חזרה לפיד
articlesמקור: Snyk Blog27.5.2026

אבטחה התקפית רציפה: הגבול הדק שאנחנו צועדים עליו

אמ;לק

Snyk's Continuous Offensive Security מאחדת DAST, בדיקות חדירה מבוססות AI, ו-Red Teaming כדי למצוא פגמים ניתנים לניצול לפני שתוקפים מזהים אותם. המאמר מסביר מדוע מעקב אחר 'שושלת' פגיעויות קריטי בתהליך הזה, ומדגיש את החשיבות של אבטחה פרואקטיבית.

סיכום בעברית: מערכת VibeSec · מדיניות המקורות

נוסף ל-VibeSec:

כותרת מקורית: Continuous Offensive Security: The Line We've Been Walking

אבטחה התקפית רציפה: הגבול הדק שאנחנו צועדים עליו

התוכן המלא בעברית

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

סוף סוף... זה היה עמוס.

עם זאת, מתחת לכל הרעש, יש סיבה אמיתית לכך שזה קורה בכל מקום ובבת אחת: אותה יכולת הסקה שהפכה את ה-AI Pentesting לכדאי מבחינה מסחרית היא אותה יכולת שנמצאת כעת בידיהם של תוקפים. תוקפים אוטונומיים כבר סורקים משטחי תקיפה של יישומים באופן רציף ובמהירות מכונה, בלוח זמנים שהמגינים אינם יכולים לעמוד בו.

המירוץ כעת הוא האם בדיקות האבטחה ההתקפיות שלך ימצאו את הפגמים לפני שה-AI ההתקפי של התוקף יעשה זאת. הודעות הספקים אינן הסיפור האמיתי כאן: הן רק ביטוי לשוק שמנסה להדביק בעיה שכבר הגיעה.

כמי שעובד על Snyk API & Web – מוצר ה-Dynamic Security Testing שלנו – כבר כמה שנים, אני מרגיש שהצדק נעשה עם ההכרזה של Snyk על Continuous Offensive Security. אני רוצה לנצל את הפוסט הזה כדי לעשות יותר מאשר רק להכריז על המוצר: אני רוצה להסביר מדוע הקו שעובר מ-Dynamic Security Testing ל-AI Pentesting הוא נתיב שאנחנו הולכים בו כבר שנים, ומדוע כל מי שמנסה לבנות את השני ללא בסיס בראשון, לדעתי הכנה, יגיע לתקרה במהירות.

ניתן לזיהוי היוריסטי לעומת תלוי-הקשר

הנה ההבחנה ההתחלתית שהיא המפתח להבנת כל הנקודה שלנו כאן.

פגיעויות הניתנות לזיהוי היוריסטי הן אלו שחושפות את עצמן בפני כלים דטרמיניסטיים. SAST מתאים דפוסים בתוך קוד המקור עצמו, בעוד ש-DAST נוקט בגישה אחרת: הוא שולח Payload לאפליקציה או ל-API פעילים ובוחן תגובות: הודעות שגיאה, השהיות זמן, הבדלים התנהגותיים וכדומה. לחקור, להתבונן, להסיק. SQL injection, cross-site scripting, שימוש לרעה ב-APIs ודפוסי הזרקה קלאסיים – כל אלה צפים ועולים בצורה מהימנה דרך היוריסטיקות התנהגותיות. סורקים וכלי DAST הפכו לטובים מאוד בזה עם השנים. מאות סוגי פגיעויות בקטגוריה זו מזוהים כעת בצורה מהימנה לאורך ה-SDLC, וזה הישג אמיתי.

– כלל כזה תלוי במה שהאפליקציה שלך אמורה לעשות. הפגיעות חיה בפער שבין ההתנהגות המיועדת להתנהגות בפועל, ואין בדיקה, Payload או חתימה שיכולים להסיק את הכוונה מבחוץ.

זו הסיבה שבדיקות חדירות תמיד היו מונחות על ידי בני אדם. עד לאחרונה, רק בני אדם יכלו לרכוש את ההבנה ההקשרית הנדרשת כדי למצוא את הסוג השני הזה. היוריסטיקות מוצאות חתימות או התנהגויות, בעוד שפנטסטרים מוצאים את מה שנחשף רק דרך ההקשר. עד כמה שזה נשמע מגניב, זו לא סיסמה; כך עבדה הדיסציפלינה הזו מאז ומעולם.

