकते हैं।

कंपनी कोड को एम्बेड करने के लिए भाषा मॉडल का उपयोग करती है। एक प्रकार का गहरा शिक्षण, भाषा मॉडल एक एम्बेडिंग परत के साथ एक पुनरावृत्त न्यूरल नेटवर्क (आरएनएन) को जोड़ती है। अप-सैंपलिंग तकनीकों और वर्गीकरण एल्गोरिदम जैसे कि बूस्टिंग, रैंडम फॉरेस्ट और न्यूरल नेटवर्क का उपयोग मॉडल को मापने के लिए किया जाता है।

डॉ जो बार एक्रोनिस एससीएस के वरिष्ठ निदेशक अनुसंधान हैं।

“हम कोड को एम्बेड करने के लिए भाषा मॉडल का उपयोग करते हैं। भाषा मॉडल एक प्रकार का गहरा शिक्षण है जो एक एम्बेडिंग परत के साथ एक पुनरावृत्त न्यूरल नेटवर्क (आरएनएन) को जोड़ती है,” डॉ बार ने यूनाइट.एआई को बताया।

“इनपुट में फंक्शन जोड़े (फंक्शन, टैग) होते हैं और आउटपुट एक संभावना पी (वाई = 1 | एक्स) है कि एक फंक्शन हैक (बगी) के लिए कमजोर है। चूंकि सकारात्मक टैग दुर्लभ हैं, हम विभिन्न अप-सैंपलिंग तकनीकों और वर्गीकरण एल्गोरिदम (जैसे कि बूस्टिंग, रैंडम फॉरेस्ट और न्यूरल नेटवर्क) का उपयोग करते हैं। हम “गुडनेस” को आरओसी/एयूसी और एक प्रतिशत लिफ्ट (शीर्ष के प्रतिशत में “बैड्स” की संख्या, के = 1,2,3,4,5) द्वारा मापते हैं।”

कुशल सत्यापन प्रक्रिया

इस प्रौद्योगिकी का एक और बड़ा अवसर इसकी क्षमता है कि यह सत्यापन प्रक्रिया को बहुत अधिक कुशल बना सकती है।

“सप्लाई चेन सत्यापन, एक सत्यापन प्रक्रिया के भीतर रखा गया, बगी/कमजोर कोड की पहचान करने में मदद करेगा और सत्यापन प्रक्रिया को कई गुना अधिक कुशल बना देगा,” उन्होंने जारी रखा।

जैसा कि सभी एआई और सॉफ्टवेयर के साथ है, यह समझना और संबोधित करना आवश्यक है कि कोई भी संभावित जोखिम है। जब उनसे पूछा गया कि क्या खुले स्रोत सॉफ्टवेयर (ओएसएस) के लिए कोई विशिष्ट जोखिम हैं, डॉ बार ने कहा कि दोनों सामान्य और विशिष्ट जोखिम हैं।

“सामान्य जोखिम और विशिष्ट जोखिम हैं,” उन्होंने कहा। “सामान्य जोखिम में ‘निर्दोष’ बग शामिल हैं जो एक दुर्भाग्यपूर्ण अभिनेता द्वारा शोषित किए जा सकते हैं। विशिष्ट जोखिम एक विरोधी अभिनेता (जैसे कि राज्य-प्रायोजित एजेंसी) से संबंधित हैं जो खुले स्रोत में बग जानबूझकर पेश करते हैं जो किसी बिंदु पर शोषित किए जा सकते हैं।”

विश्लेषण के प्रारंभिक परिणाम आईईईई में प्रकाशित किए गए थे जिसका शीर्षक था “संयोजन कोड वर्गीकरण और कमजोरता”।