חזרה לפיד
articlesמקור: Wiz Blog8.5.2026

מסגרת מוכנות לאיומי AI: להתמודד עם אתגרים חדשים

אמ;לק

מודלי AI מסוגלים לגלות ולנצל פרצות אבטחה באופן אוטונומי. מסגרת ארבעת העמודים הזו מאיצה תיקונים, ניתוח ותגובה לאיומים אלו.

סיכום בעברית: מערכת VibeSec · מדיניות המקורות

נוסף ל-VibeSec:

כותרת מקורית: A Framework for AI Threat Readiness

מסגרת מוכנות לאיומי AI: להתמודד עם אתגרים חדשים

התוכן המלא בעברית

תרגום אוטומטי מהמקור; מונחים טכניים נשארו באנגלית. לנוסח המחייב — הכתבה המקורית.

ההתקדמות האחרונה והמתמשכת במודלים של AI שינתה מהותית את האופן שבו פגיעויות מתגלות ומנוצלות. מחקרים שפורסמו, כולל זירת מודלי הסייבר של ה-AI שלנו (AI cyber model arena), הראו שמודלים חזיתיים (frontier models) יכולים כעת לגלות באופן אוטונומי פגיעויות מסוג zero-day, ליצור ניצולים (exploits) פעילים, ולשרשר חולשות מרובות יחד – מה שמשנה את קנה המידה והמהירות שבהם צצים סיכונים.

הקצב עדיין מואץ: נקודות תורפה נוספות יתגלו וייחשפו, והזמן שבין הגילוי לניצול ימשיך להצטמצם. בטווח הקצר, פיתוח הניצולים מואץ. בטווח הבינוני, נפח הפגיעויות שמתגלות על ידי AI עולה. לאורך זמן, האבטחה חייבת להסתגל לגילוי ולניצול מתמשכים ומונעי-AI.

אנו מאמינים שזהו בסופו של דבר שינוי חיובי מאוד לאבטחה, ושזה יוביל לכך שהתוכנה תהפוך מאובטחת מאי פעם. לדוגמה, לאחר סריקה עם ⁦Mythos⁩, צוות ⁦Firefox⁩ תיקן יותר באגי אבטחה באפריל מאשר בשנה הקודמת כולה.

יחד עם זאת, מצב זה יוצר עולם חדש ודינמיקה חדשה של סיכונים שארגונים צריכים להתכונן אליהם. ככל שגילוי הפגיעויות מואץ, ארגונים יצטרכו לפעול מהר יותר בהערכת החשיפה שלהם, בתעדוף מה שחשוב ובתיקון בעיות לפני שניתן יהיה לנצל אותן.

מסגרת מעשית למוכנות לאיומי AI

מוכנות ל-AI מונעת על ידי שני גורמים: מהירות פעולה ורוחב הראות.

כאשר ⁦AI⁩ מגביר את מהירות פיתוח התוכנה וגילוי פגיעות כאחד, הפער בין חשיפה לניצול הולך ומצטמצם. תוכניות אבטחה צריכות לצמצם ברציפות את הזמן בין זיהוי, אימות ותיקון על פני קוד, תשתית וזמן ריצה.

רוחב הראות דורש כיסוי של הסביבה המלאה, כולל ענן, קוד, תשתית פרטית, SaaS ושרשרת אספקת התוכנה. הוא דורש גם רמות שונות של ניתוח, מזיהוי בסיסי ועד לניתוח עמוק, מונחה-AI, של סיכונים מורכבים וניתנים לניצול. זה חל על כל שכבה בסביבה.

המסגרת הבאה היא הצעה שלנו לאופן שבו ארגונים יכולים לשקול את הצעדים הבאים ולפתח את האסטרטגיה שלהם בזמן שהם מנווטים שינוי רחב בנוף האיומים. היא בנויה על ארבעה עמודי תווך מרכזיים – שכל אחד מהם ארגונים יכולים להתחיל ליישם כבר היום.

