Verkürzung des Zeitraums bis zum Schutz durch den selbstlernenden Cato Schwachstellenschutz-Agenten
Kurzfassung: Im Zeitalter hochmoderner KI-Modelle schreiten die Entdeckung von Sicherheitslücken und die Entwicklung von Exploits schneller voran, als menschliche Verteidiger manuell reagieren können. Sicherheitsteams sehen sich bereits wachsenden CVE-Volumina, kürzeren Ausnutzungsfenstern und manuellen Arbeitsabläufen zur Recherche von Schwachstellen, zur Erstellung von Schutzmaßnahmen, zur Validierung dieser und zur Vorbereitung auf die Bereitstellung gegenüber. Da Angreifer Schwachstellen schneller zu Waffen machen, als Organisationen sie patchen können, wird die Zeit bis zum Schutz zu einer kritischen Sicherheitskennzahl.
Bei Cato haben wir den Multi-Modal Vulnerability Protection Self-Evolving Agent entwickelt, um den Weg von der CVE-Offenlegung zum Kundenschutz zu beschleunigen. In zwei Pilotphasen generierte der Agent nutzbare Schutzmaßnahmen über mehrere Schwachstellenklassen hinweg mit konsistenten Ergebnissen. In der ersten Phase stimmten mehrere generierte Schutzmaßnahmen mit bereits in der Produktion eingesetzten Schutzmaßnahmen überein oder übertrafen diese. Nach Verbesserungen im Arbeitsablauf produzierte die zweite Phase nutzbare Signaturen für alle sechs bewerteten CVEs, wobei die schnellste in 45 Minuten abgeschlossen wurde. In diesem Blog teilen wir die Methodik, Ergebnisse und wichtige Erkenntnisse aus der Bewertung eines modellunabhängigen agentischen Arbeitsablaufs, der sich durch Validierungsfeedback, Prüfprotokolle und die Überprüfung durch Forscher verbessert.
CVE-Schutzagenten-Workflow
Ziel des Workflows ist es, eine neu offengelegte Schwachstelle so schnell wie möglich in einen validierten Schutz umzuwandeln, während die Security Researcher die Kontrolle über die endgültigen Entscheidungen behalten.
Auf hoher Ebene besteht der Workflow aus fünf Phasen, einschließlich einschließlich einer Lern- und Optimierungsschleife:
- Sammlung von Schwachstelleninformationen
- Analyse von Exploits
- Generierung von Schutzmaßnahmen
- Validierung
- Überprüfung durch Forscher
Der Workflow kombiniert mehrere KI-Modelle mit der Fähigkeit, verschiedene Arten von Sicherheitsartefakten zu analysieren, einschließlich Anbieterhinweisen, CVE-Datensätzen, seriösen privaten und öffentlichen Repositories, Screenshots und technischen Diagrammen. Dadurch kann der Agent ein umfassenderes Verständnis der Sicherheitslücke gewinnen, bevor er eine Schutzmaßnahme generiert und validiert. Abbildung 1 zeigt eine hochrangige Ansicht des agentischen CVE-Schutzarbeitsablaufs, von der Schwachstellenanalyse über die Validierung bis zur Überprüfung durch den Research.
Abbildung 1. Der hochrangige Agenten-Workflow zum multi-modalen CVE-Schutz
Multi-Modell- und Multi-Modal Design
Der Workflow ist sowohl multi-modell als auch multi-modal. Er ist multi-modell, weil er je nach Komplexität der Aufgabe verschiedene KI-Modelle verwenden kann, und multi-modal, weil er verschiedene Arten von Sicherheitsartefakten analysieren kann, einschließlich Hinweise, Quellcode, Screenshots, technische Diagramme und Proof-of-Concept-Exploits.
Eines der wichtigsten Designziele war Flexibilität. Die verschiedenen Phasen der Schwachstellenforschung erfordern unterschiedliche Denkfähigkeiten, weshalb es ineffizient ist, für jede Aufgabe dasselbe Modell zu verwenden. Während unserer Bewertung haben wir hauptsächlich Claude Sonnet 4.6 und Claude Opus 4.7 verwendet und begannen kurz nach deren Veröffentlichung auch mit Bewertungen von Claude Opus 4.8 und OpenAI GPT-5.5-Cyber.