השושלת שבעצם חשובה

הנה הסוד המסחרי שלמעשה אינו סודי כלל: כל מנוע DAST אמין בעשור האחרון נבנה על ידי אנשים שהגיעו מעולם ה-pentesting. המנוע של Snyk API & Web אינו יוצא דופן. הצוות שבנה אותו בילה שנים במציאת פגמים באופן ידני, והם תכננו אותו סביב הפעולות שפנטסטרים באמת עושים: סקירה, חקירה, תצפית, הסקה, הסלמה, תיקוף... כל התהליך. עם זאת, בזמנו, לא יכולנו לחקות את כל הפעולות שפנטסטרים מבצעים. החלק החסר היה היכולת להסיק מסקנות – וזה בדיוק מה שאנחנו יכולים לעשות עכשיו, מכיוון ש-LLMs מבינים הקשר ויכולים לבצע הסקה.

המורשת הזו היא הסיבה לכך שזיהוי ה-BOLA שלנו, שהשקנו בשנה שעברה, עובד כפי שהוא עובד. זו אינה התאמת דפוסים מול רשימת חתימות, מכיוון שאין חתימה ל-BOLA: זוהי שרשרת של בדיקות הרשאה המונחית על ידי ניתוח מבני של האופן שבו אובייקטים ב-API מתייחסים לזהויות. זהו ציד פגמים אוטומטי שחוצה את הגבול מ"מה הקוד עושה?" ל"מה הוא אמור לעשות, והאם אני יכול לערער את הכוונה הזו?"

זה עובד בסביבות הייצור של הלקוחות שלנו כבר חודשים. זו הוכחה לכך שהמעבר מ-DAST לבדיקות מבוססות הסקה הוא אפשרי. זה גם לא במקרה שחשבנו על בניית גרסת ה-AI של זה הרבה לפני ש-"AI Pentesting" הפכה לקטגוריה שמישהו מגייס עבורה כסף.

מה השתנה, ולמה עכשיו

מה שהשתנה זו לא המטרה, אלא העלות.

בעבר, ביצוע הסקה בקנה מידה רחב דרש פנטסטר אנושי. העלות נעה בין 20,000 ל-50,000 דולר לכל פרויקט. שבועיים של עבודה בממוצע. חלון כיסוי שננעל ברגע שהדוח הוגש, כשהאפליקציה כבר הספיקה להוציא שלוש מהדורות חדשות מאז.

זה היה החישוב של בדיקות ידניות: בעלות ערך שאין לו תחליף, אך מוגבלות על ידי המגבלה המוכרת של כל מלאכת יד – הזמן האנושי. הבדיקה שלך מכסה חמישה עשר ימים בשנה. מה קורה בשלוש מאות וחמישים הימים הנותרים?

ה-AI משנה את המתמטיקה, אך לא את המקצוע. שלב ההסקה שרק פנטסטר יכול היה לבצע, הוא כעת משהו שמודל בעל יכולת מספקת יכול לבצע, באופן עקבי ובשבריר מהעלות.

ויש משטח התקפה שלישי ש⁦AI⁩ יצר בעצמו

כל מה שלמעלה עוסק במשטח התקפה שקיים כל עוד יש ליישומי אינטרנט: הפגיעויות הניתנות לזיהוי היוריסטיות ותלויות הקשר שתיארנו בקוד מסורתי, מסורתי ⁦APIs⁩ וארכיטקטורות מסורתיות. ⁦AI⁩ משנה את מודל הבדיקה, אבל הוא לא משנה את היעדים: אלה היו החומרים הכי חדים מזה שני עשורים.

יש גם משטח התקפה חדש לגמרי ש⁦AI⁩ יצר בעצמו, ושלא היה קיים רק לפני חמש שנים.

