Ridurre il tempo di protezione con l’agente di protezione delle vulnerabilità auto-evolutivo di Cato

TL;DR: Nell’era dei modelli di intelligenza artificiale all’avanguardia, la scoperta di vulnerabilità e lo sviluppo di exploit si stanno diffondendo a una velocità ben superiore alla capacità di risposta manuale. I team di sicurezza sono già alle prese con volumi crescenti di CVE, finestre di sfruttamento più brevi, flussi di lavoro manuali per la ricerca di vulnerabilità e la creazione, validazione e preparazione alla distribuzione dei sistemi di protezione. Dal momento che gli autori degli attacchi fanno leva sulle vulnerabilità più rapidamente di quanto le organizzazioni riescano a correggerle, il tempo di protezione sta diventando un indicatore di sicurezza essenziale.

In Cato, abbiamo concepito l’agente di protezione delle vulnerabilità multimodale auto-evolutivo con l’obiettivo di accelerare il percorso dalla divulgazione del CVE alla protezione dei clienti. Nell’ambito di due fasi pilota, l’agente ha generato delle protezioni utilizzabili per svariate classi di vulnerabilità, dimostrando un certo grado di coerenza. Nella prima fase, molte delle protezioni generate hanno eguagliato o superato quelle già impiegate in produzione. Dopo i miglioramenti del flusso di lavoro, la seconda fase ha prodotto firme utilizzabili per tutti e sei i CVE valutati, con il più veloce completato in 45 minuti. In questo blog, condividiamo la metodologia, i risultati e le principali intuizioni dalla valutazione di un flusso di lavoro agentico indipendente dal modello che migliora attraverso il feedback di validazione, i registri di audit e la revisione dei ricercatori.

Flusso di lavoro dell’agente di protezione CVE

L’obiettivo del flusso di lavoro è trasformare una vulnerabilità appena divulgata in una protezione validata nel minor tempo possibile, mantenendo i ricercatori di sicurezza a capo delle decisioni finali.

A un livello elevato, il flusso di lavoro consta di cinque fasi e comprende un ciclo di apprendimento e affinamento:

• Raccolta di informazioni sulle vulnerabilità
• Analisi degli exploit
• Generazione di sistemi di protezione
• Validazione
• Revisione dei ricercatori

Il flusso di lavoro combina più modelli di intelligenza artificiale con la capacità di analisi di diversi tipi di artefatti di sicurezza, inclusi avvisi dei fornitori, registri CVE, repository privati e pubblici affidabili, screenshot e diagrammi tecnici. Ciò consente all’agente di pervenire a una comprensione più ampia della vulnerabilità prima di generare e validare una protezione. La figura 1 presenta una panoramica del flusso di lavoro di protezione CVE agentico, dall’analisi delle vulnerabilità attraverso la validazione e la revisione dei ricercatori.

Figura 1. Il flusso di lavoro dell’agente di protezione CVE multimodale ad alto livello

Struttura multimodello e multimodale

Il flusso di lavoro è sia multimodello che multimodale. È multimodello perché può avvalersi di diversi modelli di intelligenza artificiale a seconda della complessità del compito; allo stesso tempo, è multimodale perché può analizzare diversi tipi di artefatti di sicurezza, inclusi avvisi, codice sorgente, screenshot, diagrammi tecnici e exploit di prova di concetto.

Uno degli obiettivi di progettazione principali risiedeva nella flessibilità. Svariate fasi della ricerca sulle vulnerabilità richiedono molteplici capacità di ragionamento, rendendo inefficiente l’uso dello stesso modello per ciascuna attività. Durante la nostra valutazione, abbiamo fatto principalmente ricorso a Claude Sonnet 4.6 e Claude Opus 4.7, avviando le valutazioni anche con Claude Opus 4.8 e OpenAI GPT-5.5-Cyber poco dopo il loro rilascio.

Compiti come l’estrazione di metadati, l’analisi degli avvisi e l’orchestrazione del flusso di lavoro possono essere gestiti in modo efficiente da modelli a basso costo. Attività più complesse, come l’analisi degli exploit, la generazione di firme e il perfezionamento della validazione, traggono vantaggio da modelli di ragionamento più robusti. L’architettura è volutamente indipendente dal modello, consentendo ai miglioramenti nei modelli di base di favorire il flusso di lavoro senza la necessità di riprogettare il sistema sottostante.