Aufgaben wie Metadatenextraktion, Hinweis-Parsing und Workflow-Orchestrierung können effizient von kostengünstigeren Modellen bearbeitet werden. Komplexere Aktivitäten wie Exploit-Analyse, Signaturerstellung und Validierungsverfeinerung profitieren von stärkeren Denkmodellen. Die Architektur ist absichtlich modellunabhängig, sodass Verbesserungen in den Grundmodellen dem Workflow zugutekommen, ohne das zugrunde liegende System neu zu gestalten.
Hinter den Kulissen wird der Agent von einer Orchestrierungsschicht verwaltet, die 16 Schritte und Unteragenten im End-to-End-Workflow koordiniert. Jeder Unteragent kann auch zusätzliche Unteragenten parallel auslösen, um die Effizienz zu verbessern. Integritätsprüfungen validieren, ob jeder Schritt wie erwartet abgeschlossen wurde, und wenn ein Schritt die erforderlichen Kriterien nicht erfüllt, wird er automatisch neu initiiert, bis er die Validierung besteht.
Die Signaturerstellung erfolgt nicht allein durch ein generisches Modell. Der Workflow verwendet spezialisierte Agenten, die auf Catos angesammeltem Wissen über Sicherheitsforschung, Erkennungslogik, IPS-Signaturmuster, Umgehungstechniken und Validierungserfahrungen trainiert wurden. Jeder Agent ist darauf ausgelegt, sich auf eine spezifische Schwachstellenklasse zu spezialisieren, wie z.B. Remote-Code-Ausführung, Authentifizierungsumgehung, Pfadüberquerung, Denial-of-Service, Informationsoffenlegung oder generische Ausnutzung. Diese klassen-spezifische Spezialisierung hilft dem Workflow, stärkere Schutzmaßnahmen für jede Schwachstellenart zu erzeugen, anstatt sich auf einen Einheitsansatz zu verlassen.
Der Workflow ist zudem darauf ausgelegt, Informationen aus verschiedenen Quellen und in unterschiedlichen Formaten zu analysieren, darunter CVE-Sicherheitsmeldungen, Herstellerhinweise, Blogs zur Sicherheitsforschung, vertrauenswürdige private und öffentliche Repositorien sowie technische Diagramme, Bilder und Screenshots. Durch die Kombination dieser Eingaben kann der Agent ein umfassenderes Verständnis des Verhaltens der Schwachstelle entwickeln, bevor er potenzielle Schutzmaßnahmen generiert.
Die Validierung ist ein zentraler Bestandteil des Workflows, nicht nur ein nachträglicher Gedanke. Generierte Schutzmaßnahmen werden sowohl auf falsch-positive als auch auf falsch-negative Ergebnisse anhand aktuellem Echt-Daten Verkehrs aus Catos Data Warehouse getestet. Dies hilft zu überprüfen, dass die Schutzmaßnahmen relevante Angriffsvarianten erkennen, ohne legitimen Verkehr zu blockieren.
Schließlich verbessert sich der Workflow durch Feedbackschleifen, die aus Validierungsergebnissen, Überprüfungen durch Forscher, Ausführungsspuren und Prüfprotokollen generiert werden. Diese Erkenntnisse werden genutzt, um Aufforderungen, Fähigkeiten, Workflow-Logik, spezialisierte Agenten und Modell-Routing-Entscheidungen im Laufe der Zeit zu verfeinern.
Selbstentwickelnd durch operationale Rückmeldungen
Ein zentrales Gestaltungsprinzip des multimodalen CVE-Schutzagenten ist die kontinuierliche Verbesserung. Jedes Mal, wenn der Agent einen End-to-End-Workflow abschließt und einen Pull-Request generiert, überprüfen Sicherheitsforscher den vorgeschlagenen Schutz und geben Rückmeldungen, wenn Verfeinerungen erforderlich sind. Korrekturen können manuell von Forschern oder automatisch durch unterstützende Agenten angewendet werden.