יישומי LLM-integrated, סוכני AI שמפעילים כלים, צ'אטבוטים המחוברים לנתוני לקוחות. צינורות אחזור (Retrieval pipelines) שמושכים מידע ממקורות שתוקף יכול להרעיל, לבצע prompt injection או לעשות בהם שימוש לרעה. חילוץ נתונים דרך פלטי מודל, או פריצות (jailbreaks) שהופכות סוכן שירות לקוחות לשחקן בעל הרשאות עם גישה שמעולם לא הייתה אמורה להיות לו. המאמר של Manoj עסק בגרסה אחת של זה: סוכן AI שמתקשר ל-API שאף אחד לא ביצע עליו בדיקות מאמץ, שהופעל על ידי לא יותר מכתובת דוא"ל.

התקפות אלו אינן משהו שניתן לסרוק עבורו, והן אינן פגמים במובן הארכיטקטוני המסורתי. הן קיימות בפער שבין מה שה-LLM התבקש לעשות לבין מה שתוקף יכול לשכנע אותו לעשות. הדרך היחידה למצוא אותן היא לבצע – מול שכבת ה-LLM-integrated – את מה שתוקף היה עושה: לחקור, להסלים, לחלץ, לנצל.

זו היכולת השלישית בתוך Continuous Offensive Security: Agent Red Teaming. סימולציה יריבית רב-שלבית כנגד LLMs, סוכני AI והכלים שהם מפעילים. זהו כלי שנבנה במיוחד עבור משטח התקפה שה-AI עצמו יצר.

יש דבר אחד שאני הכי אוהב באופן שבו זה בנוי: זו לא סריקה נפרדת שצריך לתזמן, או מוצר אחר שצריך לקנות. במהלך הערכה, סוכן ה-Recon מזהה אם היעד כולל רכיבי LLM-integrated, ואם כן, מודול ה-Red Teaming מופעל אוטומטית. אתה לא צריך לדעת מראש איזה סוג של משטח תקיפה מציגה האפליקציה שלך; המערכת מבינה זאת ומפעילה את הבדיקות הנכונות מול השכבה הרלוונטית.

זה חשוב יותר ממה שזה נשמע בהתחלה. לרוב הארגונים יש כעת ⁦AI⁩ איפשהו בתיקי האפליקציות שלהם, אך לצוותי האבטחה שלהם אין מלאי ברור היכן. Recon-first, test-what-you-find, הוא הדגם היחיד שמתרחב כאשר "⁦Where⁩ פועל בייצור ?" הוא מטרה הנעה ללא הרף.

אז, זהו משטח התקיפה: פגמים בארכיטקטורות מסורתיות והשטח החדש שה-AI יצר מעליהן. השאלה הקשה יותר היא מה באמת נדרש כדי לבצע בדיקות התקפיות היטב מול שניהם, באופן רציף ובקנה מידה ארגוני. כיוון של LLM אל כתובת URL של מטרה ומתן אפשרות ל-AI "להבין דברים" מאפס זו לא התשובה. ארבעה דברים מפרידים בין גישה זו לבין עבודה עיוורת.

הקשר פלטפורמה

הגישה הנאיבית ל-AI Pentesting היא להתחיל מאפס. כוון את ה-LLM אל URL, תן לו לסרוק, תן לו לנחש, תן לו לבזבז כוח מחשוב על ספירה שלא משנה, וקווה שבסופו של דבר הוא ימצא משהו. וחמור מכך: אין לו דרך להבחין בין ממצא תיאורטי לבין ממצא שניתן לניצול בפועל בערימה הטכנולוגית שלך, מכיוון שהוא לא רואה את הקוד שלך, את התלויות, את הסריקות הקודמות, את סביבת הפריסה או את גבולות האמון שלך. זה טוב להדגמה, אבל זו לא הדרך שבה בדיקות אבטחה בדרגת ייצור צריכות לעבוד.

עם זאת, הגרסה ⁦Snyk⁩ של זה נראית אחרת. ⁦Continuous Offensive Security⁩ מתחיל עם כל מה שהפלטפורמה כבר יודעת על האפליקציה שלך: ⁦SAST⁩ ממצאים, ⁦SCA⁩ תלות, מלאי נכסים, ⁦DAST⁩ סריקות קודמות ואותות סיכון מכל הפלטפורמה. כל זה מזין את הפנטסטר ⁦AI⁩ לפני שהוא שולח בקשה בודדת.