1. חיסול סיכונים קריטיים, הפחתת חשיפה וסריקה לאיתור חשיפות באמצעות AI

ככל שמתגלות יותר נקודות תורפה והניצול מואץ, העדיפות הראשונה היא להפחית חשיפה מיותרת. אסור להגיע לנכסים רגישים מהאינטרנט או להיחשף לנתיבים לא מהימנים, ללא קשר לסטטוס התיקון. המטרה היא לא רק לתקן בעיות קריטיות ידועות, אלא לצמצם את מה שניתן להגיע אליו, לאמת את מה שניתן לנצל בפועל, ולוודא שסיכון חדש אינו תלוי בבדיקה ידנית.

משם, ארגונים צריכים להבין באיזו מהירות הם יכולים לבצע תיקונים (patching) ולהגיב בכל הטכנולוגיות החשופות. ככל שמספר ה-CVEs עולה וחלונות הניצול מתכווצים, צוותים זקוקים לבעלות ברורה, תעדוף ומסלולי ביצוע לפני שהפגיעות הדחופה הבאה תופיע בטכנולוגיה חשופה. יש לתעדף כל אפליקציה, שירות או טכנולוגיה חשופים בהתבסס על נגישות, יכולת ניצול והשפעה עסקית, עם תהליך ברור ומהיר לניתוב הבעיה לבעלים הנכון ולהנעת התיקון.

לבסוף, עליך לסרוק כל חשיפה באמצעות AI. התקפות עולות בהדרגה במעלה הערימה (stack), מתשתית חשופה ליישומים, APIs, לוגיקה עסקית וזרימות זהות. ASM מסורתי עוזר לזהות את מה שנחשף, אך נדרש ניתוח מונחה-AI כדי לסרוק כל חשיפה באופן רציף, לקבוע אם ניתן לנצל אותה ולהבין מה היא תאפשר לתוקף לעשות. זה הופך את הפחתת החשיפה, התיקון המהיר והאימות הרציף באמצעות AI לחלקים קריטיים של אותו מודל הפעלה.

הסיכון הזה כבר ניתן למדידה. הנתונים שלנו מראים ש-30% מסביבות הענן כוללות לפחות מכונה אחת בעלת השפעה רבה שמריצה תוכנה החשופה כלפי חוץ. גם אם התוכנה הזו אינה ניתנת לניצול כרגע, הקצב שבו מתבצע גילוי פגיעויות מונחה-AI אומר שזה כנראה רק עניין של זמן עד שהיא תהפוך לניתנת לניצול.

בעוד שחשיפה ישירה של נתונים רגישים היא פחות שכיחה, סיכון עקיף לא. רק 2% מהארגונים חשפו תוכנות הפועלות על מכונות המארחות גם נתונים רגישים. עם זאת, 19% מהארגונים חשפו תוכנות במערכות עם הרשאות ⁦IAM⁩ המעניקות גישה לנכסים פנימיים רגישים. ב-6% מהארגונים, תוכנות חשופות יושבות על מחשבים עם נתיבים להרשאות ניהול, כלומר פגיעות אחת יכולה לספק לתוקפים שליטה מלאה בסביבה.

באופן מכריע, בנוסף לנתונים לעיל, התצוגה המקדימה הציבורית של Wiz Red Agent, המשמש כתוקף AI חיצוני, מציעה ניסוי מאסיבי בעולם האמיתי בניצול פגיעויות רחב היקף ומונחה-AI. מאז השקתו, תוקף מונחה-AI זה לומד ומשכלל ללא הרף את יכולותיו האדוורסריות על פני מערך נתונים הולך ומתרחב של יותר מ-150,000 יישומי אינטרנט ו-APIs בייצור, הנסרקים מדי שבוע.

הסוכן ניתח את הלוגיקה של היישומים, כשהוא מעבד מעל 100B טוקנים מדי שבוע במאות סביבות ארגוניות, מה שהוביל לאופטימיזציה מהירה של דפוסי ההתקפה הרב-שלביים שלו. השיפור נמדד בתוצאות: הסוכן הבשיל מזיהוי פגיעויות מבניות בסיסיות לגילוי עקבי של יותר מ-3,000 פגמים לוגיים ברמת חומרה גבוהה וקריטית מדי שבוע – אותם סיכונים "בלתי ניתנים לאיתור" ששיטות סריקה ידניות ומסורתיות מחמיצות באופן שגרתי.

• גילוי ומיפוי רציפים: גלה ובצע מלאי באופן רציף של נכסים הפונים לאינטרנט, APIs ושירותים.

