Colaboradores: Supriti Vijay, Aman Priyanshu, Didier Chapoteau, Arthur Goldblatt, Kimia Majd, Fraser Burch, Jianliang He, Baturay Saglam, Takahiro Matsumoto, Zhuoran Yang
Hoje, a Cisco está apresentando o Antares, uma família de modelos de linguagem pequena (SLMs) de segurança desenvolvidos especificamente para um dos problemas de segurança mais difíceis, demorados e caros: identificar onde existem vulnerabilidades conhecidas em uma base de código.
Estamos lançando dois desses modelos – Antares-350M e Antares-1B – como modelos de peso aberto agora disponíveis para a comunidade mais ampla em Abraçando o rosto. Os testes de referência mostram que esses modelos superam muitos modelos poderosos de peso fechado e aberto nesta tarefa crítica de segurança por uma fração do custo. E são compactos o suficiente para serem executados localmente, evitando a necessidade de enviar bases de código confidenciais para a nuvem.
Ao combinar modelos de peso aberto com Antares, especificações abertas com Especificações de segurança da fundição, orientação de codificação segura com CodeGuarde uma nova referência, estamos trabalhando para definir os tipos de ferramentas de IA práticas e confiáveis que ajudarão os profissionais de segurança cibernética a fazer melhor seu trabalho, bem como cultivar um ecossistema e padrões para uma maior adoção empresarial de ferramentas de segurança de IA.
Figura 1. A família Antares de modelos de linguagem pequena supera uma dúzia de modelos maiores testados no novo Vulnerability Localization Benchmark. (Antares-3B estará disponível em breve.)
Modelos pequenos para um fluxo de trabalho de segurança caro e sensível
A segurança do software program depende da conexão do conhecimento de vulnerabilidades externas, como bancos de dados públicos, avisos e CWEs, ao código interno. Esse trabalho é difícil porque os repositórios são grandes, os sinais de segurança são barulhentos e as evidências relevantes raramente estão em um native óbvio. Os analistas muitas vezes precisam pesquisar códigos desconhecidos, seguir convenções de nomenclatura, inspecionar caminhos de chamada, comparar arquivos candidatos e decidir se um ponto fraco está realmente presente.
Além disso, as organizações precisam de ferramentas de segurança que não sejam apenas capazes, mas também práticas de implantar. Os modelos compactos reduzem os custos de inferência, oferecem suporte a operações locais ou locais e ajudam as equipes a manter o código-fonte confidencial em seu próprio ambiente. A Antares pode desbloquear o poder da segurança assistida por IA para universidades, instituições do setor público e equipes de segurança menores que podem não ter recursos para usar modelos de IA com uso intensivo de tokens para tarefas críticas.
O Antares foi desenvolvido especificamente para resolver ambos os problemas.
“O software program sempre foi fornecido com vulnerabilidades, e vastos conjuntos de códigos legados ainda carregam falhas latentes. A IA agora aborda o problema de ambos os lados: os agentes escrevem mais código e estão cada vez mais capazes de explorá-lo. Isso torna a verificação contínua e barata um controle que precisa ficar próximo ao loop, verificando o código antes que ele chegue. Modelos pequenos são especialmente atraentes aqui: eles são executados localmente, de modo que o código proprietário nunca sai da máquina e são rápidos o suficiente para controlar a saída de um agente em tempo actual. Antares-1b é um bom exemplo: ele reconhece vulnerabilidades no código mostrado, em diversas courses e linguagens de fraqueza. O CLI fornecido empacota os recursos do modelo em um fluxo de trabalho prático, facilitando a varredura de bases de código, inspecionando descobertas e integrando-as em pipelines automatizados.
— Reza Shokri, Professor Associado de Ciência da Computação na Universidade Nacional de Cingapura (NUS)“A segurança não pode ser um bem de luxo, mas a detecção avançada baseada em IA pertence em grande parte a organizações com orçamentos em escala de fronteira. Os resultados da Antares mudam essa equação: precisão quase-fronteira no raciocínio de código seguro por uma fração do custo, rápido o suficiente para ser executado em cada commit. No momento em que os invasores já estão usando IA, esse tipo de eficiência não é algo agradável de se ter; é o que torna possível a verificação de segurança sempre ativa para todas as equipes.”
— Amin Saberi, professor de ciência e engenharia de gestão e diretor do laboratório de linguagem, dados e raciocínio da Universidade de Stanford
O que torna Antares diferente
As ferramentas tradicionais de análise estática são valiosas, mas muitas vezes exigem muitas regras e podem produzir resultados que exigem uma triagem substancial. Os modelos de codificação de uso geral podem raciocinar sobre o código, mas podem não ser otimizados para investigação de segurança, navegação de terminal ou localização estruturada de vulnerabilidades.
Antares foi projetado para esse meio-termo. Antares foi inspirado por uma pesquisa pioneira da equipe de IA da Cisco Basis, que mostra que modelos compactos podem aprender a pesquisar, refletir, revisar sua estratégia e voltar atrás quando um caminho é improdutivo. Em outras palavras, o comportamento de recuperação útil pode vir de estratégias de busca aprendidas, não apenas da escala do modelo. A próxima questão period se a mesma ideia poderia ajudar com um problema urgente de segurança do mundo actual: localização de código vulnerável.
