AI agent discovers 21 zero-day vulnerabilities in FFmpeg

📊 競品分析▸ Show

公司/產品	特點	成本/基準	備註
depthfirst AI 代理程式	自主安全代理程式，掃描C語言程式碼庫，生成可重現PoC。	在FFmpeg中發現21個零日漏洞，運算成本約1,000美元。	聲稱成本效益比Anthropic高出十倍。
Anthropic Mythos 模型	先進的AI模型，能夠自主發現並利用零日漏洞，包括跨作業系統和瀏覽器。	在FFmpeg中發現16年之久的H.264漏洞及其他問題，成本約10,000美元。	曾發現OpenBSD中27年之久的漏洞。
Google Big Sleep 代理程式	AI驅動的漏洞檢測系統，與Google DeepMind和Project Zero合作。	發現並報告了包括FFmpeg在內的20個開源軟體安全漏洞。	曾發現SQLite中的關鍵零日漏洞。
Praetorian CVE Researcher	多代理AI管道，自動化漏洞研究、檢測模板生成和利用分析。	使用OpenAI、Google和Anthropic模型，生成生產級Nuclei檢測模板。	專注於高容量、重複性的CVE研究。
FuzzingLabs AI 代理程式	直接評估LLM在原始碼中檢測漏洞的能力。	閉源模型如GPT-4.1和Claude Sonnet 4在零樣本漏洞檢測中表現領先。	專注於SQL注入、XSS、緩衝區溢出等特定漏洞類型。

掃描目標： FFmpeg約150萬行高度優化的C語言程式碼。
發現的漏洞類型： 主要為堆疊溢出和堆溢出，影響FFmpeg的解析器和解多工器組件，例如TS解多工器和VP9解碼器。
AI代理程式方法論（一般性）：
- 威脅建模： 理解程式碼庫架構，識別暴露的解析器和協議處理器，並繪製攻擊者控制的輸入進入系統的路徑。
- 直接審計攻擊面程式碼： 追蹤相關組件中的資料流，而非將儲存庫視為平面文件集合。
- 防護措施： 實施防護措施以防止捏造缺失條件、過度聲稱理論錯誤或產生大量誤報。
- 輸出： 產生具體、可重現的概念驗證（PoC）輸入以確認發現。
- 架構變體： 部分系統採用多代理管道（例如Praetorian的CVE Researcher），包含深度研究、技術偵察、參與者-評論者模板生成和利用分析等階段。另一些則直接評估大型語言模型（LLM）在原始碼上的表現，透過分塊文件、逐行分析並彙總問題。
成本效益： depthfirst的發現成本約為1,000美元，遠低於Anthropic Mythos模型在類似工作上的約10,000美元。

AI將大幅加速零日漏洞的發現速度，導致傳統的漏洞管理流程不堪重負。

AI代理程式能夠以遠超人類的速度和成本掃描大量程式碼，並生成可重現的漏洞證明，這將產生比現有修補週期和CVE/NVD基礎設施所能處理的更多的漏洞。

軟體開發者和維護者將被迫採用更快的自動化安全測試和修補機制，以應對AI驅動的威脅。

隨著AI使漏洞發現變得更便宜、更快、更具規模，組織必須將AI整合到其防禦策略中，包括自動化漏洞管理和機器速度響應，否則將面臨攻擊者的不對稱優勢。

AI在漏洞發現中的應用將促使對開源軟體（如FFmpeg）進行更深入、更持續的安全審計。

許多由AI發現的漏洞已存在數十年，表明傳統工具未能檢測到它們。AI代理程式的成功將鼓勵對廣泛使用的開源庫進行更徹底的AI輔助審計，以揭示長期存在的風險。

2003

FFmpeg程式碼中引入了一個堆疊溢出漏洞，該漏洞在23年後被AI代理程式發現。

2025-08

Google的Big Sleep AI代理程式發現並報告了包括FFmpeg在內的20個開源軟體安全漏洞。

2026-04

Anthropic的Mythos模型（Claude Mythos Preview）發布，展示了其自主發現並利用零日漏洞的能力，其中包括FFmpeg中一個16年之久的H.264漏洞。

2026-06-02

depthfirst在其網站上披露其自主安全代理程式在FFmpeg中發現了21個零日漏洞。

2026-06-06

The Next Web (TNW) 報導安全新創公司depthfirst的AI代理程式在FFmpeg中發現21個零日漏洞。

AI 代理程式發現 FFmpeg 中 21 個零日漏洞