Anthropic با OSS Scanner می‌خواهد کشف آسیبپذیری در پروژههای متنباز حیاتی را از آزمایش‌های خصوصی به زیرساختی رایگان و قابل‌استفاده برای نگهدارندگان تبدیل کند.
تحریریهٔ هوشی ۱۱ دقیقه مطالعه
Anthropic در ۸ اکتبر ۲۰۲۶ OSS Scanner را معرفی کرد؛ سرویس رایگان و opt-in برای پروژههای متنباز واجد شرایط که با قوی‌ترین مدلهای Claude آسیبپذیری پیدا میکند، گزارش تولید میکند و گاهی وصله پیشنهادی می‌دهد.
Anthropic مدل Claude Haiku 5.5 را در ۷ اکتبر ۲۰۲۶ معرفی کرد؛ مدلی کوچک، سریع و ارزان برای بارهای کاری پرتعداد مثل طبقه‌بندی، استخراج، خلاصه‌سازی، ایجنت‌ها و زیرایجنت‌های کدنویسی.
Google Cloud با معرفی Gemini agent می‌خواهد هوش مصنوعی سازمانی را از پاسخ‌گویی در چت به انجام کارهای واقعی، قابل‌حکمرانی و قابل‌کنترل در محیط‌های کاری تبدیل کند.
اسکنر امنیتی متنباز Anthropic با نام دقیق OSS Scanner یک سرویس رایگان و opt-in برای پروژههای متنباز واجد شرایط است. این سرویس در ۸ اکتبر ۲۰۲۶، زیر چتر Anthropic Cyber Mission معرفی شد و قرار است با مدلهای قوی Claude، آسیب‌پذیری‌ها را زودتر از مهاجمان پیدا کند.
Anthropic این برنامه را بخشی از تعهد بلندمدت خود برای امن‌سازی سیستم‌هایی می‌داند که همه به آنها وابسته‌ایم. این مأموریت دو مسیر اصلی دارد: Critical Infrastructure Defense Program یا CIDP برای زیرساخت‌های حیاتی مانند شبکه برق، آب، حمل‌ونقل، کارخانه‌ها و سامانه‌های دولتی؛ و OSS Scanner برای امنیت نرم‌افزارهای متنباز.
نکته مهم این است که OSS Scanner فقط یک «اسکنر دیگر» در کنار ابزارهای رایج نیست. Anthropic می‌خواهد قابلیت شکار آسیبپذیری با مدلهای مرزی را از یک پروژه تحقیقاتی یا محصول سازمانی، به خدمتی در دسترس نگهدارندگان پروژههای متنباز مهم تبدیل کند. طبق اعلام رسمی، این سرویس به پروژههای متنباز «اسکن‌های امنیتی منظم از قوی‌ترین مدلهای ما، بهصورت رایگان» ارائه می‌دهد.
یک روز بعد، در ۹ اکتبر ۲۰۲۶، AI Daily Post نیز خبر را پوشش داد و آن را این‌طور قاب‌بندی کرد: Anthropic ابزار امنیتی‌ای را که برای مدلهای هوش مصنوعی خودش ساخته بود، در اختیار نگهدارندگان متنباز می‌گذارد تا «قبل از مهاجمان» باگ‌ها را پیدا کنند. البته نام رسمی محصول OSS Scanner است، نه صرفاً «OSS».
نکته: OSS Scanner جایگزین قضاوت امنیتی نگهدارندگان نیست. گزارشها سریع‌تر می‌رسند، اما Anthropic صریحاً میگوید خروجی‌ها مدل‌تولیدشده‌اند و بدون بازبینی انسانی ارسال میشوند.
این معرفی در ادامه چند اقدام سایبری Anthropic در سال ۲۰۲۶ قرار می‌گیرد: برنامه دفاع سایبری برای دولت‌های ایالتی، محلی، قبیله‌ای و سرزمینی آمریکا در ژوئن؛ Defender Advantage Fund یا 0xDAF در اوت؛ و گسترش Cyber Verification Program در ۶ اکتبر ۲۰۲۶. بنابراین OSS Scanner فقط یک محصول منفرد نیست، بلکه بخشی از راهبرد بزرگ‌تر Anthropic برای دفاع سایبری با هوش مصنوعی است.