Dietro le quinte, l’agente è gestito da uno strato di orchestrazione che coordina 16 passaggi e sub-agenti attraverso il flusso di lavoro end-to-end. Ciascun sub-agente può anche attivare ulteriori sub-agenti in parallelo per migliorare l’efficienza. I filtri di integrità verificano se ogni passaggio è stato completato come previsto, e se un passaggio non soddisfa i criteri richiesti, viene automaticamente riavviato fino a quando non supera la fase di validazione.

La generazione di firme non è eseguita da un unico modello generico. Il flusso di lavoro fa ricorso ad agenti specializzati addestrati sulla conoscenza maturata da Cato relativa alla ricerca sulla sicurezza, alla logica di rilevamento, ai modelli di firme IPS, alle tecniche di evasione e all’esperienza di validazione. Ogni agente è progettato per specializzarsi in una specifica classe di vulnerabilità, come l’esecuzione di codice remoto, il bypass dell’autenticazione, il path traversal, la negazione del servizio, la divulgazione di informazioni o l’utilizzo malevolo generico. Questa specializzazione specifica per classe aiuta il flusso di lavoro a rafforzare la protezione per ciascun tipo di vulnerabilità, evitando di fare affidamento su un approccio universale.

Inoltre, il flusso di lavoro è progettato per analizzare informazioni provenienti da più fonti e formati, inclusi avvisi CVE, divulgazioni dei fornitori, blog di ricerca sulla sicurezza, repository privati e pubblici rispettabili, diagrammi tecnici, immagini e screenshot. La combinazione di questi input consente all’agente di sviluppare una comprensione più ampia del comportamento delle vulnerabilità prima di generare eventuali misure di protezione.

La validazione non è un elemento secondario, bensì una parte fondamentale del flusso di lavoro. Le misure di protezione generate vengono testate sia per falsi positivi che per falsi negativi rispetto ai recenti dati di traffico reale provenienti dal data warehouse di Cato. Ciò aiuta a verificare che le protezioni rilevino le permutazioni di attacco pertinenti senza bloccare il traffico legittimo.

Infine, il flusso di lavoro migliora attraverso cicli di feedback generati dai risultati di validazione, dalle revisioni dei ricercatori, dalle tracce di esecuzione e dai registri di audit. Queste intuizioni vengono impiegate per affinare nel tempo i prompt, le competenze, la logica del flusso di lavoro, gli agenti specializzati e le decisioni di instradamento del modello.

Auto-evoluzione attraverso il feedback operativo

Un principio di progettazione cruciale dell’agente di protezione CVE multimodale è il miglioramento continuo. Ogni volta che l’agente completa un flusso di lavoro end-to-end e genera una richiesta di pull, i ricercatori di sicurezza esaminano la protezione proposta e forniscono feedback ogniqualvolta si rendano necessari degli affinamenti. Le correzioni possono essere applicate manualmente dai ricercatori o automaticamente tramite agenti di supporto.

Il processo di feedback non termina con una singola richiesta di pull: periodicamente, un flusso di lavoro di apprendimento automatizzato analizza le richieste di pull completate, i commenti dei revisori e i problemi risolti. Confrontando la protezione generata dall’agente con la versione finale approvata, il sistema identifica errori ricorrenti, logica mancante e opportunità di miglioramento. Queste intuizioni vengono perciò utilizzate per aggiornare le competenze, i flussi di lavoro, la logica di validazione e le conoscenze utilizzate dall’agente, contribuendo a ridurre la comparsa di errori simili.

Di conseguenza, l’agente non rimane statico: ogni ciclo di revisione diventa un’opportunità per migliorare la qualità della protezione, accelerare le indagini future e affinare ininterrottamente il processo di ricerca delle vulnerabilità end-to-end.

Metodo di ricerca

Per valutare l’efficacia dell’agente di protezione CVE multimodale, abbiamo condotto uno studio pilota su diverse categorie di vulnerabilità. La valutazione ha preso in considerazione 20 vulnerabilità reali che coprono sei principali classi di attacco. Nella prima fase, abbiamo valutato 14 vulnerabilità reali che coprono sei principali classi di attacco, utilizzando CVE per le quali erano già presenti delle protezioni. Questo ci ha permesso di confrontare le misure di protezione generate dall’agente con quelle di produzione esistenti. Nella seconda fase, dopo aver migliorato il flusso di lavoro in virtù della prima fase, abbiamo valutato sei ulteriori CVE senza protezioni nel nostro ambiente. Tali CVE della seconda fase provenivano da alcune delle stesse classi di vulnerabilità, tra cui RCE, bypass di autenticazione e path traversal, ma non erano destinati a coprire ogni singola classe.

