Acronis SCS dan Akademisi Terkemuka Bermitra untuk Mengembangkan Model Penilaian Risiko Berbasis AI

Perusahaan perlindungan siber AS Acronis SCS telah bermitra dengan akademisi terkemuka untuk meningkatkan perangkat lunak melalui penggunaan kecerdasan buatan (AI). Kolaborasi ini mengembangkan model penilaian risiko berbasis AI yang dapat menilai kerentanan kode perangkat lunak secara kuantitatif.

Model baru ini menunjukkan peningkatan 41% dalam mendeteksi kerentanan dan eksposur umum (CVEs) selama tahap analisis pertama. Tes-tes berikutnya menghasilkan hasil yang sama mengesankan, dan Acronis SCS akan membagikan model tersebut setelah selesai.

Penyedia Perangkat Lunak dan Sektor Publik

Salah satu aspek terbesar dari teknologi ini adalah bahwa dapat digunakan oleh penyedia perangkat lunak lain dan organisasi sektor publik. Dengan penggunaannya, validasi rantai pasokan perangkat lunak dapat ditingkatkan tanpa merugikan inovasi atau kesempatan bisnis kecil, dan ini adalah alat yang terjangkau bagi organisasi tersebut.

Model berbasis AI dari Acronis SCS mengandalkan jaringan saraf dalam yang memindai kode sumber terbuka dan kode sumber milik. Ini dapat menyediakan skor risiko kuantitatif yang tidak memihak yang dapat digunakan administrator IT untuk membuat keputusan akurat tentang penerapan paket perangkat lunak baru dan memperbarui yang sudah ada.

Perusahaan menggunakan model bahasa untuk menyematkan kode. Sebuah bentuk pembelajaran dalam, model bahasa menggabungkan lapisan penyematan dengan jaringan saraf berulang (RNN). Teknik pengambilan sampel dan algoritma klasifikasi seperti boosting, hutan acak, dan jaringan saraf digunakan untuk mengukur model.

Dr. Joe Barr adalah Direktur Riset Senior Acronis SCS.

“Kami menggunakan model bahasa untuk menyematkan kode. Model bahasa adalah bentuk pembelajaran dalam yang menggabungkan lapisan penyematan dengan jaringan saraf berulang (RNN),” kata Dr. Barr kepada Unite.AI.

“Masukan terdiri dari pasangan fungsi (fungsi, tag) dan keluaran adalah probabilitas P(y=1 | x) bahwa sebuah fungsi rentan terhadap peretasan (buggy). Karena tag positif jarang, kami menggunakan berbagai teknik pengambilan sampel dan algoritma klasifikasi (seperti boosting, hutan acak, dan jaringan saraf). Kami mengukur ‘kebaikan’ dengan ROC/AUC dan lift persentil (jumlah ‘jelek’ di persentil atas, k=1,2,3,4,5).”

Proses Validasi yang Efisien

Peluang lain yang besar untuk teknologi ini adalah kemampuannya untuk membuat proses validasi jauh lebih efisien.

“Validasi rantai pasokan, ditempatkan di dalam proses validasi, akan membantu mengidentifikasi kode yang bermasalah/rentan dan akan membuat proses validasi lebih efisien dengan beberapa tingkat magnitudo,” lanjutnya.

Seperti semua AI dan perangkat lunak, sangat penting untuk memahami dan mengatasi risiko potensial. Ketika ditanya apakah ada risiko unik untuk perangkat lunak sumber terbuka (OSS), Dr. Barr mengatakan ada risiko umum dan khusus.

“Ada risiko umum dan risiko khusus,” katanya. “Risiko umum termasuk ‘bug’ yang tidak disengaja dalam kode yang mungkin dieksploitasi oleh aktor yang berbahaya. Risiko khusus terkait dengan aktor yang berlawanan (seperti lembaga yang disponsori negara) yang sengaja memperkenalkan bug ke dalam sumber terbuka untuk dieksploitasi pada suatu titik.”

Hasil awal analisis dipublikasikan di IEEE dengan judul “Klasifikasi Kode Kombinatorial dan Kerentanan.”