RevEng Mengumpulkan $4,15 Juta untuk Mengamankan Rantai Pasokan Perangkat Lunak dengan AI

London-based RevEng telah mengumpulkan $4,15 juta dalam pendanaan awal, didukung oleh Sands Capital, In-Q-Tel Capital, IQ Capital, dan Episode 1 Ventures, untuk membangun model AI dasar yang mampu mendeteksi ancaman dan kerentanan dalam perangkat lunak yang dikompilasi tanpa akses ke kode sumber. Seperti yang diperkirakan oleh McKinsey, peluang pasar keamanan siber global bisa mencapai $1,5 hingga $2 triliun, investasi ini memposisikan RevEng untuk memainkan peran penting dalam mengubah cara organisasi mempertahankan rantai pasokan perangkat lunak mereka—terutama dalam era di mana alat tradisional kesulitan mengikuti kode yang dihasilkan AI dan komponen pihak ketiga yang tidak transparan.

Mengatasi Kekurangan dalam Pertahanan Siber

Dunia perusahaan sedang berjuang dengan lonjakan serangan rantai pasokan perangkat lunak yang belum pernah terjadi sebelumnya—45% dari organisasi diprediksi akan mengalami pelanggaran tersebut tahun ini. Masalah ini diperburuk karena ketergantungan pada komponen sumber terbuka dan kode yang dihasilkan AI meningkat, sementara sebagian besar alat keamanan memerlukan akses ke kode sumber untuk mendeteksi kerentanan tersembunyi.

RevEng mengatasi kesenjangan kritis ini dengan menganalisis perangkat lunak biner secara langsung—mengexaminasi kode yang dikompilasi, firmware, dan eksekusi untuk mendeteksi anomali seperti pintu belakang tersembunyi, perilaku berbahaya, atau kerentanan zero-day.

BinNet™: Mesin AI di Balik Inovasi

Inti dari platform ini adalah BinNet™, model AI dasar terbesar yang dibangun untuk memahami semantik kode mesin. Ini dilatih pada dataset biner yang beragam (x86, x86_64, ARM64) dan bahasa pemrograman (C, C++, Go, Rust), memungkinkannya untuk:

• Membangun kembali logika program dan aliran tingkat yang lebih tinggi
• Mendeteksi ancaman dan kerentanan yang tidak diketahui dalam skala besar
• Menghasilkan aturan YARA secara otomatis untuk pencarian ancaman
• Menguraikan malware yang diobfuskasi menggunakan sandboxing dinamis
• Mengemulasi fungsi untuk mengekstrak string yang dienkripsi

Platform RevEng menggunakan model pembelajaran mesin yang canggih yang dilatih secara khusus untuk memahami struktur dan perilaku perangkat lunak yang dikompilasi. Dengan menganalisis aliran kontrol, hubungan fungsi, dan pola tingkat instruksi, dapat mengekstrak wawasan yang bermakna dari biner—mengidentifikasi komponen berbahaya, mendeteksi kerentanan zero-day, dan mengungkap pintu belakang tersembunyi. Ini memungkinkan tim keamanan untuk menilai integritas paket perangkat lunak, bahkan ketika kode sumber tidak tersedia, mengubah eksekusi yang sebelumnya tidak dapat diakses menjadi artefak yang transparan dan dapat diverifikasi.

Kepemimpinan dan Dukungan Strategis

Di bawah kepemimpinan RevEng adalah Dr. James Patrick-Evans, seorang ahli yang diakui secara global dalam AI dan pembelajaran mesin untuk analisis biner. Dengan gelar PhD dalam Keamanan Siber dan AI dari Royal Holloway, dan peran sebelumnya di F‑Secure, Mozilla, dan MWR, ia membawa keahlian yang mendalam dalam rekayasa perangkat lunak yang aman dan deteksi ancaman tingkat rendah. Tujuannya adalah untuk menskalakan kemampuan reverse engineering—tradisional yang terbatas pada spesialis elit—melalui otomatisasi dan AI.

Perusahaan ini telah mendapatkan kredibilitas melalui pemilihan ke dalam dua program yang sangat dihormati: NCSC untuk Startups dan Intel (INTC ) Ignite 2024. Akselerator ini memberikan RevEng akses kritis ke jaringan keamanan pemerintah, penasihat teknis, dan kemitraan komersial—termasuk di dalam Intel itu sendiri—mempercepat baik pengembangan produk dan masuk pasar.

Apa yang Akan Datang

Setelah mengumpulkan $4,15 juta dalam pendanaan awal, RevEng akan memperluas kehadirannya di sektor federal dan pertahanan AS sambil menskalakan tim tekniknya. Rencana masa depan termasuk memperluas platform untuk mendukung arsitektur tambahan seperti MIPS, RISC‑V, dan PPC, mengembangkan pencocokan simbol antar arsitektur, dan memperdalam integrasi dengan alat seperti Splunk, Cutter, dan Radare2. Platform ini juga akan mendukung penerapan awan pribadi dan on-premise, memungkinkan kepatuhan penuh dengan kebijakan data perusahaan dan pemerintah.

Dalam pasar keamanan siber yang diproyeksikan melebihi $2 triliun, RevEng secara unik diposisikan untuk menghadirkan solusi AI-asli yang bekerja pada tingkat biner—mengungkap kerentanan tersembunyi dalam perangkat lunak di mana alat tradisional tidak mencukupi. Seperti yang dikomentari oleh Sands Capital, “RevEng mengatasi tantangan kritis dalam keamanan siber dengan pendekatan inovatifnya. Kami bangga mendukung visi mereka…”

Dengan kredibilitas teknis, dukungan strategis, dan traksi komersial yang tumbuh, RevEng diposisikan untuk menjadi kekuatan dasar dalam mengamankan rantai pasokan perangkat lunak modern.

Masa Depan Keamanan Siber

Ketika rantai pasokan perangkat lunak menjadi lebih terfragmentasi, tidak transparan, dan saling bergantung secara global, metode keamanan tradisional—yang bergantung pada akses kode sumber atau audit manual—tidak lagi memadai. Munculnya pemindaian kode yang dikompilasi yang ditenagai oleh pembelajaran mesin mewakili titik balik besar. Model ini tidak hanya menandai kerentanan yang diketahui—mereka menafsirkan perilaku dan struktur biner untuk mengungkap ancaman baru, bahkan dalam lingkungan black-box.

Perubahan ini mencerminkan pergeseran industri yang lebih luas menuju infrastruktur keamanan siber yang otonom dan dapat diskalakan—di mana AI tidak hanya melengkapi analis tetapi menjadi prasyarat untuk mengikuti. Dalam dunia di mana lebih dari 300.000 sampel malware baru muncul setiap hari dan 70% tidak pernah terlihat lagi, analisis biner yang otomatis menawarkan salah satu jalur yang paling layak untuk mempertahankan visibilitas waktu nyata di seluruh tumpukan perangkat lunak.

Model dasar seperti yang mendorong reverse engineering yang didorong AI akan semakin mendukung upaya keamanan nasional, pipa SecOps, dan bahkan proses pengadaan perangkat lunak. Kemampuan mereka untuk memverifikasi integritas kode dalam skala besar—tanpa memandang transparansi vendor—akan mendefinisikan kembali bagaimana kepercayaan dibangun dalam ekosistem digital. Dengan waktu, teknologi ini bisa menjadi sama pentingnya bagi keamanan siber seperti mesin antivirus di era sebelumnya.