Antares segue um padrão de pesquisa iterativo que se assemelha ao modo como um investigador humano trabalha em um repositório. Cada modelo começa com uma descrição de vulnerabilidade, procura padrões de código relevantes, lê arquivos candidatos, incorpora novas evidências, muda de direção quando um caminho é inútil e se concentra nos arquivos com maior probabilidade de serem importantes. O objetivo não é substituir o julgamento de especialistas, mas sim ajudar a tornar os primeiros estágios da triagem de vulnerabilidades do código-fonte mais rápidos, repetíveis e fáceis de revisar.
Na prática, o Antares pode suportar fluxos de trabalho como:
- localizar arquivos relacionados a uma categoria CWE em um instantâneo de repositório
- triagem de investigações de segurança orientadas por consultoria
- aumentando a análise estática com exploração de repositório orientada por modelo
- suporte a fluxos de trabalho de triagem de CI/CD onde arquivos prováveis vulneráveis precisam de revisão antecipada
- permitindo análise de segurança native em ambientes com requisitos rígidos de privacidade ou conformidade
Antares gera uma lista classificada de arquivos de origem que provavelmente contêm uma vulnerabilidade relevante, juntamente com o rastreamento de exploração do terminal que levou a esse resultado. As equipes de segurança podem usar esse resultado para priorizar a revisão dos analistas durante a triagem consultiva, investigações focadas de CWE ou verificações de segurança de CI/CD. O Antares não pretende substituir a cadeia de ferramentas mais ampla de segurança de aplicativos. As equipes de segurança ainda precisam de análise de dependência e composição de software program, verificação de segredos, testes dinâmicos, verificações de infraestrutura e contêineres, modelagem de ameaças, fluxos de trabalho de remediação e revisão especializada.
Por que precisávamos de um novo benchmark
Construir um modelo para localização de código vulnerável levantou um problema imediato de medição. Não poderíamos confiar apenas em benchmarks gerais de codificação, porque o Antares não tem como objetivo a resolução geral de problemas, geração de patches ou pesquisa ampla de código. Ele é adaptado para tarefas de localização específicas de segurança: dado o contexto de segurança limitado, ele identifica os arquivos de origem com maior probabilidade de conter uma vulnerabilidade.
A obra adjacente mais próxima é CodeScoutque avalia agentes de pesquisa de código baseados em terminal em benchmarks de engenharia de software program, como SWE-Bench Verified, Professional e Lite. CodeScout mostra que a localização de código pode ser treinada e medida com um terminal Unix padrão. Mas esses benchmarks normalmente medem se um agente pode encontrar código relevante para um problema de software program ou tarefa de desenvolvimento, e não se pode localizar arquivos vulneráveis a partir de descrições de segurança no estilo CWE, avisos de segurança ou courses de vulnerabilidade.
Essa lacuna inspirou o Referência de localização de vulnerabilidadesum benchmark de 500 tarefas que exige que os modelos naveguem simultaneamente em bases de código desconhecidas com eficiência e reconheçam padrões de vulnerabilidade associados a categorias CWE específicas.
Por que peso aberto
Estamos lançando o Antares como open-weight porque a comunidade de segurança precisa de blocos de construção mais acessíveis para uma defesa prática em nível de repositório.
Figura 2. No benchmark de localização de vulnerabilidades, o
A triagem de vulnerabilidades é cara. Requer experiência, tempo, infraestrutura e acesso a códigos confidenciais. Esses custos são sentidos de forma mais acentuada por organizações que já operam com recursos de segurança limitados: universidades, instituições de investigação, organizações sem fins lucrativos e equipas do setor público que ainda mantêm software program importante.
Um passo em frente focado
Antares faz parte de um esforço mais amplo da Cisco para avançar na forma como as organizações de segurança usam a IA de forma responsável, mensurável e a serviço dos defensores. Com Especificações de segurança da fundiçãoa Cisco compartilhou um modelo independente de modelo para construir sistemas de avaliação de segurança de agentes com funções claras, proteções e resultados revisáveis. Com CodeGuarda Cisco ajudou a contribuir com regras e habilidades seguras por padrão que podem orientar os agentes de codificação de IA em direção ao desenvolvimento de software program mais seguro. Com o Antares, estamos adicionando modelos de segurança compactos e um benchmark focado na localização de vulnerabilidades em nível de repositório.
Os esforços da Cisco estão ligados por uma crença comum: a IA na segurança tem de ir além de impressionantes demonstrações únicas e avançar em direção a sistemas que os profissionais possam avaliar, governar e melhorar. O Foundry Safety Spec ajuda a definir a estrutura em torno do trabalho de segurança dos agentes. CodeGuard ajuda a elevar o nível de prevenção, capturando práticas de codificação seguras em um corpus de regras reutilizáveis. Antares ajuda na cara etapa de localização, restringindo a inteligência de vulnerabilidade em arquivos de origem que os revisores humanos podem inspecionar.
Em conjunto, este trabalho pode ajudar a comunidade a construir uma base mais durável para a defesa assistida por IA: especificações abertas, conhecimento de segurança reutilizável, modelos compactos implementáveis e benchmarks que tornam o progresso mensurável. O objetivo é construir um sistema onde todos os profissionais de segurança, independentemente das restrições locais ou de recursos, possam incorporar efetivamente a IA nas operações de segurança diárias.
Visite nosso Abraçando a página de rosto para explorar os modelos Antares e revisar o cartão de modelo. Para saber mais sobre o benchmark e a metodologia de avaliação, leia o artigo técnicoou entre em contato com a Cisco Basis AI.