Bitcoin tərtibatçısı Niklas Göggə bildirib ki, dil modellərinə əsaslanan skanlar Bitcoin Core ətrafında 1.000-dən çox təhlükəsizlik hesabatı yaradıb. O, süni intellektin avtomatlaşdırılmış testləri gücləndirmək üçün istifadə edilməli, lakin müstəqil təhlükəsizlik strategiyası kimi qəbul olunmamalı olduğunu vurğulayıb.

Göggə bildirib ki, hesabat axınının arxasında Project Loupe və Bitcoin Red Team daxil olmaqla təşəbbüslər dayanır. O əlavə edib ki, müraciətlərin əksəriyyəti yanlış müsbət nəticələr və ya hipotetik problemlər olub və indiyədək heç bir kritik zəiflik müəyyən edilməyib.

Onun mövqeyi süni intellekt skanının lazımsız olması deyildi. Əksinə, o, bundan daha geniş təhlükəsizlik prosesində dəstək qatı kimi istifadə edilməsini müdafiə edib. Xüsusilə, o, proqram təminatında nasazlıqları üzə çıxarmaq üçün çoxlu sayda girişdən istifadə edən test üsulu olan fuzinqə diqqət çəkib. Bitcoin Core və secp256k1 kriptoqrafik kitabxanası artıq illərdir fuzinq əhatəsinə malikdir və Göggə dil modellərinin bu alətlərin yaradılması və təkmilləşdirilməsi xərclərini azaltmağa kömək edə biləcəyini deyib.

Bu şərhlər, süni intellektin Bitcoin infrastrukturu da daxil olmaqla açıq mənbəli proqram təminatında genişmiqyaslı kod yoxlamasını daha ucuz və sürətli etməsi fonunda səslənib. Göggə bildirib ki, Bitcoin proqram təminatı tarixən bəzi digər sektorlara nisbətən hücumçuların daha az diqqətini cəlb edib, lakin modellərin böyük kod bazalarını aşağı xərclə təhlil etmək qabiliyyəti yaxşılaşdıqca bu dinamika dəyişə bilər.

Daha geniş Bitcoin ekosistemi ilə bağlı mövcud dəstəkləyici hesabatlar göstərir ki, əsas əməliyyat problemi yalnız xətaları tapmaq deyil, həm də bunun ardınca gələn yoxlama yükünü idarə etməkdir. Bu, yanlış müsbət nəticələrin süzülməsi, problemin həqiqi olub-olmadığının təsdiqlənməsi, yamaların hazırlanması və geniş istifadə olunan açıq mənbəli repozitoriyalar üzrə açıqlama vaxtının idarə edilməsini əhatə edə bilər.

Niyə vacibdir

Bu ona görə vacibdir ki, Bitcoin Core Bitcoin proqram təminatı yığınının baza qatına yaxındır və zəifliklərin necə üzə çıxarıldığındakı hər hansı dəyişiklik bir repozitoriyadan daha çoxuna təsir edir. Süni intellektlə dəstəklənən audit əhatəni yaxşılaşdıra və qüsurları aşkar etmək üçün lazım olan vaxtı qısalda bilər, lakin eyni zamanda tərtibatçıların mənalı problemləri həll etməkdənsə, səs-küylü hesabatları süzməyə daha çox vaxt sərf etməsi riskini artırır.

Bu hadisə həmçinin kripto infrastrukturunun təhlükəsizliyində daha geniş dəyişimi vurğulayır. Süni intellekt kod skanının xərclərini azaltdıqca, üstünlük yalnız xəta aşkarlanmasından intizamlı test sistemlərinə, açıqlama proseslərinə və tərtibatçıların imkanlarına doğru keçə bilər. Kritik açıq mənbəli layihələr üçün təhlükəsizlik dayanıqlılığı süni intellektdən istifadə edilib-edilməməsindən daha çox, onun nəticələrinin mövcud yoxlama iş axınlarına necə inteqrasiya olunmasından asılı ola bilər.