Walong buwan. Apat na malalaking insidente. Isang padron: ang supply chain ng software ay hindi nakakuha ng bagong kalaban, nakakuha ito ng bagong sandata. Sa pagitan ng Setyembre 2025 at Mayo 2026, isang self-propagating worm, isang nation-state actor, isang copycat campaign, at isang na-hijack na AI model ang bawat isa ay nakahanap ng daan papasok. pipelinena pinagkakatiwalaan ng milyun-milyong developer araw-araw. Ito ang bagong anyo ng mga banta sa cybersecurity: mas mabilis, mas mahirap makita, at lalong pinapagana ng parehong AI na ginagamit ng mga development team upang magpadala ng code.
Kung ang iyong mental na modelo ng mga banta sa cybersecurity ay nagsisimula at nagtatapos pa rin sa mga phishing email at mga hindi na-patch na server, ia-update ito ng data sa ibaba.
Ang Bagong Anyo ng mga Banta sa Cybersecurity
Sa loob ng maraming taon, ang mga banta sa cybersecurity ay nangangahulugan ng mga ninakaw na kredensyal, maling pagkakaayos ng mga server, at social engineering. Ang mga panganib na iyon ay hindi nawala: 81% ng mga kumpirmadong paglabag sa data noong 2022 ay kinasasangkutan ng mga nakompromisong kredensyal. Ngunit isang bagong kategorya ang lumipat sa sentro ng usapan: mga banta ng AI. Ang mga development team ngayon ay umaasa sa mga AI coding assistant, agentic copilot, at Model Context Protocol (MCP) mga server para mas mabilis na makabuo ng software, at bawat isa sa mga iyon ay isa na ring target ngayon. Ipinapakita ng pananaliksik na humigit-kumulang 40% ng code na nabuo ng AI ay naglalaman ng mga kahinaan sa seguridad, na nangangahulugang ang bilis na ipinapangako ng AI ay may kaakibat na proporsyonal na pagtaas sa mga panganib sa seguridad ng AI na direktang inilalagay sa codebase.
Walong Buwan, Apat na Insidente: Paano Lumalala ang mga Banta ng AI
Ang pinakamalinaw na ebidensya na bumibilis ang mga banta ng AI ay hindi isang pagtataya; ito ay isang timeline ng mga nangyari na:
- Setyembre 2025, Shai-Hulud: ang unang self-propagating npm worm, na ginagawang mekanismo ng paghahatid ang kanilang mga sarili bilang mga developer.
- Marso 2026, mga aksiyo: malware na itinatago sa loob ng isang pakete na kinukuha nang halos 100 milyong beses sa isang linggo.
- Abril 2026, SAP npm: isang mas maliit na pag-uulit ng parehong padron ng bulate, na nagpapakita ng mga iskala ng pamamaraan.
- Mayo 2026, Claude Opus → PromptMink: isang malaking modelo ng wika na ginawang sandata upang magtanim ng malware sa loob ng isang autonomous agent, kung saan ang AI mismo ang kumikilos bilang vector ng pag-atake.
Ang bawat insidente ay muling ginamit at pinalawak ang mga nauna. Iyan ang natatanging katangian ng mga banta ng AI sa 2026: mas mabilis silang lumalala kaysa sa mga tradisyonal na banta sa cybersecurity, dahil ang parehong automation na tumutulong sa mga developer na magpadala ay nakakatulong din sa pagkalat ng mga umaatake.
Bakit Hindi Nakikita ng mga Tradisyonal na Kagamitan ang mga Panganib na Ito ng AI
Ang mga tradisyunal na tool ng AppSec ay nakahihinto sa repository at hindi alam kung ano ang isang modelo. Ang mga tradisyunal na tool ng endpoint ay binabantayan ang operating system at hindi naiintindihan ang mga package, MCP server, o AI assistant. Ang puwang sa pagitan ng dalawa ay eksakto kung saan nanganganib ang AI na mapunta, nang hindi natutukoy, hanggang sa matapos ang pinsala.
Dalawang datos ang nagpapatunay sa konkretong pagkakalantad: Ang pagnanakaw ng kredensyal na naka-target sa AI ay tumaas ng 376% sa pagitan ng ika-4 na kwarter ng 2025 at unang kwarter ng 2026, at isang malisyosong MCP bridge (CVE-2025-6514) ang na-download nang 437,000 beses bago ito nahuli, na nagbigay-daan sa remote code execution sa client. Hindi rin ligtas ang mga pampublikong MCP server bilang default: 5.5% ang may mga depekto sa tool-poisoning at 43% ang may mga depekto sa command-injection na sapat na malala para gawing isa sa mga mas malubhang banta sa cybersecurity na maaaring harapin ng isang organisasyon ang sariling tooling ng isang developer.