Der Feedbackprozess endet nicht mit einem einzelnen Pull-Request. In regelmäßigen Abständen analysiert ein automatisierter Lern-Workflow abgeschlossene Pull-Requests, Kommentare der Prüfer und gelöste Probleme. Durch den Vergleich des ursprünglich vom Agenten generierten Schutzes mit der endgültig genehmigten Version identifiziert das System wiederkehrende Fehler, fehlende Logik und Verbesserungschancen. Diese Erkenntnisse werden dann genutzt, um die Fähigkeiten, Workflows, Validierungslogik und das Wissen, das der Agent verwendet, zu aktualisieren, was hilft, ähnliche Fehler in zukünftigen Durchläufen zu reduzieren.
Infolgedessen bleibt der Agent nicht statisch. Jeder Überprüfungszyklus wird zu einer Gelegenheit, die Qualität des Schutzes zu verbessern, zukünftige Untersuchungen zu beschleunigen und den End-to-End-Prozess der Schwachstellenforschung kontinuierlich zu verfeinern.
Research Methode
Zur Bewertung der Wirksamkeit des multimodalen CVE-Schutzagenten führten wir eine Pilotstudie über mehrere Kategorien von Schwachstellen hinweg durch. Die Bewertung umfasste 20 reale Schwachstellen, die sich über sechs Hauptangriffsklassen erstreckten. In der ersten Phase bewerteten wir 14 reale Schwachstellen, die sich über sechs Hauptangriffsklassen erstreckten, wobei wir CVEs verwendeten, für die bereits Schutzmaßnahmen existierten. Dadurch konnten wir die vom Agenten generierten Schutzmaßnahmen mit bereits vorhandenen Schutzmaßnahmen im Produktiveinsatz vergleichen. In der zweiten Phase, nach der Verbesserung des Workflows basierend auf der ersten Phase, bewerteten wir sechs zusätzliche CVEs ohne bestehende Schutzmaßnahmen in unserer Umgebung. Diese CVEs der zweiten Phase stammen aus einigen der gleichen Schwachstellenklassen, einschließlich RCE, Authentifizierungsumgehung und Pfadüberquerung, waren jedoch nicht darauf ausgelegt, jede Klasse einzeln abzudecken.
Tabelle 1 fasst die in der Pilotstudie enthaltenen Schwachstellenkategorien und die Anzahl der in jeder Kategorie getesteten CVEs zusammen.
Tabelle 1. Schwachstellenkategorien, die in der Pilotbewertung enthalten sind
Bewertungsprozess
Für jede Schwachstelle analysierte der Agent die verfügbaren Schwachstelleninformationen, generierte potenzielle Schutzmaßnahmen und validierte die Ergebnisse anhand verfügbarer Telemetrie- und Testabläufe.
Die Bewertung unterschied sich leicht zwischen den beiden Pilotphasen. In der ersten Phase wurden bestehende Schutzmaßnahmen aus der Testumgebung entfernt, sodass wir die vom Agenten generierten Schutzmaßnahmen mit bereits in der Produktion verfügbaren Schutzmaßnahmen vergleichen konnten. In der zweiten Phase wurde der Arbeitsablauf gegen Schwachstellen ohne vorhandene Schutzmaßnahmen getestet, sodass wir den verbesserten Arbeitsablauf unter frischen, realen Bedingungen bewerten konnten.
In beiden Phasen maß die Bewertung die Zeit bis zum Schutz, die Qualität des Schutzes und den erforderlichen Grad an Forscherintervention.
Ergebnisse
Abbildung 2 fasst die erste Phase der Pilotbewertung zusammen, die 14 Schwachstellen über mehrere Angriffsarten abdeckt. Die Abbildung hebt die Ausführungszeit, die niedrigste Zeit pro CVE, die Qualität des Schutzes und die Erfolgsquoten des Arbeitsablaufs hervor.
Abbildung 2. Pilot-Ergebnisse der ersten Phase der agentischen CVE-Pipeline
Die Pilotresultate zeigen, dass der agentische Workflow in der Lage war, über ein vielfältiges CVE-Dataset hinweg konsistente Zeit- und Qualitätsmerkmale zu generieren.