• השתמש בגילוי מונחה-AI כדי לזהות Shadow APIs שאולי אינם מתועדים או גלויים באמצעות סריקה מסורתית.

• מפה יישומים מדור קודם, תלות ופערי בעלות בין סביבות

• בקרת חשיפה והפחתת סיכונים: הפחת חשיפה מיותרת לאינטרנט ובצע מעקב רציף אחר נכסים שנחשפו לאחרונה ככל שהסביבות משתנות.

• פלח או בודד מערכות שאינן ניתנות לתיקון ובסיכון גבוה

• ודא שנכסים רגישים ונתיבי גישה מועדפים אינם חשופים, ללא קשר למצב התיקון

• ניתוח סיכונים ואימות מונחה-AI: נתח באופן רציף כל אפליקציה, API, שירות וזרימת זהות חשופים באמצעות AI כדי לזהות חולשות בשכבת האפליקציה.

• אמת אילו חשיפות ניתנות לניצול, לא רק ניתנות להשגה.

• הדמיית התנהגות תוקף כדי לחשוף נתיבי התקפה מקצה לקצה על פני שכבות יישומים ותשתיות

• הקמת תהליכי תיקון (Remediation): הגדר ספרי תקיפה (playbooks) לתיקון כך שבעיות קריטיות חדשות ינותבו וייפתרו במהירות.

• סרוק באופן רציף יישומים חשופים ו-⁦APIs⁩ עם ⁦AI⁩

• תיקון מתמיד של ⁦AI-validated⁩, סיכונים בעלי ביטחון גבוה

• ⁦ASM⁩ כיסוי: % מהנכסים החיצוניים הידועים במעקב רציף

• ⁦AI⁩ כיסוי חשיפה: % מהנחשפים ⁦apps/APIs⁩ שנסרקו עם ⁦AI⁩

• % מהנכסים החיצוניים הידועים המארחים נתונים רגישים או הרשאות משפיעות (המטרה היא להגיע ל-0)

• % מהנכסים החשופים ממופים למשאבים ⁦owner/service/repo/cloud⁩

• % מממצאי החשיפה הומרו לפעולות תיקון

• סיכון ⁦MTTR⁩ (זמן מרגע גילוי החשיפה ועד לתיקון)

• הפחתה במשטח ההתקפה הנגיש חיצונית

• הפחתה בסיכונים קריטיים החשופים חיצונית

2. ⁦Accelerate Patching and Response⁩

ככל שהזמן בין גילוי לניצול מצטמצם, חלונות התגובה הולכים וקטנים - מהירות תיקון ותגובה של יום אפס הופכים קריטיים. מודלים מתקדמים כבר מסוגלים לזהות ולנצל במהירות פגיעויות, לדחוס את החלון הזמין להגיב.

עיכובים בין זיהוי לתיקון משאירים את המערכות חשופות, מה שמדגיש את הצורך לעבור מתיקונים אד-הוק לתיקון מתמשך ואוטומטי.

הדבר מחייב הבחנה בין פגיעות בתוכנת צד שלישי, כגון ⁦CVE⁩, מופע של פגיעות זו בסביבה שלך, לבין פגיעות בקוד צד ראשון. כל אחד מהם דורש גישה שונה לאיתור, תעדוף ותיקון.

במקביל, ארגונים צריכים לצמצם את הנפח הכולל של רכיבים פגיעים בסביבה. זה כולל מעבר ל-Hardened base images (תמונות בסיס מוקשחות), מזעור חבילות ותלויות (dependencies) מיותרות, סטנדרטיזציה של תמונות מאושרות והסרה מתמשכת של רכיבים מיושנים או לא נתמכים. ככל שצוותי תוכנה נושאים פחות תוכנה פגיעה כברירת מחדל, כך הם יכולים להגיב מהר יותר כאשר מופיע CVE חדש או פגיעות zero-day. שלבים מרכזיים:

• הגדרת בעלות וזרימות תיקון: סקור טכנולוגיות בעלות חשיפה גבוהה כדי לזהות היכן הסיכון צפוי להתרכז ביותר, והבטח שיש לך זרימת תיקון ברורה ובעלות מוגדרת.

