Atlas: סוכן ה-AI של Wiz למחקר ואימות פגיעויות
אמ;לק
חברת Wiz הציגה כלי המשתמש ב-AI אוטונומי כדי למצוא ולאמת פגיעויות במערכות. הכלי מבצע בדיקה פעילה שמוכיחה אם הפירצה אכן ניתנת לניצול.
סיכום בעברית: מערכת VibeSec · מדיניות המקורות
נוסף ל-VibeSec:
כותרת מקורית: Atlas: Wiz's autonomous AI Agent for vulnerability research, ranked #1 on CyberGym

התוכן המלא בעברית
תרגום אוטומטי מהמקור; מונחים טכניים נשארו באנגלית. לנוסח המחייב — הכתבה המקורית.
במהלך החודשים האחרונים, צוות Wiz Research בנה ובדק את Atlas, מערכת AI אוטונומית למחקר פגיעויות, מול כמה מפרויקטי הקוד הפתוח המבוקרים ביותר בעולם. כיום Atlas מדורגת במקום הראשון ב-CyberGym – אמת המידה הציבורית לעבודת פגיעויות מבוססת AI – עם אחוזי הצלחה של 90.9%. בבדיקות שלנו, המערכת חשפה יותר מ-200 נקודות תורפה שלא היו ידועות בעבר בקוד פתוח בשימוש נרחב, שעבר תהליכי Fuzzing ונבדק במשך עשרות שנים.
Atlas נבנה כחלק ממאמץ רחב יותר להבין כיצד ניתן להשתמש במודלים מתקדמים (Frontier models) כדי לספק AI SAST בקנה מידה רחב ולהנגיש סריקת קוד מתקדמת לכל ארגון. המשמעות הייתה מעבר מניתוח יקר ונקודתי למערכת רציפה שיכולה לפעול בצורה כלכלית על כל בסיס קוד ולהפיק ממצאים מאומתים שצוותי אבטחה ופיתוח יכולים לסמוך עליהם ולפעול לפיהם. זו הסיבה שביצענו אופטימיזציה ל-Atlas הן ליעילות עלות והן לדיוק: ניתוח עמוק חייב להיות חסכוני מספיק כדי לפעול בהיקפים גדולים, וכל ממצא מדווח מאומת באמצעות הוכחת ניצול (Exploit) עובדת שנוצרת על ידי המערכת, מה ששומר על שיעור חיובי כוזב (False Positives) נמוך.
לאורך הדרך, למדנו שהיתרון העמיד אינו טמון במודל בודד, אלא במערכת שסביבו: כיצד סריקות מוגדרות, מתוזמרות, מאומתות והופכות לתוצאות אבטחה שניתן לפעול לפיהן. הפוסט הזה הוא מבט טכני על אופן הפעולה של Atlas, מה למדנו מבנייתו על אבטחת קוד מבוססת AI הניתנת להרחבה, אחת מהפגיעויות שהוא חשף, וכיצד הוא משתלב במערכת האבטחה הסוכנתית הרחבה יותר שאנו בונים ב-Wiz.
ראוי גם לציין שאחת הסיבות להצטרפות Wiz ל-Google הייתה היכולת לשתף פעולה במודלים מתקדמים של AI עבור מגיני סייבר. מאז שהפכנו לחלק מ-Google Cloud, ניצלנו זאת במלואו על ידי עבודה עם הצוות ב-DeepMind כדי לקבל משוב על Atlas.
מאז הפרסום הראשוני שלנו, מסחרנו את Atlas ל-Wiz AI SAST, והבאנו גילוי פגיעויות ברמה מתקדמת ללקוחות Wiz Code.
כדי להעריך את Atlas, כיוונו אותו לכמה מפרויקטי הקוד הפתוח הנסקרים ביותר בעולם - כולל grpc, dnsmasq, Kubernetes, gVisor, ה-Kernel של Linux ו-containerd. במהלך הסריקות הללו, Atlas חשף יותר מ-200 נקודות תורפה שלא היו ידועות בעבר. באופן מכריע, כל ממצא אומת באופן אוטונומי מקצה לקצה על ידי המערכת הסוכנת שלנו, מעבר לחשד שנוצר על ידי מודל להוכחה ניתנת לשחזור של בעיית אבטחה אמיתית. הממצאים משתרעים על מגוון סוגי פגיעויות ומציגים את יכולת ההסקה של Atlas לגבי בסיסי קוד מורכבים שכבר נותחו, עברו Fuzzing ונבדקו במשך עשרות שנים.
