Cloudflare实测Anthropic Mythos：AI漏洞链构建与自动验证突破
内容摘要
核心要点
Cloudflare在Project Glasswing中深度测试了Anthropic的Mythos Preview模型，该模型专为安全漏洞研究设计。与通用前沿模型相比，Mythos Preview的两项核心能力实现质变：Exploit chain construction——它能够将多个攻击原语（如use-after-free、arbitrary read/write）自动组合成完整的利用链，推理过程类似资深安全研究员；Proof generation——模型能编写、编译并运行触发漏洞的代码，通过失败反馈循环自动调整假设，生成可工作的PoC。
Cloudflare发现，模型存在有机的refusal行为，但一致性差，相同请求在不同上下文可能得到截然不同的结果，因此不能依赖其作为安全边界。信号噪声问题依然突出：C/C++代码产生更多误报；模型存在bias，倾向于过度报告“可能”的漏洞。但Mythos Preview的输出质量明显更高，附带的PoC减少了“是否真实”的疑问。
为了规模化应用，Cloudflare放弃了使用通用coding agent直接扫描仓库的方式，转而构建了专门的harness，包含Recon、Hunt（并行50个agent）、Validate（对抗性审查）、Gapfill、Dedupe、Trace（跨仓库符号索引判断可达性）、Feedback、Report等阶段。该harness将任务拆解为窄范围、并行的子任务，显著提升了覆盖率和准确性。
重要性说明
表面看是AI安全工具的进步，但Cloudflare的harness架构暗藏三重隐性控制意图：
- 防守合围传统安全厂商：通过将AI漏洞发现与自身CDN/边缘基础设施深度绑定（如Trace阶段利用跨仓库符号索引），Cloudflare将安全能力内化为平台服务，迫使CrowdStrike、Palo Alto等传统安全厂商要么自建类似AI管道，要么在边缘安全市场失去竞争力。
- 锁定用户资产：harness的Recon和Hunt阶段依赖对仓库架构的深度解析，一旦用户采用该管道，其代码库的信任边界、入口点等元数据将被Cloudflare掌握，形成迁移壁垒。用户若想切换安全供应商，需重建整套上下文，成本极高。
- 故意隐瞒的工程短板：原文未提Mythos Preview的推理时延和成本。多agent并行（50个Hunt agent）意味着显著的GPU/TPU算力消耗，且Trace阶段需要跨仓库符号索引，在大型企业（数千仓库）中会产生指数级组合爆炸。另外，模型refusal的不一致性可能引发合规审计风险——同一漏洞在不同时间或上下文可能被拒绝报告，导致安全盲区。
PRO 决策建议
【Vendors】竞争对手（如Akamai、Fastly、CrowdStrike）应迅速推出类似AI漏洞发现服务，并强调跨平台中立性——指出Cloudflare的harness与自身CDN深度耦合，用户若使用将被锁定在Cloudflare生态。同时，开发开源替代harness（如基于LangChain的通用管道），降低用户迁移成本。
【Enterprises】企业CIO和架构师应进行零信任技术审计：要求Cloudflare提供harness的数据保留策略和代码元数据使用声明，确保仓库架构信息不被用于其他商业目的。同时，评估Mythos Preview的refusal不一致性对合规的影响，建立人工复核流程覆盖模型拒绝报告的漏洞。考虑采用多模型并行扫描（如同时使用OpenAI、Google的模型）以分散供应商集中度风险。
【Investors】投资者应看穿公关辞令：Cloudflare的Project Glasswing本质是边缘安全护城河的加固，而非纯粹的AI突破。关注其GPU算力成本和模型推理延迟对利润率的长期侵蚀。同时，警惕Anthropic等模型供应商可能直接推出类似安全服务，绕开Cloudflare成为直接竞争对手。
觉得这篇分析有用？
每周收到3-5条AI基础设施关键信号 →
💬 评论 (0)