مصنوعی ذہانت سیکیورٹی کے محققین کو کوڈ کا معائنہ کرنے، غیر معمولی رویے کو ٹریک کرنے اور ان خامیوں کی نشاندہی کرنے کے نئے طریقے فراہم کرتی ہے جنہیں روایتی ٹولز نظر انداز کر سکتے ہیں۔ یہ دباؤ خاص طور پر اس وقت واضح ہوتا ہے جب صفر دن کے خطرات کی بات آتی ہے۔ ایک حالیہ Minimus تجزیہ اس بات پر غور کرتا ہے کہ کس طرح کنٹینر کی ترتیب، انحصار کی تاریخ، اور دوبارہ تعمیر کی رفتار کسی نامعلوم نقص کے سامنے آنے کے بعد ردعمل کو متاثر کرتی ہے۔ تیز تر تجزیہ صرف اس صورت میں مدد کرتا ہے جب تنظیمیں اس بات کا تعین کر سکیں کہ کمزور سافٹ ویئر کہاں چل رہا ہے۔
مئی 2026 میں، گوگل تھریٹ انٹیلی جنس گروپ نے پہلی مثال کی اطلاع دی جس کے بارے میں اس کا خیال تھا کہ ایک خطرناک اداکار AI کا استعمال کرتے ہوئے صفر دن کے استحصال کو فروغ دے رہا ہے۔ یہ استحصال ایک Python اسکرپٹ میں ظاہر ہوا اور ایک مقبول اوپن سورس سسٹم ایڈمنسٹریشن ٹول میں دو قدمی توثیق کو نظرانداز کیا جب درست اسناد پہلے سے دستیاب تھیں۔
محققین کا کہنا ہے کہ انہیں بہت اعتماد ہے کہ اے آئی ماڈل دریافت اور ہتھیار بنانے میں مدد دے گا۔ ان کی تشخیص اسکرپٹ کی غیرمعمولی طور پر تفصیلی ہدایات کی تفصیل، من گھڑت کمزوری کے اسکورز، اور پیدا کردہ آؤٹ پٹ سے وابستہ انتہائی ساختی کوڈنگ اسٹائل پر مبنی تھی۔ گوگل نے یہ دعویٰ نہیں کیا کہ وسیع تر آپریشن خود مختار تھا یا کوڈ کو کسی مخصوص ماڈل سے منسوب کرتا ہے۔
خامی ہی وہ ہے جو کیس کو اہم بناتی ہے۔ کریشوں، میموری کی خرابیوں، یا غیر محفوظ ان پٹ کے بجائے ہارڈ کوڈڈ اعتماد کے مفروضوں پر مشتمل ہے۔ Fuzzers اور جامد تجزیہ کے اوزار بہت سے موجودہ نفاذ کے مسائل کو تلاش کرنے کے لیے موزوں ہیں۔ زبان کے ماڈل اس بات کا بھی جائزہ لے سکتے ہیں کہ کوڈبیس میں اجازتیں، صلاحیتیں اور متوقع رویہ کیسے تعامل کرتا ہے۔ یہ منطقی تضادات کو تلاش کرنے کا ایک اور راستہ بناتا ہے جو کوئی واضح تکنیکی نشان نہیں چھوڑتا ہے۔
ہمارے وسیع ڈیٹا سے پتہ چلتا ہے کہ یہ کوئی الگ تھلگ مسئلہ نہیں تھا۔ گوگل تھریٹ انٹیلی جنس گروپ کے 2025 کے تجزیے کے مطابق، محققین نے 2024 میں 78 کے مقابلے 2025 میں 90 صفر دن کا پتہ لگایا۔ انٹرپرائز سافٹ ویئر اور آلات 43 (کل کا 48٪) تھے۔ دونوں اعداد و شمار گوگل ڈیٹا سیٹس کے ریکارڈ ہیں۔
پیچیدہ کنٹینرز نقوش کو ٹریک کرنا زیادہ مشکل بنا دیتے ہیں۔
جب کسی خامی کا انکشاف ہوتا ہے، تو سیکیورٹی ٹیم کو پہلے اس بات کا تعین کرنا چاہیے کہ اس خامی کو کہاں نافذ کیا جا رہا ہے۔ کنٹینر کے ماحول میں یہ مشکل ہو سکتا ہے۔ ایک تصویر میں آپریٹنگ سسٹم کے پیکجز، ایپلیکیشن لائبریریز، اور بیس امیج سے وراثت میں ملنے والے انحصار پر مشتمل ہو سکتا ہے، اس کے ساتھ شیلز یا یوٹیلیٹیز جن کا کام کے بوجھ کے نظر آنے والے مقصد سے بہت کم تعلق ہے۔
لہذا، کمزور اجزاء ایپلی کیشن کے نیچے متعدد تہوں میں واقع ہوسکتے ہیں۔ وہ متعدد تصاویر میں ظاہر ہو سکتے ہیں یہاں تک کہ اگر انہیں آپ کی تنظیم نے براہ راست شامل نہ کیا ہو۔
Log4Shell نے 2021 میں اس مسئلے کو بڑے پیمانے پر بے نقاب کیا۔ متاثرہ Log4j لائبریریوں کو مصنوعات اور خدمات کی ایک وسیع رینج میں ضم کر دیا گیا ہے۔ بہت سی تنظیموں کے لیے، پیچ حاصل کرنا صرف آغاز تھا۔ انہیں ان تمام سرورز، ایپلیکیشنز، اور کنٹینرز کی شناخت کرنے کی ضرورت تھی جن میں کمزور ورژن موجود تھے اس سے پہلے کہ وہ تدارک مکمل کر سکیں۔
