ความปลอดภัยไซเบอร์
โครงการนำร่องของ GitHub เปลี่ยนข้อค้นพบด้านความปลอดภัยจาก AI ให้เป็นการแก้ไขโอเพนซอร์ส 55 รายการ

ประเด็นสำคัญการคัดกรองด้วย AI และการตรวจทานโดยมนุษย์ลดผลการค้นพบดิบ 9,791…
ดูเพิ่มเติม
- การคัดกรองด้วย AI และการตรวจทานโดยมนุษย์ลดผลการค้นพบดิบ 9,791 รายการลงเหลือรายงานส่วนตัว 99 ฉบับ
- ผู้ดูแลยังคงควบคุมว่าผลการค้นพบใดจะได้รับการแก้ไขและจะเผยแพร่แพตช์เมื่อใด
- การขยายโครงการนำร่องขึ้นอยู่กับขีดความสามารถในการตรวจทานโดยผู้เชี่ยวชาญซึ่ง GitHub ยอมรับว่ายังไม่สามารถขยาย規模ได้
GitHub รายงานเมื่อวันที่ 17 พฤศจิกายน 2026 ว่า โครงการนำร่องด้านความปลอดภัยที่ทำร่วมกับ Microsoft สร้างการแก้ไข 55 รายการในโครงการโอเพนซอร์ส 6 โครงการ ณ วันที่ 15 พฤศจิกายน 2026 การทดลอง Codename MDASH คัดกรองปัญหาที่อาจเกิดขึ้น 9,791 รายการ จนเหลือรายงานส่วนตัว 99 ฉบับ โดยนักวิจัยตรวจสอบรายงานทุกฉบับ พร้อมแนบหลักฐานยืนยันแนวคิดและข้อเสนอแนะในการแก้ไข
การแก้ไข 14 รายการถูกรวมไว้ในรุ่นที่เผยแพร่แล้ว โครงการเหล่านั้นได้แก่ AutoGPT, Caddy, Express, FastMCP, ImageMagick และ Netty ผู้ดูแลโครงการเป็นผู้ตัดสินใจว่าจะดำเนินการแก้ไขข้อค้นพบใด แก้ไขอย่างไร และเผยแพร่เมื่อใด โดยรายงานและแพตช์ยังคงอยู่บน GitHub
การตรวจสอบโดยมนุษย์ช่วยคัดกรองผลการสแกนให้แคบลง
แนวทางนี้มุ่งแก้ปัญหาการดูแลโครงการที่เกิดจากการสแกนด้วย AI ซึ่งมีต้นทุนถูกลง กล่าวคือ รายงานซ้ำและรายงานที่ไม่ได้ชี้ถึงช่องโหว่จริงก็ใช้เวลาของผู้ดูแลโครงการไปแล้ว ขณะที่การแก้ไขยังต้องอาศัยวิจารณญาณของมนุษย์ GitHub ต้องการให้นักวิจัยปรึกษาผู้ดูแลโครงการก่อนให้โมเดลอื่นตรวจสอบโครงการของพวกเขา และส่งแพตช์มาพร้อมกับข้อค้นพบ
ระบบ Codename MDASH ของ Microsoft สแกนแต่ละโครงการด้วยโมเดล MAI Cyberและเสนอแนวทางแก้ไข เอเจนต์คัดกรองด้วย AI ของ GitHub Security Lab ซึ่งสร้างขึ้นจากทักษะ Copilot ที่ปรับแต่งเฉพาะ ได้ตัดรายการซ้ำ ตรวจสอบความถูกต้อง และมุ่งเน้นไปที่บั๊กที่มีผลกระทบสูง จากนั้นนักวิจัย 7 คนของ Microsoft FORGE Lab ตรวจสอบข้อค้นพบที่เหลือทั้งหมดด้วยตนเอง ก่อนส่งรายงานให้ผู้ดูแลโครงการผ่านระบบรายงานช่องโหว่ส่วนตัวของ GitHub
ผู้ดูแลโครงการนำแพตช์ที่เสนอไปใช้
GitHub ระบุว่าการแก้ไขรายการแรกเผยแพร่ประมาณหนึ่งสัปดาห์หลังการสแกนครั้งแรก ผู้ดูแล Caddy แก้ไขรายงานทั้งหมด 22 ฉบับที่ได้รับภายในหนึ่งสัปดาห์หรือน้อยกว่านั้น ส่วน ImageMagick ซึ่งมีผู้ดูแลเพียง 2 คน ก็ได้รับรายงาน 22 ฉบับเช่นกัน ในกรณีหนึ่ง ผู้ดูแลได้เผยแพร่การแก้ไขภายใน 15 นาที หลังจากสรุประบุบรรทัดโค้ดที่แน่ชัดและแสดงให้เห็นว่าปัญหาซึ่งดูคล้ายกับปัญหาที่คุ้นเคยนั้นแตกต่างออกไป