Ang Software Supply Chain pa rin ang pinakamalaking pinagmumulan ng mga banta sa cybersecurity
Hindi inimbento ng AI ang problemang ito, pinalawak nito ito. Ang supply chain ng software ang siyang pinakapinagsasamantalahang entry point para sa mga banta sa cybersecurity, at pinatutunayan ito ng mga numero. Mahigit sa 778,500 malisyosong open-source packages ang natukoy simula noong 2019, at ang bilang na iyon ay tumaas ng 156% sa isang taon upang umabot sa 512,847 na packages. Natuklasan ng ENISA na 60% ng mga pag-atake sa supply chain ang nagsamantala sa tiwala ng customer sa isang supplier, at ayon sa ilang pagtatantya, ang supply chain ng software ngayon ay nakakaranas ng pag-atake halos bawat 48 oras. Ang mga pag-atake sa supply chain ay tumaas ng 742% sa pagitan ng 2019 at 2022, na may mga pagtataya na nagmumungkahi na 45% ng mga organisasyon ang maaapektuhan pagdating ng 2025 at ang taunang gastos ay aabot sa $138 bilyon pagdating ng 2031; ang gastos ng mga pag-atake sa supply chain ng software ngayong taon lamang ay tinatayang nasa $60 bilyon.
Ang parehong dependency at pipeline Ang mga kahinaang lumikha ng mga klasikong banta sa cybersecurity na ito ay mayroon na ngayong mga panganib sa AI: isang nakompromisong package, isang maling na-configure na GitHub Action, o isang hindi naka-pin na CI/CD Kayang i-target ng hakbang na ito ang isang AI agent nang kasingdali ng isang human developer.
Mas Malawak na Panganib sa Seguridad ng AI na Higit Pa sa Codebase
Hindi lahat ng panganib sa AI ay nasa loob ng isang code file. Ang isang mas kumpletong mapa ng mga panganib sa seguridad ng AI ay sumasaklaw sa buong lifecycle ng isang AI asset: mabilis na pag-iniksyon at mabilis na pagtagas ng system, sensitibong data na nalantad sa pamamagitan ng labis na mapagpahintulot na mga configuration ng AI, mga poisoned vector at embedding, mga malisyosong tagubilin na nakatago sa loob ng mga dokumento at rule file, mga hindi secure na configuration ng MCP at mga hindi mapagkakatiwalaang server, mga mahina o hindi maayos na AI dependencies, at labis na ahensya, kung saan ang isang AI agent ay kumikilos nang lampas sa mga hangganan kung saan ito na-configure.
Ang mga kategoryang ito ay direktang nakaugnay sa Nangungunang 10 ng OWASP para sa mga aplikasyon ng LLM, ang Nangungunang 10 ng OWASP para sa mga aplikasyon ng ahente, at ang Nangungunang 10 ng OWASP MCP, tatlong balangkas na mabilis na nagiging ibinahaging bokabularyo para sa mga panganib sa seguridad ng AI sa buong industriya.
Pagbabawas ng Pagkalantad sa mga Banta sa Cybersecurity: Ano ang Talagang Gumagana
Ang datos ay tumutukoy sa dalawang bagay na palaging gumagana laban sa mga banta sa cybersecurity: pangunahing kalinisan at maagang pagtuklas. 98% ng mga cyberattack ay napipigilan sa pamamagitan ng pangunahing kalinisan sa seguridad, ngunit 34% ng mga paglabag sa datos ay nagmumula pa rin sa mga banta mula sa loob, at 60% ng mga application ay naglalaman pa rin ng mga kahinaan sa first-party code. Ang GitHub mismo ay hindi ligtas: 1.9% ng mga proof-of-concept exploit repository ng GitHub ay malisyoso rin, na ginawa upang mag-exfiltrate ng datos o mag-deploy ng malware sa mga mananaliksik na nagtitiwala sa kanila.
Para sa mga panganib ng AI, ang solusyon ay kailangang gawin nang mas maaga sa lifecycle:
- Patunayan sa loob ng IDE. Paghuli sa mga hindi ligtas na pattern sa AI-generated code bago pa man ito umabot sa isang pipeline isinasara ang pinakamalaking nag-iisang pinagmumulan ng mga bagong panganib sa seguridad ng AI.