ایک سافٹ ویئر BOM ہر تصویر میں موجود چیزوں کا واضح ریکارڈ فراہم کرتا ہے۔ چھوٹی تصاویر ان پیکجوں کو چھوڑ کر بھی تلاش کو کم کر سکتی ہیں جن کی آپ کے کام کے بوجھ کے لیے ضرورت نہیں ہے۔ Minimus متاثرہ اجزاء کے ظاہر ہونے کے بعد پیکج میں کمی، انحصار کی نمائش، اور تصویر کی تعمیر نو کے ذریعے مسائل کی تحقیقات کرتا ہے۔
فوائد صفر دنوں کو مکمل طور پر روکنے سے زیادہ آسان ہیں۔ کم سے کم تصاویر میں اب بھی نامعلوم نقائص ہو سکتے ہیں۔ اس کا مطلب ہے کہ آپ کی ٹیم کے پاس چھان بین کے لیے کم پیکجز، کم ممکنہ نمائشی پوائنٹس، اور مسئلہ معلوم ہونے کے بعد تبدیل کرنے یا دوبارہ جانچنے کے لیے کم سافٹ ویئر ہیں۔
AI سے تیار کردہ ترمیمات کے لیے اب بھی سافٹ ویئر کے سیاق و سباق کی ضرورت ہوتی ہے۔
AI کا استعمال ریلیز اور پیچ کی ترقی کے درمیان وقت کو کم کرنے کے لیے بھی کیا جا رہا ہے۔ ماڈل سورس کوڈ کا معائنہ کر سکتا ہے، پیکج کی سرگزشت کے ساتھ کمزوری کی رپورٹس کا موازنہ کر سکتا ہے، اور متاثرہ ورژن میں تبدیلیاں تجویز کر سکتا ہے۔ ان میں سے کوئی بھی خاص طور پر مفید نہیں ہے اگر پیکیج کی تاریخ پرانی ہے یا اگر کوئی نہیں جانتا ہے کہ کون سی تصاویر میں کمزور جزو ہے۔
خطرے کے ازالے کو خودکار بنانے کے لیے ڈیزائن کیے گئے AI ایجنٹ کی ہماری پچھلی کوریج میں بتایا گیا کہ کس طرح Google DeepMind کے CodeMender نے اپنے پہلے چھ مہینوں میں موجودہ اوپن سورس پروجیکٹس کے لیے 72 سیکیورٹی اصلاحات کیں۔ نظام مجوزہ پیچ کو بنانے اور جانچنے کے لیے ماڈل کا اندازہ، جامد تجزیہ، رن ٹائم ٹیسٹنگ، اور فزنگ کو یکجا کرتا ہے۔
پیچ خود بخود منظور نہیں ہوا تھا۔ انسانی محققین نے ریگریشنز کی جانچ پڑتال کے لیے پیش کیے جانے سے پہلے ہر تبدیلی کا جائزہ لیا اور اس بات کو یقینی بنایا کہ انھوں نے بنیادی وجہ کو حل کیا نہ کہ صرف نظر آنے والی علامات کو۔
منظور شدہ کوڈ کی تبدیلیوں سے کام مکمل نہیں ہوتا ہے۔ ٹیموں کو متاثرہ تصاویر کی شناخت کرنی چاہیے، انہیں درست انحصار کے ساتھ دوبارہ بنانا چاہیے، اور تعینات کرنے سے پہلے نتائج کی جانچ کرنی چاہیے۔ ناقص دستاویزی ماحول میں، تمام مثالوں کو تلاش کرنے میں خود پیچ پیدا کرنے سے زیادہ وقت لگ سکتا ہے۔
درست انوینٹری خودکار ٹولز کو ٹھوس کام دیتی ہے۔ نئے انکشاف شدہ نقائص کو پیکج ورژنز، تصاویر اور کام کے بوجھ کے ساتھ جوڑیں جن پر حقیقت میں توجہ کی ضرورت ہے۔
نقائص تلاش کرنا اب سب سے سست قدم نہیں ہوسکتا ہے۔
AI حملہ آوروں اور محافظوں دونوں کے لیے کوڈ کے تجزیے کو تیز کر رہا ہے، لیکن کمزوریوں کی نشاندہی کے بعد بھی کافی تاخیر ہو رہی ہے۔ ایک ٹیم تصاویر کھولنے اور پیکج کی فہرستوں کو دستی طور پر چیک کرنے میں گھنٹے گزار سکتی ہے۔ کوئی دوسرا شخص موجودہ انوینٹری کو اسکین کر کے تقریباً فوراً دیکھ سکتا ہے کہ کون سے کام کے بوجھ میں متاثرہ ورژن موجود ہے۔
ان اختلافات کا سرچ ٹول کی نفاست سے بہت کم تعلق ہے۔ یہ انوینٹری سافٹ ویئر، امیجز کو کنفیگر کرنے اور کنٹینرز بنانے اور تبدیل کرنے کے بارے میں پہلے کیے گئے فیصلوں سے آتا ہے۔ جیسے جیسے خطرے کی تحقیق تیزی سے آگے بڑھ رہی ہے، ایسے اداروں کے لیے حقیقی فوائد ہیں جو نظام میں موجود چیزوں کو دوبارہ ترتیب دینے کے بغیر ایکسپوژر قائم کر سکتے ہیں اور آزمائشی علاج کو تعینات کر سکتے ہیں۔