אנו עובדים על חשיפה אחראית של כל ממצא לבעלי התחזוקה הרלוונטיים ומונעים פרטים טכניים עד שתיקונים יהיו זמינים.
אחד הממצאים המעניינים ביותר ממחקר זה היה גילוי פגיעות RCE קריטית ב-GitHub (CVE-2026-3854). תגלית זו – שהובילה לפרס הבאג באונטי הגדול ביותר ששולם אי פעם בהיסטוריה של GitHub – משמשת כהמחשה רבת עוצמה ליכולות של Atlas: החוקר שחשף את הבאג השתמש בכלי מבוסס AI ששימש כגרסה מוקדמת של מערכת Atlas. אותה גרסה מוקדמת שיחקה גם תפקיד מפתח בחשיפת אחת מפגיעויות הענן החמורות ביותר שהתגלו אי פעם, עליה נדון בהרצאה הקרובה שלנו ב-Black Hat.
למה מדובר במערכת (System) ולא במודל (Model)
יצאנו למצוא דרך ניתנת להרחבה ליישום מודלים מתקדמים על אבטחת קוד: דרך שיכולה לרוץ לעומק על פני בסיסי קוד רבים, להשתפר ככל שהמודלים מתפתחים, לייצר ממצאים שאנשי אבטחה יכולים לסמוך עליהם ולהישאר כדאית כלכלית בקנה מידה ארגוני רציף. תכננו את Atlas סביב ארבעה עקרונות:
• שימוש במודל הנכון לכל משימה. היגיון ניצול, תעדוף (Triage) וניתוח ממוקד דורשים חוזקות ופרופילי עלויות שונים.
• הפיכת הניתוח לעמוק וחסכוני. יש לשמור את המודלים המתקדמים והיקרים למשימות הדורשות אותם, בעוד מודלים קטנים יותר מטפלים בעבודה מוגדרת היטב בקנה מידה רחב.
• בנייה לשינוי מתמיד במודלים. מודלים ויכולות חדשים צריכים להשתלב זה בזה ולאפשר למערכת להשתפר ללא הרף, תוך שמירה על יציבות הארכיטקטורה הבסיסית שלה.
• אמת כל תוצאה. הממצאים חייבים לעבור מעבר לפלט מודל סביר להוכחה ניתנת לשחזור, מקצה לקצה.
המסקנה שלנו הייתה פשוטה: המערכת מעצימה את ערכו של המודל. הגדרת היקף, תזמור, אימות והוכחה הם אלו שהופכים את יכולות המודל לתוצאות אבטחה אמינות. Atlas היא מערכת כזו: סוכנים מיוחדים, שכל אחד מהם משתמש במנוע הטוב ביותר למשימה שלו, עובדים יחד כמו צוות מחקר אבטחה.
Atlas בנוי כקבוצה של סוכני AI מיוחדים, שלכל אחד מהם תפקיד נפרד, הפועלים מול פגיעות כפי שצוות מחקר היה פועל: הבנת בסיס הקוד, פיתוח כיווני חקירה, ערעור עליהם ואימותם לפני הדיווח. העבודה מאורגנת בשלבים מוגדרים, ומתוזמרת באופן תוכניתי ולא מושארת למודל יחיד שיפעל מקצה לקצה.
1. מיפוי משטח התקפה. לפני הציד, Atlas בונה מודל איומים מובנה של בסיס הקוד – נקודות הכניסה שלו, היכן נכנס קלט לא מהימן, הנתיבים שהקלט יכול לעבור, והפעולות המסוכנות שאליהן הוא עלול להגיע בסופו של דבר. הוא מבסס זאת על גרף מאפייני קוד (Code Property Graph - CPG) במקום בקריאת קבצים מבודדים, כך שההיגיון שלו מעוגן בעובדות אמיתיות של שיחות וזרימת נתונים ולא בהסקה מבוססת טקסט בלבד.
