विस्तृत विश्लेषण · लगभग 4 मिनट पढ़ना
npm मालवेयर जाँच में Databricks ने बाइनरी प्रमाण जोड़े: कम चूक सुरक्षा की गारंटी नहीं
नियंत्रित परीक्षण में सस्ते मॉडलों की चेतावनी बढ़ाने की क्षमता सुधरी; उत्पादन के पैकेज-स्तरीय लेबल अलग सीमाएँ दिखाते हैं।
- यहाँ प्रकाशित
- स्रोत की तारीख
- स्रोत जाँचा गया
Databricks Threat Research ने 16 अक्टूबर को LLM आधारित npm मालवेयर छँटाई का अध्ययन प्रकाशित किया। मुख्य बदलाव मॉडल के तर्क से पहले संरचित बाइनरी प्रमाण गणना करना है। बेहतर प्रमाण-पाइपलाइन मजबूत मॉडल चुनने जितनी जरूरी हो सकती है, पर नियंत्रित और उत्पादन परीक्षण अलग सवाल जाँचते हैं।
समाचार सुनें
यह लेख सुनें या समाचार लगातार चलाएँ।
पढ़ने की तैयारी हो रही है…
डिवाइस की आवाज़
वाक् प्रक्रिया आपके ब्राउज़र या डिवाइस में होती है। AISubHub पाठ किसी ऑडियो API को नहीं भेजता। आवाज़ों और लॉक स्क्रीन पर चलने की सुविधा डिवाइस पर निर्भर है।
जारी करने पर छोटा वाक्यांश दोहराया जा सकता है।
मुख्य बातें
- 70 सस्ते मॉडल और नमूना संयोजनों में चेतावनी सीमा तक न पहुँचने के मामले प्रोफाइल के साथ 35 से 3 हुए।
- उत्पादन जाँच ने पैकेज लेबल पर 345 सही सकारात्मक, 80 गलत नकारात्मक, 104 गलत सकारात्मक और 2,345 सही नकारात्मक बताए।
साफ पैकेज कमजोर निर्णय कैसे छिपाता है
npm पैकेज में सामान्य JavaScript, पेशेवर मेटाडेटा और कठिन बाइनरी एक साथ हो सकते हैं। अध्ययन में मॉडल सामान्य आवरण से संदिग्ध बाइनरी संकेत को जायज ठहराते दिखे। अच्छी भाषा यह भ्रम भी देती है कि फाइल गहराई से जाँची गई है। लेखक तर्क देकर टालना, अनदेखा करना, हिचकना और प्रमाण गढ़ना अलग करते हैं। ये तरीके एक-दूसरे पर चढ़ते हैं; उनके प्रतिशत स्वतंत्र श्रेणियाँ समझकर जोड़े नहीं जा सकते।
तर्क से पहले क्या बदला जाता है
स्कैनर YARA, Semgrep, रजिस्ट्री मेटाडेटा और बाइनरी विश्लेषण जोड़ता है। क्षमता प्रोफाइल तकनीक-विशिष्ट शर्तें आँककर तर्क से पहले लगभग 1,800 token का संरचित सार जोड़ते हैं। यह inference में विशेषज्ञ ज्ञान है, वजन फिर से प्रशिक्षित करना नहीं। मॉडल अपना निर्णय दे सकता और प्रोफाइल को अस्वीकार कर सकता है। सात सस्ते मॉडलों ने दस निर्मित नमूनों को प्रोफाइल के साथ और बिना देखा; दो मजबूत व्यवहारिक आधार अलग गिने गए। Claude Opus 4.6 केवल लागत संदर्भ था। यह सामान्य क्षमता रैंकिंग नहीं है। दोनों स्थितियों में वही prompt और स्थिर विश्लेषण, temperature 0 और 8,192 token की output सीमा थी।
सुधार का सही हर और सीमा
सफल पहचान का अर्थ अत्यधिक संदिग्ध या दुर्भावनापूर्ण है, केवल दुर्भावनापूर्ण नहीं। 70 संयोजनों में पहले 35 सीमा तक नहीं पहुँचे; प्रोफाइल ने 32 सुधारे और 3 रह गए। लगभग 91% शुरुआती विफलताओं की बहाली है, हर npm मालवेयर की recall नहीं। केवल दुर्भावनापूर्ण वाली कठोर सीमा पर अधिक विफलताएँ रहीं। सही वर्ग भी सही कारण की गारंटी नहीं: सही फैसला देने वाले मॉडल भी बाइनरी संकेत गढ़ते मिले। साझा प्रमाण-अभाव से जुड़ी गलतियाँ बहुमत मतदान से अवश्य नहीं मिटतीं।
उत्पादन आँकड़ों में शेष समस्या
अलग जाँच में 425 दुर्भावनापूर्ण पैकेज संस्करण और 2,449 तुलना संस्करण थे। 345 सही सकारात्मक, 80 गलत नकारात्मक, 104 गलत सकारात्मक और 2,345 सही नकारात्मक से precision 0.77, recall 0.81 और F1 0.79 मिला। तुलना संस्करणों में गलत सकारात्मक 4.25% थे। अधिक डाउनलोड और OSV में अनुपस्थिति नियंत्रण चुनने के संकेत हैं, हर फाइल की सुरक्षा का प्रमाण नहीं। OSV पूरे पैकेज को लेबल करता है; हानिकारक भाग JavaScript या स्थापना में हो सकता है, बाइनरी में नहीं। यह शुद्ध बाइनरी पहचान की निश्चित क्षमता नहीं बताता।
संचालन में क्या स्वीकृति जाँच हो
AISubHub का विश्लेषण: प्रमाण, मॉडल निर्णय और कार्रवाई सीमा अलग दिखाई दें। अपारदर्शी native घटक वाले काल्पनिक पैकेज में पहले स्थिर विश्लेषण के वास्तविक निष्कर्ष लिखें, फिर देखें कि व्याख्या उन्हें उद्धृत करती है या पते और व्यवहार गढ़ती है। ज्ञात हमलों के साथ वैध native पैकेज और अनिश्चित मामले भी जाँचें। token कीमत के अलावा गलत चेतावनी का मानवीय बोझ और छूटी चेतावनी की लागत मापें। होस्टेड endpoint बदलते हैं, इसलिए एक ही सेवा अवधि में समान input की तुलना स्थायी मॉडल रैंक से मजबूत है। ये सुझाई जाँच हैं, बिना निगरानी सुरक्षित चलने का दावा नहीं।
यह क्यों अहम है
AISubHub का विश्लेषण: प्रमाण निकालना, धाराप्रवाह व्याख्या और कार्रवाई की नीति अलग मापें। मूल फाइल और निष्कर्ष बचाएँ, अनिश्चित मामले समीक्षा में भेजें और संकेत के वास्तव में मौजूद होने की जाँच के बाद आगे की पड़ताल में उपयोग करें।
सीमाएँ और उपलब्धता
ये Databricks के परिणाम हैं, हमारी पुनरावृत्ति नहीं। निर्मित नमूना छोटा है; लेबल पूरे पैकेज का है, जरूरी नहीं बाइनरी का। होस्टेड मॉडल बदलते हैं और चेतावनी दुर्भावना का प्रमाण नहीं। नई व्यक्तिगत सदस्यता कीमत नहीं है।
स्रोत और प्रमाण
स्रोत की तारीख: · स्रोत जाँचा गया:
AI की सहायता से लिखे लेखों को दिए गए प्राथमिक स्रोतों से जाँचा जाता है। प्रदाता के दावों का श्रेय स्पष्ट है; सूची में होना समर्थन नहीं है।