La Tabella 1 riassume le categorie di vulnerabilità incluse nel progetto pilota e il numero di CVE testati in ciascuna categoria.

Tabella 1. Categorie di vulnerabilità incluse nella valutazione pilota

Processo di valutazione

Per ciascuna vulnerabilità, l’agente ha analizzato le informazioni disponibili sulle vulnerabilità, generato protezioni candidate e validato i risultati rispetto alla telemetria e ai flussi di lavoro di test disponibili.

La valutazione è leggermente variata tra le due fasi del progetto pilota. Nella prima fase, le protezioni sono state rimosse dall’ambiente di test, il che ci ha permesso di confrontare le protezioni generate dall’agente con quelle già disponibili in produzione. Nella seconda fase, il flusso di lavoro è stato testato contro vulnerabilità in assenza di protezioni preesistenti, consentendoci di valutare il flusso di lavoro migliorato in condizioni reali e inedite.

In entrambe le fasi, la valutazione ha rilevato tempi e qualità della protezione e il livello di intervento richiesto dai ricercatori.

Risultati

La Figura 2 riassume la prima fase della valutazione pilota, coprendo 14 vulnerabilità attraverso più classi di attacco. La figura evidenzia il tempo di esecuzione, il tempo più basso per CVE, la qualità della protezione e i tassi di successo del flusso di lavoro.

Figura 2. Risultati della prima fase pilota della pipeline CVE agentica

I risultati della fase pilota mostrano che il flusso di lavoro agentico è stato in grado di generare misure di protezione su un set di dati CVE diversificato con caratteristiche di tempo e qualità costanti.

La Tabella 2 riassume i principali indicatori di valutazione della prima fase pilota.

Tabella 2: riepilogo della valutazione della prima fase pilota

Risultati della seconda fase pilota

Dopo aver affinato il flusso di lavoro basato sulla prima fase pilota, abbiamo valutato l’agente in relazione a sei vulnerabilità in completa assenza di protezioni preesistenti.

La figura 3 riassume i risultati: nella seconda fase pilota 6-CVE, il nostro agente CVE ha prodotto firme di vulnerabilità utilizzabili per ogni evento, con un tempo minimo per CVE di 45 min.

Figura 3. Risultati della seconda fase CVE agentica

Risultati principali

Velocità ed efficienza

In entrambe le fasi pilota, il flusso di lavoro ha generato protezioni misurabili in ore anziché in giorni. Si tratta di un risultato notevole, poiché la creazione manuale di protezioni richiede in genere ore e ore di lavoro da parte di esperti ricercatori di sicurezza, comprese l’analisi delle vulnerabilità, la progettazione della logica di rilevamento, la validazione, la revisione e l’affinamento. Nella prima fase, il minor tempo di protezione è stato di 45 minuti. Dopo i miglioramenti del flusso di lavoro, la seconda fase ha prodotto firme utilizzabili per tutti e sei i CVE valutati, con il più veloce completato in 45 minuti e protezioni multiple generate in meno di un’ora.

Alta percentuale di successo

Il flusso di lavoro ha generato con successo protezioni utilizzabili per quasi tutte le vulnerabilità oggetto di valutazione. Nella prima fase, molte delle protezioni generate hanno eguagliato o superato quelle già impiegate in produzione. Nella seconda fase, l’agente ha prodotto firme di vulnerabilità utilizzabili per tutti e sei i CVE di recente divulgazione.

Coerenza e prevedibilità

I risultati di entrambe le fasi hanno mostrato un comportamento ripetibile attraverso più classi di vulnerabilità, con tempi di esecuzione compresi in intervalli pratici anziché dipendere da singole esecuzioni andate a buon fine.

I controlli di sicurezza hanno agito come previsto

In un caso, il flusso di lavoro ha correttamente interrotto l’avanzamento, in quanto non erano disponibili informazioni pubbliche sufficienti sugli exploit. Questo ha dimostrato l’importanza dell’applicazione delle policy e delle protezioni all’interno dei flussi di lavoro di sicurezza autonomi.

La Tabella 3 presenta il set di dati completo di valutazione pilota e i risultati.

Tabella 3: set di dati e risultati della valutazione pilota della prima fase

La Tabella 4 riassume i risultati della seconda fase pilota.