2. ציד במקביל. לאחר מכן מספר סוכנים חוקרים באופן עצמאי, כל אחד מפתח ובודק השערות משלו לגבי האופן שבו ניתן להגיע לחולשה ולהפעיל אותה. הרצת מספר ניסיונות עצמאיים ושמירה רק על אלו שמחזיקים מעמד זה מה שמאפשר ל-Atlas למצוא את הבאגים העדינים ומרובי-השלבים שמעבר בודד היה מחמיץ.
3. אימות יריב (Adversarial validation). כל ממצא פוטנציאלי מאותגר במקום להתקבל כפי שהוא. סוכן אחד טוען שהממצא אכן ניתן לניצול, אחר טוען שלא, וסוכן שלישי בוחן את הראיות ומחליט. ממצא שורד רק אם הוא עומד בפני ניסיונות הפרכה של יריב. לאחר מכן, ממצאים בעלי משמעות זהה מאוחדים לממצא יחיד, כך שהצוות לא מקבל דיווחים כפולים על אותו באג. שלב יריב זה הוא המנוף המשמעותי ביותר שלנו לשמירה על שיעור חיובי כוזב נמוך.
4. הוכחה על ידי הפעלה. במקום לעצור בהסקה סטטית, Atlas בונה סביבת הרצה ייעודית, מתקין את התלויות הנדרשות, ומריץ את הקלט המפעיל כדי לאמת את ההתנהגות הרלוונטית לאבטחה באופן דינמי.
בנייה באמצעות הערכות (Evals)
הערכות (Evals) הן אמות מידה אובייקטיביות שניתן לחזור עליהן, המכמתות את ביצועי מערכת ה-AI במשימות קריטיות. מכיוון שפלט של AI הוא הסתברותי, הערכות אפקטיביות חייבות לבחון ניואנסים והקשר.
בנינו את Atlas באמצעות פיתוח מונחה הערכות (Evaluation-Driven Development), תוך קביעת מדדי איכות קפדניים עבור כל רכיב AI ושלב בצינור העבודה לפני ביצוע שינויים כלשהם. גישה זו התבררה כקריטית מכיוון שהתנהגות סוכנים היא לעתים קרובות מנוגדת לאינטואיציה: שינויים שנראו מועילים אינטואיטיבית לחוקר אבטחה מנוסה, לעתים קרובות לא השפיעו או אפילו פגעו בתוצאות מחקר הפגיעויות. על ידי הסתמכות על הערכה אובייקטיבית ולא על הנחות, הבטחנו שכל החלטת פיתוח, החל מכוונון פרומפטים ועד לעדכוני מודלים, תהיה מבוססת על שיפורים הניתנים למדידה.
קחו למשל את הערכת האימות שלנו, המודדת את הביצועים של שכבת האימות ביכולתה לדרג במדויק מועמד. ההערכה בוחנת קבוצת מועמדים לפגיעויות – חלקם ידועים כחיוביים כוזבים (False Positives), בעוד שאחרים הם פגיעויות אמיתיות (True Positives) ברמות חומרה שונות. לאחר מכן אנו מפעילים גרסה של שכבת האימות שלנו כדי לדרג את המועמדים הללו, ומודדים את הדיוק שלה מול האמת המוחלטת. זה מאפשר לנו לבדוק רעיונות אימות חדשים ולהשוות את העלות והביצועים שלהם.
הגדירו משימות בצורה הדוקה. תזמרו באופן דטרמיניסטי.
תובנה שנייה עיצבה את הארכיטקטורה כולה: המודלים המתקדמים של היום הם יוצאי דופן במשימות צרות ומוגדרות היטב, אך הרבה פחות אמינים ועקביים כאשר מבקשים מהם להוביל זרימת עבודה פתוחה ומרובת שלבים מתחילתה ועד סופה. לכן, במקום לתת למודל את המטרה "מצא את הבאג", פירקנו את העבודה לשלבים הנפרדים שתוארו לעיל ותזמרנו אותם באופן תוכניתי. מתן אפשרות לקוד דטרמיניסטי להניע את זרימת העבודה – ושמירת המודלים לשלבי ההיגיון שבהם הם באמת מצטיינים – עלו משמעותית על תזמור מבוסס LLM בלבד.