OSS Scanner ابزار دانلودی محلی نیست؛ نگهدارنده پروژه باید از مسیر GitHub ثبتنام کند و اسکن روی زیرساخت Anthropic انجام میشود. نتیجه به ایمیل امنیتی پروژه ارسال میشود و در صورت امکان، شامل گام‌های بازتولید و وصله پیشنهادی است.
طبق مخزن رسمی anthropics/oss-scanner، نگهدارنده اصلی پروژه باید یک Pull Request باز کند و زیر مسیر projects/<name> پیکربندی پروژه را اضافه کند. این پیکربندی شامل URL مخزن، ایمیل تماس اصلی و Dockerfile لازم برای ساخت پروژه است.
primary_contact و CCهای اختیاری ایمیل میشود.نگهدارندگان میتوانند فایل اختیاری threat_model.md نیز ارائه کنند. این فایل به مدل کمک میکند هدف‌های امنیتی پروژه، مرزهای ورودی غیرقابل‌اعتماد، اجزای مهم، ترجیح‌های شدتبندی و بخش‌های خارج از دامنه را بهتر بفهمد. برای پروژههایی که مدل تهدید پیچیده دارند، همین فایل میتواند تفاوت میان یک گزارش مفید و یک هشدار پر سروصدا باشد.
Anthropic میگوید OSS Scanner از قوی‌ترین مدلهای Claude استفاده میکند؛ از جمله Claude Mythos. اما در اعلامیه OSS Scanner، اندازه context window، قیمت توکن یا امتیاز بنچمارک Claude Mythos منتشر نشده است. اگر می‌خواهید تصویر کلی‌تری از خانواده Claude داشته باشید، راهنمای هوشی درباره Claude نقطه شروع خوبی است.
مهم‌ترین ادعای Anthropic این است که کیفیت گزارشهای هوش مصنوعی نسبت به موج‌های اولیه گزارش باگ LLMها به‌طور محسوسی بهتر شده است. با این حال، خود شرکت هم تأکید دارد که گزارشهای OSS Scanner میتوانند اشتباه باشند.
در شش ماه پیش از معرفی، مدلهای Anthropic بیش از ۲۹٬۰۰۰ آسیبپذیری کاندید را در پروژههای بزرگ نرم‌افزاری پیدا کردند. حدود ۶٬۰۰۰ مورد بهصورت دستی بررسی و triage شد و نزدیک به ۵٬۰۰۰ گزارش تأییدنشده نیز زمانی برای نگهدارندگان ارسال شد که خودشان درخواست دسترسی انبوه کرده بودند.
Anthropic برای اعتبارسنجی اولیه OSS Scanner، ۹۷ یافته بحرانی و پرشدت را در ۴۸ پروژه به متخصصان داد. از این ۹۷ مورد، ۸۵ مورد به معیار افشای هماهنگ Anthropic رسیدند. از ۱۲ مورد باقی‌مانده، ۱۱ مورد واقعی اما تکراری بودند و فقط ۱ مورد نامعتبر گزارش شد.
یک داده مهم دیگر به بنچمارک دانشگاهی CyberGym مربوط است. Anthropic میگوید مدلهای زبانی از یافتن کمتر از ۲۰٪ آسیب‌پذیری‌ها در آغاز سال قبل، به بیش از ۸۵٪ در ۲۰۲۶ رسیده‌اند. این عدد برای استدلال Anthropic کلیدی است: گزارشهای امروز، از نظر کیفیت، شبیه موج‌های ضعیف‌تر قبلی LLM bug reporting نیستند.
Anthropic هشدار داده که «مدلهای هوش مصنوعی بسیار توانمند سایبری اکنون به‌طور گسترده در دسترس مهاجمان هستند»، اما ابزارهای دفاعی هنوز به اندازه کافی به مدافعان نرسیده‌اند.
OSS Scanner رایگان است، اما برای هر مخزنی باز نیست. Anthropic میگوید این سرویس برای پروژههای متنباز واجد شرایط با اثر حیاتی بر زیرساخت و امنیت کاربران طراحی شده و تصمیمها موردی گرفته میشود.