זה משנה את מה שה-AI עושה ביום הראשון. במקום "הבֵן מהי האפליקציה הזו ומצא נקודות תורפה", סט ההוראות הופך להיות: "לאפליקציה הזו יש את הרכיבים האלה, התלויות האלה, הממצאים הקודמים האלה, נקודות קצה נגישות ופרופיל סיכון מסוים; עכשיו לך אחר מה שעדיין לא מכוסה". ה-LLM מפסיק לנחש ומתחיל לעבוד.

היישר מההודעה שלנו השבוע: "⁦Snyk⁩ שונה כי אנחנו כבר יודעים את הקוד שלך." זה טיעון הפלטפורמה בשבע מילים. כל כלי משובח אחר ⁦AI⁩ מתחיל מאפס; אנחנו מתחילים מהמקום שבו הפסיק הכלי הקיים שלך.

זו גם הסיבה שאני לא חושב שלפתרונות נקודתיים (point solutions) בקטגוריה זו יש תוחלת חיים ארוכה, מכיוון שאי אפשר פשוט להדביק שכבה כזו על מוצר טרי. זה דורש עשור של הקשר מצטבר שזורם ממנועים שמצאו פגיעויות אמיתיות אצל לקוחות אמיתיים.

זיהוי ⁦Hybrid Dynamic Testing⁩ ו-⁦LLM⁩

זו הנקודה ההנדסית שרוב המצטרפים החדשים מתעלמים ממנה, ושם אני חושב שרבים מהם יתקשו כאשר מסלולי המימון שלהם וחשבונות ה-API (tokens) יפגשו את המציאות.

הדרך הנאיבית שוב לבנות ⁦AI⁩ Pentesting היא: ⁦LLM⁩ טהור, כוון אותו אל המטרה, תן לו להבין הכל. זה עובד בהדגמות, אבל לא עובד בכלכלה בת קיימא.

כל Payload ש-LLM מנסה כנגד נקודת קצה של XSS עולה אסימונים (tokens). כל פרמטר שמנסים בכוח (brute-forced), כל וריאציה, כל ניסיון חוזר? אסימונים, אסימונים, אסימונים. Dynamic Testing מבצע את שניהם באופן ממצה, דטרמיניסטי ותמורת פרוטות. שריפת אסימונים של מודלי שפה גדולים על קטלוג באגים זה מה שנראה כמו "סבסוד בשולי רווח שליליים", והספקים שמפעילים את האסטרטגיה הזו היום יגלו מה המשמעות של כלכלת יחידה ביום שבו יצטרכו להיות רווחיים.

המודל הנכון מבחינה ארכיטקטונית אינו מפעיל שתי שכבות במקביל, אלא משתמש ב-LLM כמוח מאחורי ההערכה, כאשר ה-Dynamic Testing הוא אחד הכלים העומדים לרשותו. כאשר יש צורך לבדוק XSS, SQL injection או הגדרות שגויות, ה-LLM אינו מונה את ה-Payloads בעצמו; הוא קורא ל-Dynamic Testing, שעושה בדיוק את זה – בצורה ממצה, דטרמיניסטית וזולה – כבר שנים.

זה משאיר את ⁦LLM⁩ חופשי לבזבז את האסימונים שלו היכן שרק ⁦LLM⁩ יכול: נימוקים לגבי היגיון עסקי, מציאת פגמים בהרשאה ושרשור ממצאים בודדים יחד לנתיבי ניצול ממשיים. לשם הולך רוב המחשוב. הקרקע המהודקת היטב נשארת דרוכה היטב, באופן דטרמיניסטי, ומשטח ההיגיון מקבל כל דולר של חישוב שמגיע לו.

זו הארכיטקטורה מהיום הראשון, לא מפת דרכים שאנחנו עובדים לקראתה. זו הסיבה שבניית זה ללא מנוע ⁦Dynamic Security Testing⁩ מתחתיו היא, לדעתי, בעיה הרבה יותר קשה ממה שהיא נראית מבחוץ.

נרטיבים של תקיפה, לא רשימות התראה

#offensive-security#ai-pentesting#dast#red-teaming
קרא במקור