Nieuwe small language models van Cisco maken AI-gestuurde cybersecurity eenvoudiger

Vandaag introduceert Cisco Antares, een familie van kleine taalmodellen of Small Language Models (SLM’s) die ontwikkeld zijn voor een van de meest uitdagende, tijdrovende en kostbare taken in cybersecurity. Denk hierbij aan het exact lokaliseren van bekende kwetsbaarheden in softwarecode. Benchmarktests tonen aan dat deze SLM-modellen voor die securityopdracht beter presteren dan veel krachtigere modellen en dat tegen een fractie van de kosten. Bovendien zijn ze compact genoeg om lokaal te draaien, waardoor organisaties hun code niet langer in de cloud hoeven te controleren. Zowel Antares-350M als Antares-1B zijn als ‘open weight’-model voor de bredere community beschikbaar via Hugging Face, een community voor AI-ontwikkelaars.

“We maken het voor cybersecurityprofessionals eenvoudiger om met behulp van AI-modellen kwetsbaarheden in software te vinden, en bouwen tegelijk aan een ecosysteem en standaarden voor verdere adoptie van AI-beveiligingstools in het bedrijfsleven. We ontwikkelen continu praktische, betrouwbare regels, benchmarks en tools voor cyberbeveiliging met AI-agents”, aldus Jan Heijdra, Field CTO Security & AI bij Cisco Benelux.

Kleine modellen voor een kostbaar en gevoelig securityproces
Om software goed te beveiligen moet je je code continu dubbelchecken tegen gekende kwetsbaarheden in openbare databases, adviezen en Common Weakness Enumerations (CWE’s). Dat is lastig omdat die repositories erg groot zijn, securityalerts vaak ruis bevatten en de relevante informatie zelden op één voor de hand liggende plek staat. Security-analisten moeten vaak door onbekende code zoeken, naamgevingsconventies volgen, call-paths inspecteren, potentieel besmette bestanden controleren en bepalen of een zwakte daadwerkelijk aanwezig is.

Bovendien volgen traditionele, statische analysetools ook vooraf bepaalde regels en vereisen ze een aanzienlijke triage, terwijl algemene programmeermodellen wel kunnen redeneren over code, maar niet geoptimaliseerd zijn voor securityonderzoek, terminalnavigatie of gestructureerde lokalisatie van kwetsbaarheden.

Onderzoek van het Cisco Foundation AI-team leerde nu dat compacte modellen kunnen leren zoeken, hun strategie aanpassen en terugkeren wanneer een pad niet productief is. Met andere woorden: het is mogelijk om zoekstrategieën aan te leren en de schaal van het model is daarbij niet van belang.

SLM’s zoals Antares verlagen bovendien de kosten van domeinspecifieke taken (wanneer je een getraind AI-model activeert voor nieuwe inzichten), en ze ondersteunen ook lokaal of on-premise gebruik, zodat organisaties gevoelige broncode binnen hun eigen omgeving kunnen houden.

Om kwetsbare code te lokaliseren, volgt Antares een iteratief zoekpatroon dat lijkt op de manier waarop een menselijke onderzoeker in een repository werkt. Elk model begint bij een beschrijving van een kwetsbaarheid, zoekt naar relevante codepatronen, leest potentieel kwetsbare bestanden, verwerkt nieuw bewijs, verandert van richting wanneer een pad nergens toe leidt en spitst zich toe op de bestanden die er waarschijnlijk toe doen. Het doel is niet om het oordeel van de expert te vervangen, maar om de eerste triage van kwetsbaarheden in broncode sneller en gemakkelijker te beoordelen.

In de praktijk kan Antares workflows ondersteunen zoals:
• De lokalisatie van bestanden die gerelateerd zijn aan een CWE-categorie;
• De triage van beveiligingsonderzoeken op basis van adviezen;
• Het aanvullen van statische analyse met modelgestuurde repository-exploratie;
• Het ondersteunen van CI/CD-triageworkflows waarbij waarschijnlijk kwetsbare bestanden vroegtijdig moeten worden beoordeeld;
• Het mogelijk maken van lokale beveiligingsanalyse in omgevingen met strikte privacy- of compliance-eisen.

Waarom een nieuwe benchmark nodig is
Om kwetsbare code te lokaliseren kon er niet enkel vertrouwd worden op algemene programmeerbenchmarks. Antares is niet gericht op algemene probleemoplossing, het genereren van patches of brede zoekopdrachten in code. Het is ontwikkeld om met een beperkte beveiligingscontext de bronbestanden te identificeren die het meest waarschijnlijk een kwetsbaarheid bevatten.

Nu kunnen AI-agents als CodeScout bestanden wel vinden in grote codebases, maar ze zijn niet in staat om te evalueren of bestanden kwetsbaar zijn op basis van bestaande CWE’s of security advisories. Dit gat vormde de inspiratie voor de Vulnerability Localization Benchmark, een benchmark met 500 items die modellen vereist om efficiënt door onbekende codebases te navigeren en kwetsbaarheidspatronen te herkennen die geassocieerd worden met specifieke CWE-categorieën.

Open-weight
Cisco brengt Antares uit als open-weight modellen omdat de securitycommunity dringend behoefte heeft aan toegankelijke building blocks. De triage van kwetsbaarheden vereist immers expertise, tijd, infrastructuur en toegang tot gevoelige code. Dat leidt tot hoge kosten voor organisaties met beperkte securitymiddelen, zoals universiteiten, onderzoeksinstellingen of non-profitorganisaties. Antares is daarom onderdeel van een breder initiatief van Cisco om AI verantwoord, meetbaar en ten dienste van de cyberbeveiliging in te zetten.

Dat initiatief omvat onder meer:
• Foundry Security Spec is een model-agnostische blauwdruk voor het bouwen van agents die beveiliging evalueren, inclusief rollen en vangrails.
• CodeGuard is een set ‘secure-by-default’ regels en vaardigheden die AI-coding agents begeleiden om software veiliger te ontwikkelen.
• Antares zijn compacte beveiligingsmodellen, gericht op lokalisatie van kwetsbaarheden op het niveau van de repository. Ze omvatten ook een benchmark om prestaties te meten.

Jan Heijdra, Field CTO Security & AI bij Cisco Benelux, zegt: “Cisco is van mening dat AI in beveiliging verder moet gaan dan indrukwekkende eenmalige demo’s en moet toewerken naar systemen die professionals kunnen evalueren, besturen en verbeteren. Foundry Security Spec gaf ons een kader voor cyberbeveiliging met agents, CodeGuard legt de lat voor preventie hoger door programmeerregels voor AI-gegenereerde code vast te leggen en nu helpen we met Antares om kwetsbaarheden te vinden.”