معیارها به گفته Anthropic شبیه معیارهایی است که در فضای Google OSS-Fuzz دیده میشود: پروژههایی با پایگاه کاربری مهم یا نقش حیاتی در زیرساخت فناوری. بنابراین اگر پروژه‌ای کوچک، آزمایشی یا کم‌اثر است، احتمالاً در اولویت نخست قرار نمی‌گیرد. حتی Anthropic در FAQ عمومی خود تأکید کرده که این سرویس برای پروژههایی مناسب‌تر است که همین حالا هم توان رسیدگی به گزارشهای high و critical تأییدشده را دارند و می‌خواهند قدمی فراتر بروند.
| فیلد | ضرورت | کاربرد |
|---|---|---|
repo | لازم | نشانی مخزن Git که باید اسکن شود |
primary_contact | لازم | ایمیل اصلی دریافت گزارشهای امنیتی |
dockerfile | لازم | تعریف محیط ساخت پروژه برای Anthropic |
auto_ccs | اختیاری | افزودن گیرندگان CC برای گزارشها |
homepage | اختیاری | نشانی صفحه اصلی پروژه |
disabled | اختیاری | غیرفعال‌سازی پیکربندی در صورت نیاز |
threat_model | اختیاری | راهنمای مدل برای فهم دامنه و اولویت‌های امنیتی |
| PGP key | اختیاری | دریافت گزارشهای رمزگذاری‌شده |
Anthropic تناوب دقیق اسکن‌ها، سقف تعداد پروژههای قابل پذیرش یا معادل قیمت تجاری این اسکن‌ها را اعلام نکرده است. فقط می‌دانیم پروژههای پذیرفته‌شده اسکن‌های دورهای را بدون هزینه دریافت میکنند.
OSS Scanner با ابزارهای موجود رقابت و هم‌پوشانی دارد، اما روش آن متفاوت است. OSS-Fuzz بیشتر با fuzzing و sanitizerها کار میکند، CodeQL تحلیل معنایی و query-driven است، و OSS Scanner روی گزارشهای مدلمحور با بازتولید و وصله پیشنهادی تکیه دارد.
Anthropic صریحاً گفته OSS Scanner از Google OSS-Fuzz الهام گرفته است. OSS-Fuzz سرویس رایگان fuzzing پیوسته برای پروژههای متنباز است و زبان‌هایی مانند C/C++، Rust، Go، Python، Java/JVM، JavaScript و Lua را پشتیبانی میکند. نقطه قوت آن اجرای ورودیهای تولیدشده و یافتن کرش‌ها یا یافتههای sanitizer است.
در مقابل، OSS Scanner با مدلهای زبانی پیشرفته روی کد استدلال میکند. گزارش میتواند شامل proof of concept، توضیح آسیبپذیری و پیشنهاد وصله باشد. این ویژگی آن را به حرکت وسیع‌تر صنعت از «یافتن» به «کمک به اصلاح» وصل میکند؛ مسیری که Google نیز در ۲۰۲۶ با ترکیب OSS-Fuzz و CodeMender توصیف کرده است.
CodeQL از GitHub نیز ابزار مهم دیگری در این فضاست. CodeQL کد را مانند داده قابل پرس‌وجو میکند و برای پژوهش و متنباز رایگان است. فرق اصلی در ماهیت خروجی است: CodeQL deterministic و query-driven است؛ OSS Scanner model-driven است و خودش درباره احتمال خطا و شدتبندی نادرست هشدار می‌دهد.
از سوی دیگر، Anthropic میان OSS Scanner و Claude Security فرق می‌گذارد. Claude Security محصول عمومی‌تر اسکن و patching کد برای سازمان‌هاست؛ اما OSS Scanner برای پروژههای متنباز واجد شرایط رایگان است. اگر توسعه‌دهنده هستید و می‌خواهید مدلهای مختلف را در کارهای مهندسی نرم‌افزار و امنیت کنار هم امتحان کنید، صفحه مدلهای هوشی و بخش API هوشی برای توسعه‌دهندگان مسیر عملی‌تری برای شروع روزمره است.
بزرگ‌ترین ریسک OSS Scanner این است که کشف آسیبپذیری را سریع‌تر میکند، اما ظرفیت triage نگهدارندگان را خودکار نمیکند. حتی با نرخ مثبت واقعی بالا، حجم زیاد گزارش میتواند پروژه‌ها را تحت فشار بگذارد.
Anthropic میگوید گزارشها «model-generated and sent without human review» هستند. این انتخاب آگاهانه است: پروژههایی که توان رسیدگی دارند، یافته‌ها را سریع‌تر می‌گیرند؛ اما در عوض باید خودشان exploitability، شدت، تکراری بودن و کیفیت وصله را بررسی کنند.
