Исследователи из ZK Security протестировали возможности LLM в поиске багов в специализированных криптографических библиотеках на примере проекта Bron Labs. ИИ успешно выявил критические уязвимости, которые ранее пропустили стандартные инструменты статического анализа. Этот кейс демонстрирует потенциал нейросетей в автоматизации аудита безопасности сложного математического кода, где традиционные методы часто оказываются недостаточно эффективными.
В ходе эксперимента использовались современные языковые модели для анализа исходного кода на предмет логических ошибок в криптографических примитивах. Основная сложность заключалась в том, что стандартные линтеры и сканеры уязвимостей ориентированы на типичные веб-уязвимости, такие как SQL-инъекции или XSS, и не способны распознать специфические математические некорректности. ИИ-агенты, напротив, смогли проанализировать контекст реализации алгоритмов и указать на потенциальные векторы атак.
Результаты показывают, что интеграция ИИ в процессы DevSecOps может значительно ускорить аудит безопасности в высоконагруженных и криптографически защищенных системах. Несмотря на риск галлюцинаций, модель продемонстрировала способность находить глубокие логические несоответствия, требующие понимания математической логики, что открывает новые возможности для автоматизированного тестирования кода в блокчейн-проектах и финансовых системах.
Ключевые факты
- Исследование сфокусировано на анализе библиотеки bron-crypto от Bron Labs с помощью LLM.
- ИИ обнаружил уязвимости, которые не были зафиксированы стандартными инструментами статического анализа кода.
- Основной упор сделан на способность моделей понимать специфическую логику криптографических примитивов.
- Эксперимент подтверждает эффективность использования ИИ для поиска багов в коде, требующем глубокого математического анализа.