L’IA a renforcé et supprimé la détection de vulnérabilités possibles. Sans embargo, les corregirls ont besoin de critères humains, et dans le logiciel de code ouvert, cette tarea est retrouvée dans les gestionnaires. Vous recevez ainsi une avalanche d’informations de sécurité générées par IA, y compris des duplicatas et des informations qui ne représentent pas de vulnérabilités.

Les responsables de l’entretien ont une pression intense due à cette avalanche d’informations. C’est Christian Grobmeier, l’un des responsables de la maintenance de Log4j, qui a déclaré que l’IA défendait le code ouvert qui était le meilleur pour l’IA qu’il attaquait.

L’IA ne devra pas augmenter la charge de travail des responsables de la maintenance. Par conséquent, GitHub et Microsoft ont réussi à créer un projet pilote : l’IA pourrait-elle aider à implémenter des corrections au lieu de proposer plus de problèmes ?

GitHub et Microsoft utilisent Codename MDASH, l’outil d’analyse multimodale de Microsoft, pour découvrir et corriger les vulnérabilités de sécurité dans un logiciel de code ouvert largement utilisé, renforçant ainsi la base sur laquelle est construite la grande partie du code du monde.

Trouver et corriger les vulnérabilités du logiciel

Le programme pilote a deux objectifs : envoyer seul les hallazgos pertinents et ne jamais envoyer à un responsable de maintenance un hallazgo non vérifié. C’est comme ça qu’il se comporte :

  1. Trouver. Le système d’intelligence artificielle MDASH, avec le nom en clé, développé par Microsoft Security, a analysé chaque projet en utilisant le modèle MAI Cyber ​​de Microsoft et a proposé des solutions pour les problèmes détectés.
  1. Filtre. Un agent de tri de l’IA du GitHub Security Lab, basé sur les capacités personnalisées de Copilot, a éliminé les doublons, vérifié la validation et s’est concentré sur les erreurs de haut impact, car les responsables de la gestion n’ont jamais à réviser les résultats bruts de l’essai.
  1. Vérification. Les enquêteurs du laboratoire Microsoft FORGE examinent manuellement toutes les hallazgos restantes.
  1. Informer de forme privée. Les informations seront envoyées aux responsables de la gestion du système d’informations sur les vulnérabilités privées de GitHub, qui incluent une étude de conception et une solution suggérée.
  1. Correction. Les responsables de la maintenance décident de corriger, comme corrige et cuándo.

Les informations et les corrections sont envoyées sur GitHub, où vous travaillez les responsables de la gestion.

En conséquence, le projet Codename MDASH, qui utilise le modèle MAI Cyber ​​de Microsoft, a identifié des kilomètres de problèmes possibles dans ses projets. Selon la classification intermédiaire IA et la révision du manuel par les enquêteurs de Microsoft FORGE Lab, les responsables de la maintenance ont reçu 99 informations privées. Le 15 novembre, j’avais corrigé 55 d’entre eux, et le 14 était inclus dans une version.

Ayudar a mejorar la seguridad de la chaîne de suministro

Lors de l’analyse de Codename MDASH, ses projets open source populaires ont rassemblé 9 791 hallazgos initiales et 99 corrections vérifiées, qui ont été communiquées aux responsables des projets par des informations privées. Les responsables sont en train de mettre en œuvre ces corrections, contribuant ainsi à améliorer la sécurité de la chaîne de gestion des logiciels.

Cette initiative est au point que GitHub a apporté des années de recommandation aux personnes qui maintiennent les projets de code ouverts. Ses projets analysés ont été formés dans le cadre du GitHub Secure Open Source Fund, un programme qui consacre chaque projet à 10 000 dollars grâce aux sponsors de GitHub, ainsi qu’à la formation pratique en cybersécurité.

Maintenant, GitHub étend cette analyse de sécurité basée sur l’IA à tous les projets qui ont participé au programme, qui comptent 216 participants. Les éventuels problèmes détectés seront révisés et vérifiés avant de communiquer de manière privée avec vos responsables.

A lire également