用 Jev 构建更快、更便宜的漏洞扫描器

depthfirst
depthfirst

securitainment

2026年9月30日 12:06
中国香港

在小说阅读器读本章

去阅读

在公众号小说中沉浸阅读

引言

扫描代码漏洞正在成为软件开发生命周期（SDLC）中不可或缺的一环。然而，这件事对人和 token 来说都很昂贵。结果是组织要么扫描频率远低于应有水平，要么让代码库的大部分区域处于未检查状态。

我们用 Jev做实验，构建了一个有效的漏洞扫描器，其表现接近 GPT-5.6 Luna，而成本更低。

我们认为这条研究路线很重要，因为黑客攻击正在变成一场效率游戏。攻击者可以把全部精力投入到寻找一个高回报漏洞上；而防御者必须持续覆盖每一个仓库、每一次提交。在一个自主攻击已成常态的世界里，我们相信应当支持防御者重新思考他们的安全策略 [1][2][3]。

在 depthfirst，我们痴迷于高性价比的漏洞发现研究，因为我们为之构建的世界是：当自主攻击变得普遍时，防御者能够持续、主动地保护自己的代码。

我们是如何做到的

过去几周，一种名为 Jev的新架构受到大量关注。Jev 是一个分类器。给它一些上下文、一个问题，以及一个选项列表，它会为每个选项输出一个概率。与 LLM 不同，它输出的是概率，而不是通过生成 token 序列来回答问题。

你可以这样问 Jev：「这段代码有漏洞吗？」提供相关上下文，然后收到它对「真」的概率。

对通用缺陷枚举（CWE）这类漏洞类型做分类也是同样的道理。我们可以针对每一个 CWE 向 Jev 提一个「真/假」问题。由于每个问题相互独立，我们可以全部并行提问并缓存共享上下文。

这既省时间又省钱。输入价格为每百万 token 0.042 美元，比 Luna 便宜五倍，且输出免费。每次调用耗时约四分之一秒，而 Luna 约为 10 秒。代价是它的上下文窗口只有 32,000 token，而 Luna 是 100 万 token。

作为研究的一部分，我们围绕 Jev 构建了一个漏洞扫描器，看看它在 dfbench上的表现。这是一个新的运行框架，通过把整个扫描拆解成分类任务来绕开 32k 的上下文限制：

• 找出可能含漏洞的代码。

首先把仓库切成小块。然后把每个块展示给 Jev，问它哪些块是安全关键的、或者根据任务最可能含有漏洞。概率最高的块成为后续步骤的上下文。
* 判断是否存在漏洞。

Jev 带着第一步得出的上下文并行扫描每个块，定位潜在的漏洞。
* 对漏洞及其细节进行分类。

随后向 Jev 提出一系列问题，以获取漏洞类型、攻击模式分类、不可信输入的传播路径（代码位置），然后定位攻击者可控输入从哪里进入代码、在哪里造成危害、使其得以成立的缺陷检查或逻辑，以及可能的安全影响。

最终产出的是一个漏洞、它的位置，以及攻击者可以如何利用它。

由于该扫描器可并行化且每次调用都很快，完整扫描用 Jev 只需约 2 秒，而大多数其他模型至少需要 3 分钟。

局限

• 我们的 Jev 扫描器只会回答我们想到要问的问题。

我们必须在运行框架中纳入相关的漏洞发现问句，然后由 Jev 来回答。不过，把 Jev 与 LLM 智能体耦合起来可能带来更好的表现，因为智能体能注意到我们构建运行框架时未曾预料到的东西。
* 我们的 Jev 扫描器够深入，但仍可进一步扩展。

Jev 在覆盖整个代码库扫描漏洞方面非常高效。然而，许多真正被利用的漏洞需要连接不同部分，这需要更强的推理能力——LLM 在这方面强得多。Jev 仍可通过为 LLM 提供相关上下文来辅助这一过程。
* 发现可能缺少足够上下文。

Jev 能对漏洞类型与攻击模式分类，但安全团队可能想要关于实际漏洞是什么、以及如何被利用的更多细节。可以用 LLM 来丰富Jev 的输出以提供这些信息。

后续工作

我们的 Jev 扫描器展现出很大潜力，可作为漏洞发现与验证的极其廉价的第一遍筛选。因为它极快、每次扫描只需几美分，可以用在以前因过于昂贵或不方便而无法覆盖的地方。

例如，你可以用它扫描大型依赖树中的每一个包，或者给防御者提供一种廉价的初筛手段，在升级到更昂贵的模型之前先行分流。

我们很期待继续构建更便宜、更强大的漏洞扫描器，让防御者无论攻击者移动多快，都能保持领先。

参考文献

[1] Anthropic，《捣毁一场 AI 编排的网络间谍行动》，2025 年。

[2] Hugging Face，《安全事件披露，2026 年 7 月》，2026 年。

[3] Unit 42，《讲中文的威胁行为体利用 AI 模型实施自主化网络攻击》，2026 年。

免责声明：本博客文章仅用于教育和研究目的。提供的所有技术和代码示例旨在帮助防御者理解攻击手法并提高安全态势。请勿使用此信息访问或干扰您不拥有或没有明确测试权限的系统。未经授权的使用可能违反法律和道德准则。作者对因应用所讨论概念而导致的任何误用或损害不承担任何责任。