Black Hat USA 2026 Keynote: Vulnerability Research in the Agentic Age
三句話摘要
AI時代下漏洞研究的轉變：從工具升級到屬性理解，人類創新在自主代理時代的角色。 AI 時代的漏洞研究不是「機器替人」，而是需要人類深化對漏洞屬性的理解來引導代理高效發現，同時建立新的責任披露機制應對規模爆炸——這是人類創新最有價值的地方。 漏洞屬性提取勝於模型大小：不同分析工具各自針對特定漏洞屬性（如數據流、控制流、多執行緒行為），光靠更強的 LLM 無法替代對漏洞特性的系統理解。屬性提取與應用能夠發現不同工具都會遺漏的漏洞。
重點整理
重點- 1
漏洞屬性提取勝於模型大小：不同分析工具各自針對特定漏洞屬性（如數據流、控制流、多執行緒行為），光靠更強的 LLM 無法替代對漏洞特性的系統理解。屬性提取與應用能夠發現不同工具都會遺漏的漏洞。
- 2
發現量激增引發披露危機：Linux 核心已發現超 1000 個本地權限提升漏洞，發現速度是報告速度的 10 倍，傳統負責任披露機制已無法應對。每披露一個漏洞反而危及三倍以上的設備。
- 3
工作流程與代理協作才是破局點：單純堆砌 GPT 不如用良好工作流程引導少數高等級模型，結合漏洞屬性感知引擎才能高效過濾幻覺、精準發現真實漏洞。
- 4
人類創新在代理時代更關鍵：AI 代理還無法獨立完成 100% 的漏洞研究，需要人類提供威脅模型理解、屬性定義、工作流設計等，這恰好是進入安全領域投入深度研究的最佳時機。
實用技巧與重點
乾貨- 具體數字與案例：
- 華為開源鴻蒙系統：全球 10 億台設備使用，發現數十個零日漏洞（藍牙劫持、隱私洩露等）
- Linux 內核：約 600 個本地權限提升漏洞，後續搭配屬性引導發現超 1000 個
- Mythos 報告：發現 Firefox、Linux 內核中數百個漏洞
- Apple 漏洞賞金計劃：被 AI 生成的垃圾報告淹沒而延遲
- ASU Pawn College：每月 10,000+ 人主動學習網路安全
- 工具與框架：
- Anger：多模態模糊框架，統治 CTF 約 2 年
- Arbiter：基於 Anger 的大規模二進制分析平台
- American Fuzzy Lop (AFL)：開源模糊測試工具
- Claude/GPT：配合工作流程使用（非單獨堆砌）
- Mythos：新一代高效漏洞發現模型
- 漏洞屬性類型：
- 數據流漏洞（資料流、注入攻擊）
- 控制流漏洞（控制流、邏輯錯誤）
- 多執行緒行為漏洞
- 記憶體損壞漏洞
- 加密協議漏洞（如 LibCrypt 的古典加密攻擊）
- 責任披露嘗試：
- 建立網站集中發佈 CVE 詳細資訊與雜湊值
- 提供「振動編碼補丁」供正式補丁前使用
- 與大型供應商和安全組織合作推動主動防禦
結論
結論“AI 時代的漏洞研究不是「機器替人」，而是需要人類深化對漏洞屬性的理解來引導代理高效發現，同時建立新的責任披露機制應對規模爆炸——這是人類創新最有價值的地方。”
完整解析
詳細演講者 Yan Shoshitaishvili 是亞利桑那州立大學副教授，他從自己與 CTF（捕旗賽）及漏洞研究的十多年淵源出發，剖析了 AI 時代下漏洞發現的根本轉變。
問題背景與思路轉變
在進入「代理時代」前，漏洞研究主要依賴靜態分析、動態分析和模糊測試三大類工具。過去十年，業界一直在說「新的模糊測試器更好、那個更好」。當大語言模型（LLM）問世後，人們驚嘆「看，LLM 發現了模糊測試器遺漏的漏洞」，隨即轉向直接將代碼丟進 ChatGPT。但這個論述忽視了一個根本問題：不同的分析方法本質上是針對不同的漏洞屬性。靜態分析針對某些屬性，模糊測試針對其他屬性，LLM 的能力邊界同樣有限。光靠更強的模型而不理解漏洞屬性結構，反而容易產生大量幻覺和垃圾報告（如 Apple 被迫延遲漏洞賞金計劃）。
屬性提取的威力
Yan 團隊的關鍵洞察是：提取已研究軟體的漏洞屬性，再將其應用到新軟體。以華為開源鴻蒙系統為例——這個系統有 10 億台設備在運行，卻沒有重大學術安全研究。團隊從過去十多年的 Android 研究中提取了漏洞屬性配方，手動分析代碼時發現每個屬性應用都導致一個新的零日漏洞，最終發現了數十個漏洞（藍牙劫持、隱私洩露、位置資訊洩露等）。這表明漏洞具有結構性，理解屬性比單純堆砌計算力更高效。
規模與規範的困境
但規模帶來了新問題。團隊用配置好工作流程的 3 個高等級 GPT 模型分析 Linux 內核，發現了約 600 個本地權限提升漏洞，超越了 Mythos（479 個）的公開報告。進一步應用漏洞屬性引導後，總數突破 1000 個。這樣的發現速度遠超修復速度——他們能發現的漏洞數是能合理報告的 10 倍。更嚴峻的是，他們在嵌入式設備研究中發現：每披露一個漏洞，根據統計方式，危及的設備數竟是保護的設備數的 3 倍。傳統的責任披露流程本質上正在削弱而非增強安全。
人類角色的重新定位
面對「AI 是否蠶食網路安全」的提問，Yan 的答案是明確的：現階段代理能做的是讓人類完成更多工作、產生更大影響，並非完全替代。人工智慧需要人類對威脅模型、漏洞空間的深刻理解，需要設計高效工作流程、定義屬性結構。他強調，現在正是深入網路安全研究的最佳時機——過去研究論文往往基於小樣本做隱含假設，現在代理能將方法擴展到千級規模，但前提是人類先建立正確的認知框架。他自己的研究從 11 年前的 3 個固件樣本發展到今日千級固件的自主分析，正是這種進化的縮影。
關鍵時刻
Pipeline v2帶時間戳的重點，會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。
事實查核
Pipeline v2說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。