השתמש במודל המתאים לכל עבודה
אין מודל אחד שהוא הטוב ביותר בכל דבר, ואף אחד לא נשאר פורץ דרך לאורך זמן. אנו מעריכים כל מודל חדש כשהוא יוצא דרך Cyber Model Arena, וחבילת הבנצ'מרק הפנימית שלנו מדרגת מודלים על פני המשימות הספציפיות המרכיבות חקירה – מודלי איומים, ציד, אימות ויצירת הוכחות. התוצאות הן לעתים רחוקות אחידות: המודל שמסיק בצורה הטובה ביותר על שרשרת ניצול מורכבת הוא לעתים קרובות לא זה שמבצע תעדוף (Triage) מדויק ביותר. Atlas מנתב כל שלב למודל המנצח במשימה הספציפית הזו.
בפועל, Atlas אינו מסתמך על מוח אחד; במקום זאת, הוא פועל כקבוצה אוטונומית של מוחות מיוחדים, שכל אחד מהם מותאם לשלב מסוים בתהליך המחקר. הארכיטקטורה היא דינמית בכוונה: אנו מעריכים אותה מחדש בכל פעם שמגיע דגם חדש, תוך שימוש במסגרת ה-eval שלנו כדי לקבוע במהירות אם הוא מתפקד טוב יותר עבור משימה נתונה ועליו להחליף או להשלים את המנועים הקיימים.
השתמש ברתמה ייעודית
הנעת זרימות עבודה מרובות-מודלים ומרובות-סוכנים אלו דרשה תשתית שסוכני כתיבת קוד למטרות כלליות לא נבנו עבורה, ולכן בנינו משלנו – מסגרת עבודה (Harness) שתוכננה במיוחד עבור מחקר פגיעויות, המכווננת לפרופיל העלות והביצועים של עבודה זו. זה גם אפשר לנו להיות אגנוסטיים למודל בתכנון. כשמופיע מודל טוב יותר, אנו מכניסים אותו לשלב הרלוונטי מבלי לעצב מחדש דבר. זהו אותו עיקרון כמו בשאר המערכת: מסגרת העבודה מעצימה את הערך של כל מודל שמתאים כרגע למשימה שעל הפרק. בבסיסו, Atlas הוא כלי שנועד להפוך דולרים שהושקעו לממצאי פגיעויות מאומתים. בין אם אנחנו משנים מודלים, משדרגים כלים או מייעלים את שלבי הצינור, המטרה שלנו היא להבטיח שזה יישאר הכלי היעיל ביותר האפשרי.
CyberGym היא אמת מידה שלא יסולא בפז, אך חשוב לדייק לגבי מה שהיא מודדת ומה לא. כל משימה מעניקה למערכת פגיעות ידועה, כולל תיאור והקוד הרלוונטי, ומעריכה האם היא יכולה לייצר הוכחת היתכנות (PoC) עובדת שמפעילה את הבאג. זה הופך את CyberGym למבחן הציבורי החזק ביותר שאנו מכירים עבור שחזור ניצול, וכלי קריטי לפיתוח ומדידה של Atlas מול ראיות מוצקות ולא אינטואיציה.
אולם שחזור של פגיעות ידועה הוא בעיה שונה, ואפשר לטעון שקלה יותר, מאשר גילוי פגיעות לא ידועה. גילוי בעולם האמיתי מתחיל מדף ריק, ללא תיאור, ללא מצביע לפונקציה הפגיעה ובסיס קוד שמשתנה ללא הרף. זו הבעיה הקשה יותר שמגיני סייבר צריכים בסופו של דבר לפתור, וזו בעיה ש-CyberGym אינו מודד. אף אמת מידה ציבורית לא עושה זאת במלואה כיום.
כדי להמשיך ולשפר את Atlas, אנו משקיעים בבדיקות נוספות שנועדו למדוד גילוי, אימות ושכפול עבור פגיעויות שלא ידועות בעבר. המטרה היא להבטיח שהמערכת לא רק מייצרת מועמדים סבירים, אלא תציף בעקביות את הפגיעויות האמיתיות בתוך מערך הממצאים הרחב יותר.
אנו גם מעריכים את Atlas בעולם האמיתי: בודקים אם הוא מוצא פגיעויות אמיתיות בבסיסי קוד מבוקרים בכבדות וכיצד הוא מבדיל באופן מדויק בין ממצאים קריטיים לרעש אות נמוך.