Altar-1: paikallinen AI-malli haavoittuvuuksien löytöön

Belgialainen Aikido Security on esitellyt Altar-1:n, haavoittuvuuksien löytämiseen ja koodianalyysiin tarkoitetun tekoälymallin, jota voidaan ajaa organisaation omassa paikallisessa infrastruktuurissa.

Aikidon mukaan mallin saatavilla olevat painot ja paikallinen käyttöönotto vähentävät riippuvuutta pilvipalveluista ja estävät arkaluonteisen koodin sekä tietoturvatulosten päätymisen sisäverkkojen ulkopuolelle.

Altar-1:tä ei koulutettu alusta asti. Aikido rakensi sen Z.AI:n GLM-5.3-mallin pohjalta ja pienensi mallia kvantisoinnilla sekä asiantuntijaosioita karsimalla.

Aikidon mukaan GLM-5.3:n täysi versio on kooltaan noin 1,51 teratavua. Kvantisointi pienensi koon 488 gigatavuun ja karsinta edelleen 328 gigatavuun.

Karsinnassa Aikido poisti 88:aa 256 asiantuntijaosiosta eli noin 34,4 prosenttia osioista.

Aikidon mukaan Altar-1 on optimoitu ohjelmistojen haavoittuvuuksien tunnistamiseen, koodianalyysiin, työkalukutsuihin, päättelyyn ja penetraatiotestauksen työnkulkuihin. Mallia voidaan ajaa neljällä H200-GPU:lla vLLM:ää käyttäen.

Yritys korostaa mallin merkitystä organisaatioille, jotka eivät voi sallia koodin tai tietoturvatietojen poistumista sisäverkoistaan. Tällaisia ovat erityisesti pankki-, terveydenhuolto- ja kriittisen infrastruktuurin ympäristöt.

Arviointia varten Aikido testasi Altar-1:tä 32 tunnetulla haavoittuvuudella 30 koodivarastossa. Altar-1 havaitsi yhteensä 60,4 prosenttia haavoittuvuuksista ja löysi vähintään yhden esiintymän 23:ssa 32:sta haavoittuvuudesta.

Vertailun vuoksi Aikido raportoi kvantisoidun GLM-5.3:n havaitsemisasteeksi 61,5 prosenttia ja alkuperäisen GLM-5.3:n 65,6 prosenttia. Aikido toteutti testin itse ja huomauttaa, etteivät tulokset välttämättä vastaa suorituskykyä tuntemattomien haavoittuvuuksien tai todellisten käyttöolosuhteiden kohdalla.

Aikidon mukaan Altar-1 on Aikido Labsin ensimmäinen askel suunnitelmassa kehittää omistettuja tietoturvamalleja haavoittuvuustutkimukseen, koodianalyysiin, automatisoituihin korjauksiin ja kehittyneeseen penetraatiotestaukseen. Mallin painot on julkaistu Hugging Facessa, ja paikallista käyttöönottoa tuetaan.

Tekninen huomautus: Hugging Facen sivulla Altar-1 kuvataan noin 504 miljardin parametrin malliksi, kun taas 328 gigatavun luku viittaa INT4-painojen kokoon. Aikido varoittaa, ettei näitä kahta lukua pidä pitää suoraan vertailukelpoisina.