Laporan CleanStart Mengungkap Meningkatnya Risiko dalam Ketergantungan Perangkat Lunak Berbasis AI dan Komponen yang Sudah Tua

icon币界网
Bagikan
AI summary iconRingkasan
Berita AI + kripto: Laporan 'State of Software Dependency Trust 2026' dari CleanStart menunjukkan meningkatnya risiko dari rekomendasi dependensi yang dihasilkan AI dan komponen usang. Hanya 20% rekomendasi AI yang efektif dan aman. Aplikasi yang diaudit menggunakan rata-rata 1.180 komponen open-source, dengan 64% bersifat tidak langsung. Pada 2024, 95% unduhan rentan memiliki perbaikan yang tersedia. Berita kripto menyoroti bahwa 68% komponen berusia lebih dari dua tahun, dan kerentanan per basis kode meningkat 107%.
CoinDesk melaporkan:

Industry-wide report examines how legacy components, upstream attacks, and AI-assisted development expose gaps in software supply chain security

Key points:

  • Risiko ketergantungan AI: Dalam rekomendasi ketergantungan yang dihasilkan AI yang diuji, hanya 20% yang secara bersamaan efektif dan tidak mengandung kerentanan yang diketahui.
  • Ketergantungan kompleksitas dan usia: Aplikasi yang diaudit rata-rata mencakup 1.180 komponen open source, di mana 64% diperkenalkan secara tidak langsung melalui ketergantungan lain.
  • Peluang perbaikan: Dari komponen rentan yang diunduh dalam telemetri registri tahun 2024, sekitar 95% telah memiliki versi perbaikan yang tersedia saat diunduh.

San Jose, California, Amerika Serikat, 17 November /PRNewswire/ -- CleanStart, penyedia artefak perangkat lunak yang telah diverifikasi untuk rantai pasok perangkat lunak modern, hari ini merilis laporan berjudul "State of Software Dependency Trust 2026: From Dependency Management to Verified Software Foundations". Laporan ini meninjau bagaimana peningkatan kompleksitas dependensi, penuaan komponen, serangan terhadap rantai pasok perangkat lunak hulu, serta pengembangan yang dibantu AI mengubah risiko yang dihadapi organisasi dalam membangun dan memelihara perangkat lunak.

Laporan tersebut juga menunjukkan bahwa 68% komponen dalam sampel audit telah digunakan lebih dari dua tahun; sementara telemetri registri lainnya menemukan bahwa sekitar 95% komponen rentan yang diunduh telah memiliki versi perbaikan yang tersedia saat diunduh. Secara keseluruhan, temuan-temuan ini menunjukkan bahwa tantangan yang dihadapi tim perangkat lunak semakin membesar: tidak hanya harus memahami apa yang masuk ke dalam aplikasi, tetapi juga menilai apakah itu dapat dipercaya, serta terus memeliharanya saat developer dan sistem AI semakin cepat memperkenalkan ketergantungan.

CleanStart CEO dan co-founder Nilesh Jain mengatakan, "Keamanan perangkat lunak tidak boleh berhenti hanya pada tahap menemukan kerentanan. Organisasi perlu mengetahui apa yang mereka bawa ke dalam lingkungan mereka, dari mana asalnya, dan apakah integritasnya dapat diverifikasi. Seiring percepatan pengembangan perangkat lunak, terutama yang didorong oleh AI, jumlah dan kecepatan adopsi akan terus meningkat. Industri perlu beralih dari mengelola risiko yang sudah diketahui setelah adopsi, menjadi membangun kepercayaan terhadap perangkat lunak sebelum digunakan."

Dalam analisis sepuluh bagian ini, laporan meninjau komposisi perangkat lunak, keterlambatan perbaikan, perbedaan industri dan geografis, serangan hulu, kapasitas pemelihara, serta pengembangan yang dibantu AI. Temuan lainnya mencakup:

  • Dari 947 repositori kode bisnis yang diaudit, 17% komponen yang diamati berada di luar manajer paket tradisional, dan 41% tertinggal 10 versi atau lebih. Tinjauan lain terhadap 47 proyek open source non-npm terkemuka menemukan bahwa pada 40% proyek, sejumlah kecil pengembang menyumbangkan sebagian besar commit, yang menyoroti tantangan visibilitas dan pemeliharaan yang lebih luas.
  • Jumlah kerentanan rata-rata per repositori yang diaudit meningkat 107%, dari 280 menjadi 581. Namun, persentase repositori yang mengandung kerentanan hanya naik dari 86% menjadi 87%, menunjukkan bahwa peningkatan jumlah kerentanan yang ditemukan tidak berarti jumlah aplikasi yang terdampak meningkat sebesar yang sama.
  • Setelah menggabungkan model AI dengan data registri real-time, rekomendasi risiko tinggi dan risiko serius berkurang sekitar 70%. Laporan tersebut juga membahas bagaimana alat keamanan dapat meningkatkan kualitas rekomendasi dependensi yang dihasilkan oleh AI.
  • Laporan ini meninjau insiden rantai pasokan perangkat lunak yang melibatkan kredensial rilis yang dicuri, skrip pemasangan jahat, serta infrastruktur CI/CD yang dimanipulasi. Laporan ini juga menekankan skala aktivitas paket jahat serta tantangan yang dihadapi organisasi dalam menghasilkan, menggunakan, dan melaksanakan persyaratan SBOM.

Laporan merekomendasikan untuk memulai dari gambar, perpustakaan, runtime, dan paket yang paling banyak digunakan ulang atau paling kritis. Organisasi harus menetapkan persyaratan bukti minimum untuk fondasi ini, mencakup identitas, sumber, pelacakan, integritas, keamanan, pemeliharaan, dan kebijakan. Memungkinkan bukti-bukti ini digunakan ulang di antara aplikasi dan dapat diakses melalui alur kerja pengembang dan AI yang ada dapat mengurangi pekerjaan evaluasi berulang yang dilakukan oleh berbagai tim.

CleanStart menerapkan model ini melalui Clean Images dan Clean Libraries, menyediakan fondasi perangkat lunak yang diverifikasi dan dapat digunakan kembali. Pendekatan ini saling melengkapi dengan pemindaian berkelanjutan, pembuatan SBOM, perbaikan, dan kontrol runtime, serta ditinjau secara terus-menerus seiring perubahan komponen, ancaman, dan persyaratan organisasi.

Laporan ini menggabungkan audit, penyelidikan, telemetri ekosistem, laporan insiden, dan sumber kebijakan yang telah dipublikasikan, disertai referensi lengkap dan penjelasan batasan metodologis.

Laporan lengkap tersedia di https://clnstrt.co/dependency-trust-2026.

Tentang CleanStart

CleanStart membantu organisasi melindungi rantai pasokan perangkat lunak modern melalui artefak perangkat lunak yang telah diverifikasi. Perusahaan membantu perusahaan menemukan aset perangkat lunak, membangun jejak perangkat lunak, mengganti komponen perangkat lunak yang tidak aman dengan alternatif yang telah diverifikasi, serta secara terus-menerus memverifikasi integritas perangkat lunak. Ini membantu organisasi membangun, membeli, dan menerapkan perangkat lunak dengan lebih percaya diri, sekaligus memperkuat postur keamanan rantai pasokan perangkat lunak mereka.

CleanStart didirikan oleh Nilesh Jain, Vijendra Katiyar, dan Biswajit De, ketiganya memiliki pengalaman kepemimpinan keamanan siber global lebih dari 20 tahun. CleanStart sedang berupaya menjadikan "verifikasi" sebagai fondasi bagi organisasi dalam membangun dan melindungi perangkat lunak modern.

Media contact:
Kyle Porter
EVP-Direktur Utama
[email protected]

Penafian: Informasi pada halaman ini mungkin telah diperoleh dari pihak ketiga dan tidak mencerminkan pandangan atau opini KuCoin. Konten ini disediakan hanya untuk tujuan informasi umum, tanpa representasi atau jaminan apa pun, dan tidak dapat ditafsirkan sebagai saran keuangan atau investasi. KuCoin tidak bertanggung jawab terhadap segala kesalahan atau kelalaian, atau hasil apa pun yang keluar dari penggunaan informasi ini. Berinvestasi di aset digital dapat berisiko. Harap mengevaluasi risiko produk dan toleransi risiko Anda secara cermat berdasarkan situasi keuangan Anda sendiri. Untuk informasi lebih lanjut, silakan lihat Ketentuan Penggunaan dan Pengungkapan Risiko.