ที่ AutoGPT รายงานฉบับหนึ่งมาถึง 3 วันหลังจากผู้ดูแลเผยแพร่การตรวจสอบที่ทำงานผิดพลาด และชี้ไปยังบรรทัดที่ถูกต้อง ผู้ดูแลต่อยอดการแก้ไขให้ครอบคลุมมากกว่าแพตช์ที่เสนอ เขียนการแก้ไขเสร็จภายในหนึ่งวัน และนำขึ้นใช้งานจริงภายในเวลาไม่ถึงหนึ่งสัปดาห์หลังจากนั้น ตลอดโครงการนำร่อง ผู้ดูแลใช้ข้อเสนอแนะในการแก้ไขบางรายการตามที่เสนอ และปรับเปลี่ยนรายการอื่น ๆ
ผู้ดูแล Netty รายหนึ่งอธิบายข้อจำกัดที่ยังเหลืออยู่ไว้ว่า “การค้นหาช่องโหว่ไม่ใช่คอขวดของเราอีกต่อไป การแก้ไขต่างหากที่เป็นเรื่องยาก และเรื่องนั้นขึ้นอยู่กับผู้ดูแลโครงการ”
การขยายโครงการขึ้นอยู่กับขีดความสามารถในการตรวจสอบ
GitHub ระบุว่ากลุ่มตัวอย่างโครงการมีขนาดเล็ก ข้อสรุปเป็นเพียงบทเรียนเบื้องต้น และการตรวจสอบด้วยตนเองยังขยายขนาดไม่ได้ในขณะนี้ นักวิจัยใช้เวลาประมาณ 2 วันต่อโครงการเพื่อตรวจสอบข้อค้นพบด้วยตนเอง ขณะที่รายงานคุณภาพต่ำยังคงส่งถึงผู้ดูแลโครงการทุกวัน
GitHub ยังระบุถึงความจำเป็นที่ยังคงมีอยู่ ได้แก่ การทดสอบ CI/CD บนฟอร์กส่วนตัว และการเปิดให้ผู้ดูแลโครงการเข้าถึงโมเดลที่มีความสามารถด้านความปลอดภัยไซเบอร์ การทดสอบจะใช้ตรวจสอบการแก้ไขบนฟอร์กส่วนตัว ส่วนการเข้าถึงโมเดลจะช่วยให้ผู้ดูแลตรวจสอบหลักฐานยืนยันแนวคิดได้ทั้งก่อนและหลังการแก้ไข แนวทางมาตรฐานที่ GitHub แนะนำสำหรับรายงานที่สร้างด้วย AI คือ ตรวจสอบข้อค้นพบแต่ละรายการกับข้อมูลที่โครงการมีอยู่แล้ว แบบจำลองภัยคุกคาม และนโยบายความปลอดภัยของโครงการ รายงานเป็นการส่วนตัว แนบข้อเสนอแนะในการแก้ไข และให้ผู้ดูแลโครงการเป็นผู้กำหนดจังหวะการดำเนินงาน
GitHub วางแผนนำบทเรียนเหล่านี้ไปใช้กับการรายงานช่องโหว่ส่วนตัวและคำแนะนำด้านความปลอดภัย โดยจะเปิดให้โครงการศิษย์เก่าทั้งหมดของ GitHub Secure Open Source Fund ใช้การสแกนความปลอดภัยด้วย AI ซึ่งจะตรวจสอบข้อค้นพบก่อนรายงานเป็นการส่วนตัว รวมถึง GitHub Copilot Max และจะขยายการสนับสนุนไปยังโครงการใน Fund รุ่นต่อ ๆ ไปด้วย ขณะเดียวกัน GitHub และ Microsoft กำลังร่วมกันขยายการตรวจสอบโดยนักวิจัย โดยยังคงรักษากระบวนการตรวจสอบเหล่านั้นไว้
สำหรับการเปิดเผยช่องโหว่โดยใช้ AI ช่วยเหลือ ผลได้ผลเสียจากโครงการนำร่องนี้เห็นได้ชัดเจน กล่าวคือ ระบบอัตโนมัติช่วยลดข้อค้นพบดิบจำนวนมากให้เหลือคิวรายงานส่วนตัวที่จัดการได้ ขณะที่การตรวจสอบโดยผู้เชี่ยวชาญและการควบคุมของผู้ดูแลโครงการเป็นตัวกำหนดว่ารายงานเหล่านั้นจะนำไปสู่การแก้ไขหรือไม่ การขยายโครงการขึ้นอยู่กับการรักษามาตรฐานดังกล่าวไว้ โดยไม่ผลักภาระการคัดกรองกลับไปให้ผู้ดูแลโครงการ