- Tuklasin ang malware bago pa man magkaroon ng lagda. Ang mga tool na nakabatay sa reputasyon ay hindi nakakaligtaan ang mga zero-day package ayon sa kahulugan, na siyang eksaktong puwang na sinamantala ng Shai-Hulud, axios, at SAP npm.
- Imbentaryo ang bawat asset ng AI. Ang mga modelo, dataset, ahente, at mga MCP server ay hindi maaaring pamahalaan, o atakihin sa pamamagitan ng, isang bagay na hindi alam ng isang team na tumatakbo ito.
Paano Tinutugunan ng Xygeni ang mga Banta sa Cybersecurity na Ito
Xygeni Tinatrato ng DevAI ang mga banta ng AI bilang isang pangunahing bahagi ng seguridad ng aplikasyon sa halip na isang hiwalay na problemang agad na ilalabas. Naglalapat ang DevAI ng real-time na pagpapatunay ng seguridad sa loob ng IDE ng developer, na minamarkahan ang mga hindi secure na pattern sa code na binuo ng AI bago ang mga ito ipadala. Maagang Babala ng Malware (MEW) cPatuloy na ini-scan ang NPM, PyPI, at Maven upang mahuli ang mga malisyosong pakete bago pa man magkaroon ng lagda, tinutugunan ang eksaktong pattern ng supply chain sa likod ng Shai-Hulud, axios, at SAP npm. Natutuklasan ng AI Security ang bawat asset ng AI sa buong SDLC, binibigyan ito ng marka laban sa mga framework ng OWASP sa itaas, at ipinapatupad ng Shield ang patakaran sa endpoint bago payagang tumakbo ang isang hindi ligtas na modelo, ahente, o MCP server.
Ang mga organisasyong mahusay na namamahala sa mga panganib ng AI sa 2026 ay hindi ang nagpapatakbo ng pinakamaraming kagamitan. Sila ang makakakita sa bawat asset ng AI na kanilang pinapatakbo, makakapagpahinto sa mga hindi ligtas bago ito gumana, at makakapag-aplay ng katalinuhang iyon sa mga kagamitang pagmamay-ari na nila.
FAQ
Ano ang mga pinakamalaking banta sa cybersecurity sa 2026?
Ang mga pag-atake sa supply chain ay nananatiling pinakamalaking kategorya ayon sa dami at gastos, na may tinatayang $60 bilyon na pinsala ngayong taon at isang pag-atake halos bawat 48 oras. Kasabay ng mga ito, ang mga banta ng AI ay lumitaw bilang isang mabilis na lumalagong kategorya: Ang pagnanakaw ng kredensyal na naka-target sa AI ay tumaas ng 376% sa isang quarter, at ang mga insidente tulad ng Shai-Hulud, axios, at PromptMink ay nagpapakita na ang mga umaatake ay aktibong gumagamit ng AI bilang parehong target at mekanismo ng paghahatid.
Panganib ba sa seguridad ang code na binuo ng AI?
Oo. Ipinapakita ng pananaliksik na humigit-kumulang 40% ng code na nabuo ng AI ay naglalaman ng mga kahinaan sa seguridad. Dahil dito, ang real-time na pagpapatunay sa loob ng IDE ng developer, bago pa man magsama ang code, ay isa sa mga pinakamabisang paraan upang mabawasan ang mga panganib sa seguridad ng AI sa pinagmulan.
Ano ang MEW at paano nito tinutugunan ang mga banta ng AI?
Ang Malware Early Warning (MEW) ay ang tuluy-tuloy na sistema ng pag-scan ng Xygeni para sa NPM, PyPI, at Maven. Dinisenyo ito upang mahuli ang mga malisyosong pakete bago pa man magkaroon ng lagda, na mahalaga dahil ang mga tool na nakabatay sa reputasyon ay nakakahuli lamang ng mga natukoy na, na hindi nakikita ang eksaktong zero-day pattern sa likod ng mga kamakailang banta ng AI at mga supply chain worm.
Ang mga MCP server ba ay isang tunay na pinagmumulan ng mga panganib sa AI?
Oo. Ang mga pampublikong MCP server ay nagpapakita ng masusukat na mga panganib sa seguridad ng AI sa kalikasan: 5.5% ay may mga depekto sa tool-poisoning at 43% ay may mga depekto sa command-injection, at isang nakompromisong MCP bridge lamang ang na-download nang 437,000 beses bago matukoy.