Tabella 4: Risultati della seconda fase utilizzando il flusso di lavoro migliorato

Analisi della qualità della protezione

Oltre alla velocità, la valutazione ha contemplato la precisione, l’efficienza e l’idoneità alla revisione da parte dei ricercatori delle misure di protezione generate. Durante il progetto pilota, molte protezioni generate hanno raggiunto livelli di qualità elevati, con alcune che hanno richiesto affinamenti di minore entità prima dell’approvazione.

L’agente è stato in grado di tenere conto di importanti considerazioni di rilevamento, come le varianti degli attacchi, le differenze di codifica, la specificità delle firme e la riduzione dei falsi positivi. Ciò ha aiutato a garantire che le protezioni generate non fossero solo veloci da produrre, ma anche pratiche da applicare nel concreto.

Questi risultati suggeriscono che la ricerca sulla vulnerabilità agentica può favorire un’ingegneria della protezione più rapida ed efficiente, mantenendo i ricercatori in controllo della validazione e approvazione finale.

Valutazione preliminare di Claude Opus 4.8

Uno dei vantaggi di un’architettura indipendente dal modello è la capacità di adottare rapidamente nuovi modelli di base man mano che diventano disponibili.

Subito dopo il rilascio avvenuto il 28 maggio 2026, abbiamo valutato Claude Opus 4.8 utilizzando CVE-2026-41940, una vulnerabilità di cPanel di cui abbiamo parlato in precedenza. La Tabella 5 mostra i risultati di tale valutazione preliminare di Claude Opus 4.8.

Tabella 5: Valutazione preliminare di Claude Opus 4.8

Il flusso di lavoro ha generato, in meno di un’ora, una protezione di alta qualità al primo tentativo.

Perché la piattaforma è importante

L’efficacia della protezione contro le vulnerabilità agentiche non è determinata esclusivamente dal modello di IA alla base. Un modello può contribuire ad analizzare una vulnerabilità o a generare una potenziale protezione, ma il vero valore deriva dall’architettura che lo circonda, dall’orchestrazione, dalla validazione, dai feedback e dalla capacità di fornire rapidamente protezioni affidabili su larga scala.

L’architettura nativa del cloud di Cato consente all’agente di protezione CVE multimodale di passare dall’analisi delle vulnerabilità alla protezione dei clienti senza richiedere loro alcuna azione. Le nuove protezioni possono essere validate ricorrendo a dati di traffico reali, distribuite attraverso la rete globale di PoP di Cato e fornite tramite una piattaforma di sicurezza unificata senza finestre di manutenzione, aggiornamenti degli appliance o interventi manuali. Tutto questo rafforza un principio più ampio di cui abbiamo discusso in Il Momento Mythos: il valore a lungo termine dell’IA non deriva solo dal modello di base, ma anche dall’architettura, dall’orchestrazione e dai cicli di feedback costruiti attorno ad esso.

Discussione e conclusione

La ricerca pilota e di follow-up ha dimostrato che la ricerca di vulnerabilità agentiche può ridurre notevolmente il tempo di protezione attraverso più classi di vulnerabilità. L’agente di protezione CVE multimodale ha costantemente generato protezioni con tempi di esecuzione prevedibili, costi ragionevoli e risultati di alta qualità. Altrettanto importante è il fatto che la ricerca ha messo in risalto uno scostamento del collo di bottiglia: la parte più impegnativa non è la generazione di misure di protezione, quanto piuttosto la loro convalida e messa in opera sicura su larga scala. In questo contesto, l’architettura della piattaforma, la telemetria dal mondo reale e la supervisione da parte dei ricercatori diventano elementi oltremodo centrali.

Siamo ben oltre la fase pilota. I ricercatori di Cato stanno già utilizzando questo flusso di lavoro per contribuire a fornire protezioni più rapide e più solide ai clienti. Le competenze umane continuano a svolgere un ruolo centrale nel processo: i ricercatori esaminano i risultati, convalidano casi complessi e prendono decisioni finali di rilevamento ogniqualvolta sia necessario. D’altra parte, l’agente automatizza attività di ricerca e ingegneria ripetitive a velocità di macchina. Man mano che i modelli di base continuano a evolversi, le architetture indipendenti dai modelli come quella discussa assicurano un percorso pratico per far sì che i progressi dell’IA favoriscano l’introduzione di un sistema di protezione più rapido per i clienti.