Aikido Security đã giới thiệu Altar-1, một mô hình trí tuệ nhân tạo (AI) mã nguồn mở được thiết kế để thực hiện các tác vụ an ninh mạng phòng thủ hoàn toàn trong hạ tầng của tổ chức.
Mô hình này nhằm hỗ trợ các nhóm bảo mật sử dụng AI tiên tiến cho việc khám phá lỗ hổng và kiểm thử xâm nhập mà không cần gửi mã nguồn, tài liệu nội bộ hoặc kết quả đánh giá bảo mật đến các dịch vụ suy luận dựa trên đám mây bên ngoài.
Altar-1 được xây dựng cho các tổ chức có yêu cầu nghiêm ngặt về quyền riêng tư, quy định hoặc hoạt động. Điều này bao gồm các ngân hàng có nghĩa vụ lưu giữ dữ liệu, nhà cung cấp dịch vụ chăm sóc sức khỏe xử lý thông tin nhạy cảm của bệnh nhân và các tổ chức công nghiệp có môi trường công nghệ vận hành (OT) bị cô lập hoặc cách ly.
Bằng cách giữ cả mô hình và dữ liệu dưới sự kiểm soát của khách hàng, Aikido định vị Altar-1 như một tùy chọn tình báo an ninh có chủ quyền.
Mô hình này cung cấp năng lượng cho Aikido Machine, thiết bị kiểm thử xâm nhập tự động của công ty.
Aikido Machine được thiết kế để hoạt động trong môi trường của khách hàng và liên tục xác định, khai thác, cũng như xác thực các điểm yếu trên một bề mặt tấn công.
Altar-1 bổ sung khả năng suy luận AI cục bộ vào quy trình làm việc đó, cho phép kiểm thử bảo mật xử lý ngữ cảnh kỹ thuật nhạy cảm mà không truyền nó đến bên thứ ba.
Phát triển và Tối ưu hóa Altar-1
Aikido đã tạo Altar-1 từ mô hình GLM-5.3 mã nguồn mở của Z.AI, giảm dung lượng lưu trữ từ 1.51 TB xuống còn 328 GB. Công ty đã áp dụng kỹ thuật lượng tử hóa AWQ INT4, giảm mô hình xuống còn 488.2 GB, sau đó sử dụng kỹ thuật cắt tỉa chuyên gia (expert pruning) để loại bỏ các thành phần ít liên quan đến các tác vụ an ninh mạng.
Các mô hình Mixture-of-Experts chứa nhiều thành phần mạng nơ-ron chuyên biệt, được gọi là các chuyên gia. Trong quá trình suy luận, chỉ một số lượng hạn chế được chọn cho mỗi token. Tuy nhiên, nhóm chuyên gia lớn hơn thường yêu cầu bộ nhớ đáng kể.
Aikido cho biết họ đã giữ lại 168 trong số 256 chuyên gia được định tuyến ban đầu trong mỗi lớp backbone và loại bỏ 88 chuyên gia. Kết quả cho thấy mức giảm 78.2% so với mô hình độ chính xác đầy đủ ban đầu và giảm 32.8% so với checkpoint đã được lượng tử hóa.
Để quyết định chuyên gia nào sẽ được giữ lại, Aikido đã sử dụng các dấu vết từ các điểm chuẩn kiểm thử xâm nhập nội bộ thay vì dữ liệu khách hàng. Các dấu vết này bao gồm mã mẫu, lệnh công cụ và phản hồi tác nhân được tạo ra trong các quy trình kiểm thử bảo mật.
Công ty cũng kết hợp văn bản đa ngôn ngữ trong quá trình hiệu chuẩn để giữ lại khả năng hiểu ngôn ngữ cần thiết cho việc xem xét tài liệu, quy tắc kinh doanh, hành vi ứng dụng và giao diện người dùng bằng các ngôn ngữ khác nhau.
Aikido đã sử dụng phương pháp Cerebras REAP (Router-weighted Expert Activation Pruning) để chọn chuyên gia dựa trên trọng số bộ định tuyến và độ lớn đầu ra, bảo tồn các khả năng suy luận về mã hóa, an ninh mạng và ngôn ngữ tự nhiên.
Đánh giá Hiệu suất
Trong một điểm chuẩn nội bộ bao gồm 32 lỗ hổng đã biết trên 30 kho lưu trữ, Altar-1 đạt được độ thu hồi trung bình 60.4% mỗi lần chạy. Mô hình đã tái phát hiện 23 trong số 32 lỗ hổng ít nhất một lần qua ba lần chạy.
Mô hình GLM-5.3 đã được lượng tử hóa nhưng chưa cắt tỉa đạt 61.5% độ thu hồi và tìm thấy cùng 23 lỗ hổng. So với đó, mô hình cha mẹ có độ chính xác đầy đủ đạt 65.6% độ thu hồi và xác định được 25 lỗ hổng.
Aikido cho biết Altar-1 do đó đã giữ lại 92% phạm vi bao phủ lỗ hổng của mô hình đầy đủ, đồng thời giảm đáng kể hạ tầng cần thiết để triển khai nó.
Triển khai và Kế hoạch Tương lai
Mô hình có sẵn thông qua tổ chức Hugging Face của Aikido và có thể được triển khai trên một node với bốn GPU NVIDIA H200 sử dụng vLLM.
Công ty cho biết họ có kế hoạch tối ưu hóa mô hình hơn nữa, khám phá các định dạng bit thấp hơn và tinh chỉnh các phiên bản tương lai cho phân tích mã, khắc phục sự cố, sử dụng công cụ và các quy trình bảo mật dài hạn.
Các bản vá bảo mật giúp ngăn chặn các cuộc tấn công mạng có chủ đích nhắm vào các lỗ hổng chưa được khắc phục. Việc cập nhật bản vá kịp thời là rất quan trọng để duy trì an ninh mạng.
