1 คะแนน โดย GN⁺ 2025-04-06 | 1 ความคิดเห็น | แชร์ทาง WhatsApp
  • มุ่งเน้นที่การเสริมศักยภาพของผู้เชี่ยวชาญด้านความปลอดภัยไซเบอร์เพื่อ укрепความได้เปรียบให้กับฝั่งผู้ป้องกัน
  • ผู้โจมตีต้องหาเพียงช่องโหว่เดียวให้เจอ แต่ผู้ป้องกันต้องรับมือกับทุกภัยคุกคาม จึงมุ่งแก้ปัญหาความไม่สมมาตรที่ผู้โจมตีได้เปรียบนี้
  • เวิร์กโฟลว์ความปลอดภัยไซเบอร์ที่ขับเคลื่อนด้วย AI อาจช่วยให้สมดุลกลับมาเอื้อประโยชน์ต่อผู้ป้องกันได้

ฟีเจอร์หลักและประสิทธิภาพ

  • ผสานความสามารถด้านการให้เหตุผลขั้นสูงของโมเดล Geminiเข้ากับความรู้และเครื่องมือด้านความปลอดภัยล่าสุด
  • แสดงประสิทธิภาพที่โดดเด่นในงานด้านความปลอดภัยไซเบอร์สำคัญ
    • การวิเคราะห์สาเหตุรากของปัญหา
    • การวิเคราะห์ภัยคุกคาม
    • การประเมินผลกระทบของช่องโหว่
  • ผสานรวมกับ Google Threat Intelligence (GTI), ข้อมูล OSV และข้อมูลความปลอดภัยสำคัญอื่น ๆ

ผลการทดสอบเบนช์มาร์ก

  • ในเบนช์มาร์กข่าวกรองภัยคุกคาม CTI-MCQ มีประสิทธิภาพดีกว่าโมเดลอื่นอย่างน้อย 11%
  • ในเบนช์มาร์ก CTI-RCM (การแมปสาเหตุราก) ก็ทำได้ด้วยความแม่นยำที่ดีขึ้น มากกว่า 10.5%
    • วิเคราะห์และจัดหมวดหมู่สาเหตุรากของช่องโหว่ได้อย่างแม่นยำโดยอิงตามระบบจัดประเภท CWE

ตัวอย่างการวิเคราะห์ภัยคุกคาม: Salt Typhoon

  • Sec-Gemini v1 ระบุว่า Salt Typhoon เป็นผู้กระทำภัยคุกคามและให้คำอธิบายอย่างละเอียด
    • เป็นผลจากการผสานรวมกับข้อมูล Mandiant Threat Intelligence
  • สำหรับคำถามเกี่ยวกับ Salt Typhoon จะให้ข้อมูลช่องโหว่ที่เฉพาะเจาะจงที่ผู้กระทำภัยคุกคามรายนี้ใช้
    • เพิ่มบริบทให้ผลการวิเคราะห์โดยอาศัยข้อมูล OSVและMandiant Intelligence
    • ช่วยให้นักวิเคราะห์เข้าใจความเชื่อมโยงระหว่างภัยคุกคามกับช่องโหว่และระดับความเสี่ยงได้รวดเร็วยิ่งขึ้น

การใช้งานและการเผยแพร่

  • เปิดให้ องค์กร สถาบัน ผู้เชี่ยวชาญด้านความปลอดภัย และ NGO ที่ได้รับคัดเลือก ใช้งานฟรีเพื่อวัตถุประสงค์ด้านการวิจัย
  • Google ต้องการก้าวข้ามขีดจำกัดของความสามารถด้านความปลอดภัยที่ขับเคลื่อนด้วย AI ผ่านความร่วมมือกับชุมชนความปลอดภัย

1 ความคิดเห็น

 
GN⁺ 2025-04-06
ความคิดเห็นจาก Hacker News
  • โมเดล Gemini ให้ความรู้สึกต่างจาก Claude, ChatGPT และ Mistral เล็กน้อย

