شرکت بلژیکی Aikido Security از مدل هوش مصنوعی Altar-۱ رونمایی کرده است؛ مدلی با وزن‌های در دسترس که به‌طور اختصاصی برای وظایف امنیت سایبری مانند تحلیل کد، شناسایی آسیب‌پذیری و تست نفوذ بهینه شده است. یکی از مهم‌ترین ویژگی‌های Altar-۱ امکان اجرای آن روی زیرساخت داخلی سازمان‌ها است؛ رویکردی که می‌تواند برای شرکت‌هایی با داده‌های امنیتی حساس اهمیت زیادی داشته باشد.
Altar-۱ برای امنیت سایبری ساخته شده است
Altar-۱ یک مدل عمومی هوش مصنوعی نیست که صرفاً برای کاربردهای امنیتی مورد استفاده قرار گرفته باشد. آیکیدو آن را برای مجموعه‌ای از وظایف تخصصی در حوزه دفاع دیجیتال بهینه کرده است.
این مدل می‌تواند در زمینه‌هایی مانند تحلیل کد، کشف آسیب‌پذیری‌های نرم‌افزاری، استدلال، فراخوانی ابزارها و فرایندهای تست نفوذ مورد استفاده قرار گیرد. هدف اصلی، ارائه مدلی است که سازمان‌ها بتوانند آن را در محیط خود اجرا کنند و اطلاعات حساس مربوط به کد و امنیت را به سرویس‌های ابری خارجی ارسال نکنند.
این ویژگی به‌خصوص برای سازمان‌هایی در حوزه‌های بانکی، درمانی و زیرساخت‌های حساس اهمیت دارد؛ زیرا کدهای اختصاصی و گزارش‌های امنیتی می‌توانند بخشی از اطلاعات محرمانه یک مجموعه باشند.
مدل آیکیدو از صفر ساخته نشده است
Altar-۱ یک مدل کاملاً مستقل نیست و معماری پایه آن بر GLM-۵.۳ شرکت Z.AI استوار شده است. آیکیدو برای تبدیل این مدل بزرگ به نسخه‌ای مناسب‌تر برای استقرار محلی، از روش‌هایی مانند Quantization و Expert Pruning استفاده کرده است.
حجم نسخه کامل GLM-۵.۳ حدود ۱٫۵۱ ترابایت اعلام شده است. پس از کوانتیزه‌کردن، حجم آن به حدود ۴۸۸ گیگابایت کاهش پیدا می‌کند و حذف بخشی از متخصصان مدل، این رقم را به حدود ۳۲۸ گیگابایت می‌رساند.
در مرحله Pruning، تعداد ۸۸ بخش از مجموع ۲۵۶ بخش تخصصی مدل حذف شده است؛ یعنی حدود ۳۴٫۴ درصد از این بخش‌ها کنار گذاشته شده‌اند.
البته حجم ۳۲۸ گیگابایتی به وزن‌های فشرده مدل مربوط می‌شود و نباید آن را با تعداد پارامترهای Altar-۱ اشتباه گرفت.
اجرای Altar-۱ به چهار GPU H200 نیاز دارد
با وجود کاهش قابل‌توجه حجم، Altar-۱ همچنان مدل بسیار بزرگی محسوب می‌شود. آیکیدو اعلام کرده است که می‌توان این مدل را با چهار GPU از خانواده NVIDIA H200 و استفاده از چارچوب vLLM اجرا کرد.
این قابلیت به سازمان‌ها اجازه می‌دهد مدل را در زیرساخت محاسباتی خود مستقر کنند. در چنین شرایطی، داده‌های مربوط به کد و فرایندهای امنیتی می‌توانند در شبکه داخلی باقی بمانند.
برای شرکت‌هایی که محدودیت‌های سخت‌گیرانه‌ای درباره انتقال داده به سرویس‌های ابری دارند، اجرای محلی می‌تواند یکی از مزیت‌های اصلی Altar-۱ باشد.
عملکرد Altar-۱ در شناسایی آسیب‌پذیری‌ها
آیکیدو برای ارزیابی مدل خود مجموعه‌ای شامل ۳۲ آسیب‌پذیری شناخته‌شده در ۳۰ مخزن کد را آزمایش کرده است.
Altar-۱ توانست به‌طور میانگین ۶۰٫۴ درصد از آسیب‌پذیری‌های موجود را شناسایی کند و حداقل یک‌بار موفق به پیدا کردن ۲۳ مورد از ۳۲ آسیب‌پذیری شد.
برای مقایسه، نسخه کوانتیزه‌شده GLM-۵.۳ در همین آزمایش به نرخ شناسایی ۶۱٫۵ درصد رسید و نسخه اصلی GLM-۵.۳ نیز عملکرد ۶۵٫۶ درصدی داشت.
این اعداد نشان می‌دهند کاهش حجم مدل بدون هزینه عملکردی انجام نشده است؛ بااین‌حال، نتایج باید با احتیاط تفسیر شوند. این آزمایش توسط خود آیکیدو طراحی و اجرا شده و مجموعه مورد بررسی نیز محدود بوده است. بنابراین نمی‌توان از این نتایج به‌تنهایی درباره توانایی Altar-۱ در کشف آسیب‌پذیری‌های ناشناخته یا عملکرد آن در محیط‌های واقعی نتیجه‌گیری کرد.
تفاوت تعداد پارامترها و حجم مدل را نباید نادیده گرفت
یکی از نکات فنی قابل توجه درباره Altar-۱، تفاوت میان تعداد پارامترهای مدل و حجم فایل وزن‌ها است.
صفحه Altar-۱ در Hugging Face این مدل را با حدود ۵۰۴ میلیارد پارامتر معرفی می‌کند. در مقابل، رقم ۳۲۸ گیگابایت به حجم وزن‌های مدل در قالب INT4 مربوط می‌شود.
بنابراین این دو عدد دو مفهوم کاملاً متفاوت دارند و نمی‌توان حجم ۳۲۸ گیگابایتی را معادل تعداد پارامترهای مدل دانست.
برنامه آیکیدو برای توسعه مدل‌های امنیتی
Altar-۱ نخستین گام برنامه Aikido Labs برای ساخت مدل‌های تخصصی در حوزه امنیت سایبری محسوب می‌شود. این شرکت قصد دارد در مراحل بعدی روی قابلیت‌هایی مانند پژوهش آسیب‌پذیری، تحلیل کد، اصلاح مشکلات امنیتی و تست نفوذ پیشرفته تمرکز کند.
وزن‌های Altar-۱ نیز در Hugging Face منتشر شده‌اند تا امکان بررسی و استقرار محلی مدل فراهم باشد.
در مجموع، Altar-۱ نشان‌دهنده روندی است که در آن شرکت‌ها به‌جای استفاده از مدل‌های عمومی برای وظایف امنیتی، به سمت مدل‌های تخصصی و قابل‌استقرار در زیرساخت داخلی حرکت می‌کنند. البته اینکه کاهش اندازه و هزینه اجرا تا چه حد می‌تواند بدون افت محسوس عملکرد انجام شود، موضوعی است که ارزیابی‌های مستقل و آزمایش‌های گسترده‌تر باید مشخص کنند.
نظرات کاربران