مسئله محرمانگی نیز مهم است. طبق مستندات GitHub، گزارشها برای نگهدارندگان ایمیل میشوند و Anthropic آنها را عمومی نمیکند. این شرکت همچنین برای این یافتههای مدلتولیدشده، ضربالاجل افشای ۹۰روزه تعیین نکرده است. این رویکرد فشار عمومی را کم میکند، اما هماهنگی CVE، اطلاع‌رسانی downstream و مدیریت گزارشهای تکراری همچنان نیازمند فرایند بالغ است.
بازخورد پروژههای اولیه امیدوارکننده است، اما نباید آن را تضمین عمومی دانست. Anton Arapov از OpenSSL Corporation گفته گزارشهای اولیه AI در حدود ۱۸ ماه قبل «appalling» بودند، اما گزارشهای دریافتی از Anthropic «as good and sometimes better than what we get from people» بوده‌اند، به‌ویژه وقتی exploit واقعی همراه داشته‌اند. Todd Ouska از wolfSSL نیز گفته از ۷۴ گزارش، همه جز ۲ مورد معتبر بودند و ۵ مورد به CVE تبدیل شدند. Daniel Stenberg از curl هم گفته OSS Scanner چند مسئله ارزشمند پیدا کرده، از جمله «one of the worst curl vulnerabilities reported in the last few years».
برای کاربران فارسی‌زبان، خبر اصلی این است: امنیت کتابخانه‌ها و ابزارهای متن‌بازی که نرم‌افزارهای روزمره، سرویس‌های سازمانی و محصولات داخلی روی آنها ساخته میشوند، وارد مرحله تازه‌ای شده است. اما استفاده از AI در امنیت، مسئولیت انسانی را حذف نمیکند.
در ایران و فارسی‌زبان‌ها، بسیاری از تیم‌ها روی پکیج‌های متنباز جهانی تکیه دارند؛ از کتابخانه‌های زبان‌های برنامه‌نویسی گرفته تا ابزارهای زیرساختی، CI، وب‌سرورها، فریم‌ورک‌ها و وابستگی‌های غیرمستقیم. اگر پروژههای بالادستی مهم در OSS Scanner پذیرفته شوند و بتوانند گزارشها را به‌موقع اصلاح کنند، downstream هم امن‌تر میشود.
اما برای تیم‌های محصول، پیام عملی این نیست که «دیگر خیالتان از متنباز راحت باشد». برعکس، باید دقیق‌تر رصد کنید که وابستگی‌های کلیدی شما در چه برنامه‌هایی حضور دارند: OSS-Fuzz؟ CodeQL؟ OSS Scanner؟ آیا release noteها یا CVEها به یافتههای Anthropic اشاره میکنند؟ آیا فرآیند به‌روزرسانی وابستگی‌ها در تیم شما سریع و قابل اعتماد است؟
برای توسعه‌دهندگانی که با مدلهای AI در کدنویسی کار میکنند، این خبر یادآور یک تغییر بزرگ است: مدل‌ها دیگر فقط autocomplete یا چت‌بات کمکی نیستند؛ آنها در حال ورود به چرخه امنیت، triage و حتی پیشنهاد patch هستند. در هوشی می‌توانید به مدل‌هایی مانند ChatGPT، Claude، Gemini، Grok، DeepSeek، Kimi، Qwen، Mistral و Perplexity در یک پنل فارسی دسترسی داشته باشید و برای کارهای تحلیل کد، مستندسازی و بررسی امنیتی از آنها کمک بگیرید؛ البته همیشه با بازبینی انسانی.
این گزارش آسیبپذیری را مثل یک نگهدارنده پروژه متنباز بررسی کن: ابتدا مسیر بازتولید را خلاصه کن، سپس فرض‌های امنیتی را مشخص کن، بعد بگو آیا وصله پیشنهادی ریشه مشکل را می‌بندد یا فقط نشانه را پنهان میکند. در پایان چک‌لیست تست رگرسیون بده.
اگر می‌خواهید استفاده از مدل‌ها را در تیم فنی خود استاندارد کنید، راهنمای API هوش مصنوعی برای برنامه‌نویس‌ها و صفحه تعرفه‌های هوشی میتواند برای برنامه‌ریزی هزینه و دسترسی مفید باشد.
OSS Scanner نشان می‌دهد فاز جدید امنیت متنباز شروع شده است: مدلهای هوش مصنوعی با سرعت بالا کد را می‌خوانند، گزارش تولید میکنند و حتی وصله پیشنهاد می‌دهند. اما bottleneck از «کشف» به «راستیآزمایی، اولویت‌بندی، افشا و اصلاح امن» منتقل شده است.