Tabelle 2 fasst die wichtigsten Evaluationsmetriken des ersten Pilotprojekts zusammen.
Tabelle 2: Zusammenfassung der Pilotbewertung der ersten Phase
Ergebnisse des zweiten Pilotprojekts
Nach der Verfeinerung des Workflows basierend auf der ersten Pilotphase haben wir den Agenten an sechs Schwachstellen ohne bestehende Schutzmaßnahmen evaluiert.
Abbildung 3 fasst die Ergebnisse zusammen: Im zweiten Durchgang des 6-CVE-Piloten produzierte unser CVE-Agent verwendbare Schwachstellensignaturen für jeden Fall, und die niedrigste Zeit pro CVE betrug 45 Minuten.
Abbildung 3. Ergebnisse der zweiten Phase der agentischen CVE-Pipeline
Die wichtigsten Erkenntnisse
Schnell und effizient
In beiden Pilotphasen generierte der Workflow Schutzmaßnahmen in Stunden statt in Tagen. Dies ist deshalb von Bedeutung, weil die manuelle Erstellung von Schutzmechanismen typischerweise stundenlange Arbeitszeit von Sicherheitsexperten erfordert, einschließlich Schwachstellenanalyse, Entwicklung der Erkennungslogik, Validierung, Überprüfung und Optimierung. In der ersten Phase betrug die schnellste Zeit bis zum Schutz 45 Min. Nach Verbesserungen des Workflows produzierte die zweite Phase verwendbare Signaturen für alle sechs bewerteten CVEs, wobei mehrere Schutzmaßnahmen in weniger als einer Stunde generiert wurden und die schnellste ebenfalls 45 Minuten betrug.
Hohe Erfolgsquote
Der Workflow hat erfolgreich nutzbare Schutzmaßnahmen für nahezu alle bewerteten Schwachstellen generiert. In der ersten Phase stimmten mehrere generierte Schutzmaßnahmen mit bereits in der Produktion eingesetzten Schutzmaßnahmen überein oder übertrafen diese. In der zweiten Phase hat der Agent nutzbare Schwachstellensignaturen für alle sechs neu veröffentlichten CVEs erstellt.
Konsistent und vorhersehbar
Die Ergebnisse beider Phasen zeigten ein wiederholbares Verhalten über mehrere Schwachstellenklassen hinweg, wobei die Ausführungszeit innerhalb praktischer Bereiche blieb, anstatt von isolierten erfolgreichen Durchläufen abzuhängen.
Sicherheitskontrollen funktionierten wie beabsichtigt
In einem Fall hat der Workflow den Fortschritt korrekt gestoppt, da ausreichende öffentliche Exploit-Informationen nicht verfügbar waren. Dies demonstrierte die Bedeutung der Durchsetzung von Richtlinien und Sicherheitsvorkehrungen innerhalb autonomer Sicherheits-Workflows.
Tabelle 3 präsentiert den vollständigen Pilotbewertungsdatensatz und die Ergebnisse.
Tabelle 3: Pilotbewertungsdatensatz und Ergebnisse der ersten Phase
Tabelle 4 fasst die Ergebnisse der zweiten Pilotphase zusammen.
Tabelle 4: Ergebnisse der zweiten Phase unter Verwendung des verbesserten Workflows
Schutzqualitätsanalyse
Über die Geschwindigkeit hinaus konzentrierte sich die Bewertung darauf, ob die erzeugten Schutzmaßnahmen präzise, effizient und für die Überprüfung durch Forscher geeignet waren. Im Rahmen des Pilotprojekts erreichten mehrere erzeugte Schutzmaßnahmen Produktionsqualitätsniveau, wobei einige nur eine begrenzte Verfeinerung vor der Genehmigung benötigten.
Der Agent konnte wichtige Überlegungen zur Erkennung berücksichtigen, wie Angriffsvariationen, Kodierungsunterschiede, Signaturspezifität und die Reduzierung von Fehlalarmen. Dies half sicherzustellen, dass die erzeugten Schutzmaßnahmen nicht nur schnell produziert wurden, sondern auch praktisch für die Durchsetzung in der realen Welt waren.
