معرفی مدل هوش مصنوعی Altar-1 برای دفاع سایبری بومی

شرکت بلژیکی Aikido Security با انتشار جزئیات فنی جدید، مدل هوش مصنوعی Altar-1 را به عنوان نخستین گام از برنامه‌ی Aikido Labs برای توسعه‌ی مدل‌های امنیتی اختصاصی معرفی کرد. این مدل که برای کاربردهای دفاعی در حوزه‌ی امنیت سایبری طراحی شده است، با هدف کاهش وابستگی سازمان‌ها به سرویس‌های ابری خارجی و جلوگیری از ارسال کدهای حساس به بیرون از شبکه‌ی داخلی، توسعه یافته است.

پایه‌ی معماری Altar-1 بر مدل GLM-5.3 شرکت Z.AI استوار است. شرکت آیکیدو برای بهینه‌سازی این مدل و کاهش چشمگیر حجم آن، از روش‌های کوانتیزاسیون (Quantization) و حذف متخصصان (Expert Pruning) استفاده کرده است. حجم نسخه‌ی کامل GLM-5.3 حدود ۱.۵۱ ترابایت است که پس از فرآیند کوانتیزه‌شدن به ۴۸۸ گیگابایت و سپس با حذف ۸۸ مورد از ۲۵۶ بخش تخصصی مدل (حدود ۳۴.۴ درصد از بخش‌های تخصصی)، به ۳۲۸ گیگابایت کاهش یافته است. این حجم مربوط به وزن‌های مدل در فرمت INT4 است.

آیکیدو اعلام کرده است که Altar-1 برای شناسایی آسیب‌پذیری‌های نرم‌افزاری، تحلیل کد، فراخوانی ابزارها، استدلال و فرایندهای تست نفوذ بهینه شده است. این مدل قابلیت اجرا روی چهار کارت گرافیک از خانواده‌ی H200 و با استفاده از کتابخانه‌ی vLLM را دارد. این ویژگی برای سازمان‌هایی که نمی‌خواهند داده‌های امنیتی یا کدهای خود را از شبکه‌ی داخلی خارج کنند، به‌ویژه در محیط‌های بانکی، درمانی و زیرساخت‌های حساس، اهمیت ویژه‌ای دارد.

در ارزیابی عملکرد این مدل، آیکیدو مجموعه‌ای شامل ۳۲ آسیب‌پذیری شناخته‌شده در ۳۰ مخزن کد را بررسی کرد. نتایج نشان داد که Altar-1 توانسته است در مجموع ۶۰.۴ درصد از آسیب‌پذیری‌های موجود را شناسایی کند و دست‌کم یک‌بار ۲۳ مورد از ۳۲ آسیب‌پذیری را پیدا نماید. برای مقایسه، نسخه‌ی کوانتیزه‌شده‌ی GLM-5.3 به نرخ شناسایی ۶۱.۵ درصد و نسخه‌ی اصلی مدل به ۶۵.۶ درصد رسیدند. البته آیکیدو تأکید کرده است که این آزمایش توسط خود شرکت انجام شده و نتیجه‌ی آن لزوماً نشان‌دهنده‌ی عملکرد مدل در کشف آسیب‌پذیری‌های ناشناخته یا در شرایط واقعی نیست.

وزن‌های Altar-1 در پلتفرم Hugging Face منتشر شده‌اند و امکان استقرار محلی آن وجود دارد. یک نکته‌ی فنی مهم که باید در نظر گرفته شود این است که صفحه‌ی Hugging Face فعلاً Altar-1 را به‌صورت مدلی حدود ۵۰۴ میلیارد پارامتری معرفی می‌کند، درحالی‌که عدد ۳۲۸ گیگابایت مربوط به حجم وزن‌های INT4 آن است و این دو عدد نباید با هم اشتباه گرفته شوند.

آیکیدو در ادامه قصد دارد مدل‌های خود را برای پژوهش آسیب‌پذیری، تحلیل کد، اصلاح مشکلات امنیتی و تست نفوذ پیشرفته‌تر کند.