• מיפוי בעלות ומעקב אחר בעיות למקור שלהם בקוד או בתצורה כדי לאפשר תיקון מהיר יותר ואחריות ברורה

• השתמש בניתוח ⁦AI-driven⁩ כדי לזהות בעלות ומערכות מושפעות ותיקון אוטומטי בחזרה בקוד במידת האפשר

• ⁦Proactive Hardening and Prevention Standardize⁩ על רכיבים מוקשחים ותמונות בסיס כדי להפחית תיקון קבוע במידת האפשר

• לאכוף מעקות בטיחות כדי למנוע מדפוסים מסוכנים ידועים ורכיבים פגיעים להגיע לייצור

• תגובה ל-Zero-Day: הקם זרימות עבודה לתגובה עבור פגיעויות שפורסמו לאחרונה, כך שניתן יהיה לבדוק ולטפל בבעיות zero-day במהירות.

• תעדוף פרצות באמצעות ניצול, ניצול ידוע, חשיפה חיצונית, שימוש בזמן ריצה, קריטיות נכסים, הרשאות זהות ורגישות נתונים; להקצות ⁦SLAs⁩ על סמך חשיפה ויכולת ניצול

• נתב בעיות אוטומטית לבעלים סבירים באמצעות ההקשר של ⁦AI-driven⁩

• השתמש ב-⁦AI⁩ כדי להחליט על הפעולה הבטוחה המהירה ביותר: מארח תיקון, חבילת שדרוג, בניית תמונה מחדש, עדכון קוד אפליקציה, שינוי תצורת ענן, הסרת חשיפה, השבתת תכונה או החלת בקרת פיצוי

• כיסוי סריקת פגיעות על פני מארחים, קונטיינרים, נכסי ענן, יישומים וחבילות

• זמן מהחשיפה ועד למלאי הנכסים המושפעים

• תיקון ⁦MTTR⁩ (זמן מזיהוי הפגיעות ועד לתיקון)

• % מהבעיות שתוקנו במקור לעומת במורד הזרם

• % מהנכסים הפגיעים עם מיפוי בעלים

• % מהפגיעויות קיבלו עדיפות עם הקשר ⁦AI-assisted⁩

• % מהחולשות עם נתיב תיקון ⁦AI-recommended⁩

3. ⁦Perform Deep⁩ ⁦AI⁩ ⁦Code Analysis⁩

מודלים מתקדמים של AI חזיתי כבר מיושמים בניתוח קוד אבטחה, מה שמאפשר זיהוי של בעיות מורכבות יותר. במדד ה-Wiz Cyber Model Arena, מודלים חזיתיים השלימו כמעט מחצית מהאתגרים. יכולות אלו משקפות סוג חדש של ניתוח מונחה-מודל שחורג מה-SAST המסורתי. ניתוח קוד מתקדם ב-AI מזהה פגמים לוגיים מורכבים (כמו IDOR) והתנהגות לא בטוחה על פני זרימות אפליקטיביות, תלויות (dependencies), APIs וגבולות אמון. הוא גם קובע כיצד ניתן לשרשר פגיעויות ברמת חומרה נמוכה עד בינונית לנתיבי ניצול. היכולות ההולכות וגדלות של ה-AI מפחיתות גם את המורכבות שבגילוי פגיעויות קריטיות בקוד בינארי, כפי שהוצג בפגיעות ה-RCE האחרונה ב-GitHub (CVE-2026-3854).

מכיוון שרמת ניתוח זו דורשת חשיבה מעמיקה יותר על פני בסיסי קוד גדולים ומייצרת ממצאים מורכבים יותר לחקירה ולאימות, ארגונים צריכים לתעדף אילו יישומים ושירותים יש לסרוק קודם. ההתמקדות צריכה להתחיל ברכיבי הקוד הקריטיים ביותר: יישומים מול לקוחות, שירותים חשופים לאינטרנט, זרימות נתונים רגישות, לוגיקה של אימות והרשאות ומערכות אחרות קריטיות לעסק. כיסוי קוד רחב יותר צריך להמשיך באמצעות סריקת בסיס מתמשכת, בעוד הניתוח המבוסס על מודלים מתמקד היכן ההשפעה הפוטנציאלית היא הגבוהה ביותר.

#ai-security#threat-response#vulnerability-management#cyber-ai
קרא במקור