نیکلاس گوگه، توسعه‌دهنده بیت‌کوین، گفت اسکن‌های مبتنی بر مدل‌های زبانی بیش از ۱٬۰۰۰ گزارش امنیتی درباره بیت‌کوین کور ایجاد کرده‌اند و استدلال کرد که هوش مصنوعی باید برای تقویت آزمون‌های خودکار به کار رود، اما نباید به‌عنوان یک راهبرد امنیتی مستقل با آن برخورد شود.

گوگه گفت ابتکارهایی از جمله پروژه لوپ و تیم قرمز بیت‌کوین پشت جریان گزارش‌ها بوده‌اند. او افزود که بیشتر موارد ارسالی، مثبت کاذب یا مسائل فرضی بوده‌اند و تاکنون هیچ آسیب‌پذیری بحرانی شناسایی نشده است.

موضع او این نبود که اسکن با هوش مصنوعی ضرورتی ندارد. در عوض، او بر استفاده از آن به‌عنوان یک لایه پشتیبان درون فرایند امنیتی گسترده‌تر تأکید کرد. او به‌طور خاص به فازینگ اشاره کرد؛ روشی آزمونی که نرم‌افزار را با تعداد زیادی ورودی آزمایش می‌کند تا خرابی‌ها آشکار شوند. بیت‌کوین کور و کتابخانه رمزنگاری secp256k1 هم‌اکنون سال‌ها پوشش فازینگ دارند و گوگه پیشنهاد داد مدل‌های زبانی می‌توانند هزینه ساخت و بهبود این ابزارها را کاهش دهند.

این اظهارات در شرایطی مطرح می‌شود که هوش مصنوعی، بازبینی کد در مقیاس بزرگ را در نرم‌افزارهای متن‌باز، از جمله زیرساخت بیت‌کوین، ارزان‌تر و سریع‌تر می‌کند. گوگه گفت نرم‌افزار بیت‌کوین در گذشته نسبت به برخی بخش‌های دیگر کمتر توجه مهاجمان را جلب می‌کرد، اما با توانمندتر شدن مدل‌ها در تحلیل پایگاه‌های کد بزرگ با هزینه کم، این پویایی ممکن است در حال تغییر باشد.

گزارش‌های پشتیبان موجود درباره اکوسیستم گسترده‌تر بیت‌کوین نشان می‌دهند که مسئله عملیاتی بزرگ‌تر تنها یافتن باگ‌ها نیست، بلکه مدیریت بار بازبینی پس از آن نیز هست. این امر می‌تواند شامل غربال‌کردن مثبت‌های کاذب، تأیید واقعی بودن یک مسئله، آماده‌سازی وصله‌ها و مدیریت زمان‌بندی افشا در مخازن متن‌باز پرکاربرد باشد.

چرا اهمیت دارد

این موضوع اهمیت دارد زیرا بیت‌کوین کور به لایه پایه پشته نرم‌افزاری بیت‌کوین نزدیک است و هر تغییری در شیوه آشکار شدن آسیب‌پذیری‌ها، بر بیش از یک مخزن اثر می‌گذارد. ممیزی با کمک هوش مصنوعی می‌تواند پوشش را بهبود دهد و زمان لازم برای کشف نقص‌ها را کاهش دهد، اما در عین حال این خطر را ایجاد می‌کند که نگه‌دارندگان زمان بیشتری را صرف فیلتر کردن گزارش‌های پرسر‌وصدا کنند تا رفع مسائل معنادار.

این رویداد همچنین بر تغییری گسترده‌تر در امنیت زیرساخت رمزارز تأکید دارد. با کاهش هزینه اسکن کد به‌وسیله هوش مصنوعی، مزیت ممکن است از صرفِ کشف باگ به سمت سامانه‌های آزمون منضبط، فرایندهای افشا و ظرفیت نگه‌دارندگان منتقل شود. برای پروژه‌های حیاتی متن‌باز، تاب‌آوری امنیتی ممکن است کمتر به استفاده یا عدم استفاده از هوش مصنوعی و بیشتر به چگونگی ادغام خروجی آن در جریان‌های کاری بازبینی موجود وابسته باشد.