Anthropic用Claude扫描25个开源项目，发现493个问题
论文AI 评分 78/100Anthropic：Newsroom（网页）待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
本条选题由第三方线索发现；线索方提供的摘要未被采用，本页内容依据下方信源整理。线索来源：AIHOT
Anthropic公布了一项针对自动化攻击面分析的研究：用Claude扫描25个不同语言的开源项目，共发现493个问题。其思路是先梳理代码中实际可达的部分，再移除或限制部署时不需要暴露的访问路径，从而降低未知漏洞被利用的可能。Anthropic称，只靠逐个修复漏洞难以规模化，而缩小代码可达范围能让漏洞更难被触达，在不定位具体漏洞的情况下提升安全性。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载从找漏洞转向缩面
Anthropic在这篇研究中把重点放在自动化攻击面分析与缩减上：先让模型梳理代码中实际可达的部分，再移除或限制某次部署不需要暴露的访问路径。其论点是，只靠发现并修复单个漏洞难以规模化，修好一个严重漏洞也无法说明其余漏洞的情况；而减少代码可达性可以降低未知漏洞的严重程度，包括可能正被利用的漏洞。这种做法并不消除代码中的未知漏洞，只是让它们更难被触达。
25个项目的实测
Anthropic将Claude用于一批大型开源代码库，覆盖多种编程语言，共涉及25个项目，期间发现493个问题。Anthropic把这一结果作为该方法可行且具备经济性的初步证据，并据此讨论开发者如何在自己的代码上采用类似流程。材料未披露各项目的具体语言分布、问题类型划分或单项问题的严重等级。
软件膨胀带来的风险
Anthropic指出，软件会随时间不断叠加抽象层、依赖与功能，实际行为常偏离最初设计，这也是攻击者常能得手的原因之一：他们研究代码在实践中的真实行为，而非开发者预期的工作方式。自动化攻击面分析正是针对这种偏差，找出并收敛不必要的可达路径。Anthropic称这是其在该方向上的初步研究，后续会继续公布相关数据。
为什么值得看
展示前沿模型用于防御侧的具体路径与实测数据，开发者可参考其攻击面缩减方法。
AnthropicClaude安全
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。