اگر ادعای Anthropic درباره نرخ مثبت واقعی بالای ۹۰٪ در عمل و در مقیاس بزرگ پایدار بماند، OSS Scanner میتواند برای پروژههای حیاتی متنباز بسیار ارزشمند باشد. ولی همین موفقیت میتواند بار تازه‌ای ایجاد کند: نگهدارندگان باید برای سیل گزارشهای دقیق‌تر، اما همچنان نیازمند قضاوت انسانی، آماده باشند.
از نگاه صنعت، این حرکت هم دفاعی است و هم سیگنال‌دهنده. Anthropic میگوید مهاجمان همین حالا به مدلهای سایبری توانمند دسترسی دارند و ابزار دفاعی باید هم‌سرعت شود. شرکای CIDP هم همین زبان را به‌کار برده‌اند: تهدیدهای «machine-speed» به دفاع «machine-speed» نیاز دارند.
برای پروژههای متنباز، بهترین واکنش نه هیجان‌زدگی کامل است و نه بدبینی مطلق. مسیر درست، ساختن فرآیند است: security contact روشن، threat model مکتوب، CI قابل اعتماد، سیاست افشای هماهنگ، مدیریت CVE و توان تست وصله. OSS Scanner میتواند پیدا کند؛ اما این انسان‌ها هستند که باید تصمیم بگیرند چه چیزی واقعاً خطرناک است و چگونه باید امن، پایدار و مسئولانه اصلاح شود.
هوش مصنوعی را امن و کاربردی وارد کار فنی کنید. در هوشی می‌توانید از چندین مدل مطرح در یک پنل فارسی استفاده کنید، خروجی‌ها را مقایسه کنید و برای تحلیل کد، مستندات و کارهای امنیتی از AI کمک بگیرید.
ورود به پنل هوشیOSS Scanner سرویس رایگان Anthropic برای اسکن دورهای پروژههای متنباز واجد شرایط است. نگهدارندگان پروژه بهصورت opt-in ثبتنام میکنند و مدلهای قدرتمند Claude، از جمله Claude Mythos، کد را برای یافتن آسیبپذیری بررسی میکنند. خروجی میتواند شامل توضیح، بازتولید خطا و وصله پیشنهادی باشد.
خیر. Anthropic آن را بهعنوان یک سرویس اجرا میکند، نه ابزار محلی معمول. نگهدارنده باید در مخزن GitHub مربوط به anthropics/oss-scanner یک Pull Request با تنظیمات پروژه ثبت کند. سپس Anthropic پروژه را در ماشین مجازی ایزوله میسازد و در محیط بدون اینترنت اسکن میکند.
Anthropic میگوید گزارشها کاملاً مدلتولیدشده و بدون بازبینی انسانی ارسال میشوند، پس ممکن است خطا یا شدتبندی نادرست داشته باشند. با این حال، شرکت انتظار نرخ مثبت واقعی بالای ۹۰٪ را مطرح کرده و در یک آزمون، فقط ۱ مورد از ۹۷ یافته بررسیشده نامعتبر بوده است.
این سرویس رایگان است، اما برای همه مخزنها باز نیست. Anthropic آن را برای پروژههای متنباز واجد شرایط با اثر حیاتی بر زیرساخت و امنیت کاربران در نظر گرفته و گفته تصمیمها موردی گرفته میشود. معیارها شبیه فضای پروژههایی است که برای زیرساخت جهانی اهمیت دارند.
OSS-Fuzz بر fuzzing، sanitizerها و اجرای ورودیهای تولیدشده برای پیدا کردن کرش و باگ تکیه دارد. CodeQL تحلیل معنایی و پرسوجومحور روی کد است. OSS Scanner اما مدلمحور است: Claude درباره کد استدلال میکند و میتواند گزارش، اثبات مفهوم و وصله پیشنهادی تولید کند.
طبق مستندات GitHub سرویس، گزارشهای OSS Scanner برای نگهدارندگان ایمیل میشوند و Anthropic آنها را عمومی نمیکند. همچنین برای این یافتههای مدلتولیدشده، ضربالاجل افشای ۹۰روزه اعمال نمیکند؛ چون گزارشها انسانی بازبینی نشدهاند و نگهدارندگان باید ابتدا آنها را راستیآزمایی کنند.