Diese Ergebnisse deuten darauf hin, dass die agentische Forschung zu Schwachstellen zu einer schnelleren und effizienteren Schutztechnik beitragen kann, während die Forscher die Kontrolle über die endgültige Validierung und Genehmigung behalten.
Frühe Bewertung von Claude Opus 4.8
Einer der Vorteile einer modellagnostischen Architektur ist die Fähigkeit, neue Grundmodelle schnell zu übernehmen, sobald sie verfügbar sind.
Kurz nachdem Claude Opus 4.8 am 28. Mai 2026 verfügbar wurde, bewerteten wir es anhand von CVE-2026-41940, einer cPanel-Schwachstelle, die wir zuvor besprochen hatten. Tabelle 5 zeigt die Ergebnisse dieser frühen Bewertung von Claude Opus 4.8.
Tabelle 5: Frühe Bewertung von Claude Opus 4.8
Der Workflow erzeugte in weniger als einer Stunde einen hochwertigen Schutz beim ersten Versuch.
Warum die Plattform wichtig ist
Die Wirksamkeit des agentischen Schwachstellenschutzes wird nicht ausschließlich durch das zugrunde liegende KI-Modell bestimmt. Ein Modell kann helfen, eine Schwachstelle zu analysieren oder einen Kandidaten für den Schutz zu generieren, aber der wahre Wert kommt von der Architektur darum herum, der Orchestrierung, der Validierung, den Feedback-Schleifen und der Fähigkeit, Schutzmaßnahmen schnell und sicher in großem Maßstab bereitzustellen.
Dank der Cloud-nativen Architektur von Cato kann der Multi-Modal CVE Protection Agent ohne jegliches Zutun des Kunden von der Schwachstellenanalyse zum Kundenschutz übergehen. Neue Schutzmaßnahmen können gegen reale Verkehrsdaten validiert, über Catos globales PoP-Netzwerk bereitgestellt und über eine einheitliche Sicherheitsplattform ohne Wartungsfenster, Geräte-Updates oder manuelle Eingriffe geliefert werden. Dies verstärkt ein breiteres Prinzip, das wir im The Mythos Moment besprochen haben: Der langfristige Wert von KI ergibt sich nicht nur aus dem Grundmodell, sondern aus der Architektur, der Orchestrierung und den Feedback-Schleifen, die darum herum aufgebaut sind.
Diskussion und Fazit
Die Pilot- und Nachfolgeforschung hat gezeigt, dass agentische Schwachstellenforschung die Zeit bis zum Schutz über mehrere Schwachstellenklassen hinweg erheblich reduzieren kann. Der Multi-Modal CVE Protection Agent generierte konsequent Schutzmaßnahmen mit vorhersehbaren Ausführungszeiten, angemessenen Kosten und starken Qualitätsresultaten. Ebenso wichtig ist, dass die Forschung gezeigt hat, dass sich der Engpass verschiebt: Die Generierung von Schutzmaßnahmen ist nicht mehr der schwierigste Teil, die Validierung und Operationalisierung dieser sicher in großem Maßstab ist der Punkt, an dem Plattformarchitektur, reale Telemetrie und die Aufsicht durch Forscher entscheidend werden.
Dies ist nicht mehr nur ein Pilotprojekt. Cato-Forscher nutzen bereits diesen Workflow, um schnellere und stärkere Schutzmaßnahmen für Kunden bereitzustellen. Menschliche Expertise bleibt zentral im Prozess, Forscher überprüfen Ergebnisse, validieren komplexe Fälle und treffen bei Bedarf endgültige Entscheidungen zur Erkennung, während der Agent repetitive Forschungs- und Ingenieuraufgaben im maschinellen Maßstab automatisiert. Während sich Grundmodelle weiterentwickeln, bieten modellunabhängige Architekturen wie diese einen praktischen Weg, um Fortschritte in der KI in schnelleren Kundenschutz zu übersetzen.