    • ให้ความรู้สึกเหมือนกำลังคุยกับโมเดลที่เน้นงานด้านวิศวกรรม
    • มีความจริงจังที่ไม่ได้พยายามใส่มุกหรือทำให้ดูเท่
    • อาจเป็นเพราะโต้ตอบกับ Gemini ผ่าน AI Studio เท่านั้น
    • เหตุผลง่าย ๆ ที่ไม่ใช้ gemini.google.com คือไม่มีฟังก์ชันส่งออกแบบง่าย ๆ
    • ฟังก์ชันบันทึกลง Google Drive ของ AI Studio มีประโยชน์มาก
    • อยากให้ gemini.google.com มีฟีเจอร์ "บันทึกเป็น Markdown"
  • เมื่อถามเรื่องช่องโหว่ในคำอธิบายของ Salt Typhoon, Sec-Gemini v1 ไม่ได้ให้แค่รายละเอียดของช่องโหว่ แต่ยังให้บริบทเกี่ยวกับผู้กระทำภัยคุกคามด้วย

    • อธิบายช่องโหว่โดยใช้ข้อมูล OSV และข้อมูลจาก Mandiant
    • ยังรู้สึกกังขากับ LLM อยู่ แต่การพัฒนาของ OSV เป็นเรื่องน่ายินดี
  • น่าแปลกใจที่ Google ไม่ตรวจทานคำตอบของ AI อย่างรอบคอบ

    • ในคำถามเกี่ยวกับ CVE-2024-3400 มีการกล่าวว่าอุปกรณ์ของ Hitachi ได้รับผลกระทบ แต่จริง ๆ แล้วไม่ได้รับผลกระทบ
    • CVE ดังกล่าวไม่ได้อยู่ในรายการช่องโหว่ของ Hitachi
    • และก็ไม่มีการกล่าวถึงด้วยว่าฟังก์ชัน "portal" มีช่องโหว่
  • มีคำถามว่านี่เป็นโมเดลที่ทำงานด้านความปลอดภัยจริง ๆ หรือเป็นระบบที่ดึงข้อมูลและใช้เครื่องมือ

    • จากคำอธิบายเรื่องการบูรณาการข้อมูล ดูแล้วน่าจะเป็นอย่างหลังมากกว่า
    • ความแตกต่างระหว่างโมเดลที่ปรับให้เหมาะกับงานความปลอดภัย กับแอป security LLM ที่สร้างไว้ล่วงหน้า เป็นประเด็นสำคัญ
  • การเกิดขึ้นของโมเดลเฉพาะทางเป็นเรื่องน่าสนใจ

    • คล้ายกับมนุษย์ที่ผ่านการฝึกฝนมา
  • มีข้อกังวลอยู่เสมอเกี่ยวกับ LLM กับงานวิเคราะห์

    • เมื่อต้องประเมินความเสี่ยงและผลกระทบของช่องโหว่ หรือวิเคราะห์มัลแวร์ที่ซับซ้อน ต้องตรวจสอบ data point อย่างละเอียดถี่ถ้วน
    • LLM ช่วยได้มาก แต่ต้องตรวจสอบการให้เหตุผลของมัน
    • มนุษย์เองก็เช่นกัน ต้องแสดงหลักฐานรองรับข้อสรุป
  • งานด้านความปลอดภัยความเร็วสูงที่ใช้ระบบ AI เป็นสิ่งจำเป็น แต่ยังไม่เพียงพอ

    • ผู้โจมตีก็จะใช้ระบบ AI เช่นกัน ดังนั้นฝ่ายป้องกันต้องตามให้ทัน
    • ต้องสร้างระบบที่ปลอดภัยยิ่งขึ้น
  • อาจเหมาะสำหรับช่วยงานของผู้เชี่ยวชาญด้านไซเบอร์ซีเคียวริตี้

    • แต่ก็กังวลว่าจะถูกใช้เป็นเครื่องมือโยนความรับผิดชอบ
  • การเชื่อถือสิ่งที่ถูกต้องในเชิงความน่าจะเป็นสำหรับงานความปลอดภัย อาจเป็นความคิดที่ไม่ดี

  • อาจเกี่ยวข้องกับการเข้าซื้อกิจการ wiz