معرفی CVEngine؛ ابزار متنباز ارزیابی سطح حملات سایبری و تحلیل آسیبپذیریها با هوش مصنوعی
پروژه متنباز CVEngine با تلفیق ابزارهای شناختهشده پویش امنیتی و هوش مصنوعی، فرآیند ارزیابی سطح حمله و اولویتبندی آسیبپذیریها را متحول میکند. این پلتفرم با ارائه رابطهای MCP و REST، امکان اتصال مستقیم یافتهها به ایجنتهای هوشمند امنیتی را میسر میسازد. اعتبارسنجی در این سامانه کاملاً بهصورت فقط خواندنی انجام میشود تا هیچگونه ریسکی متوجه سرویسهای عملیاتی نشود.

در یک نگاه (نکات کلیدی خبر)
خلاصه مهمترین نکات و تحولات این گزارش برای مطالعه سریع
- شناسایی خودکار داراییهای شبکه و تطبیق لحظهای با پایگاههای داده جهانی آسیبپذیری نظیر CISA KEV
- تحلیل هوشمند و اولویتبندی رخنههای امنیتی با مدلهای زبانی در کنار اعتبارسنجی کاملاً امن و فقط خواندنی
- پشتیبانی بومی از پروتکل MCP و رابط REST برای ادغام مستقیم یافتهها در خطوط لوله ایجنتهای هوش مصنوعی
معرفی پروژه
پروژه CVEngine یک پلتفرم متنباز با مجوز GPL-3.0 است که با رویکرد «اول هوش مصنوعی» (AI-first) برای ارزیابی سطح حملات خارجی توسعه یافته است. این سامانه داراییهای شبکه را شناسایی میکند، آنها را با فیدهای زنده رخنههای امنیتی (CVE) تطبیق میدهد، برای اولویتبندی و تحلیل از هوش مصنوعی بهره میگیرد و تمامی اعتبارسنجیها را بهشکل فقط خواندنی انجام میدهد. همچنین با ارائه رابطهای MCP و REST، شرایط اتصال سریع به ایجنتهای هوشمند را فراهم میسازد. این مخزن در تاریخ ۲۴ اکتبر ۲۰۲۶ ایجاد شده و در زمان انتشار، بیش از ۲۴۰ ستاره در گیتهاب و بازخورد بالایی میان کارشناسان امنیت دریافت کرده است.
پشته فنی این پروژه بر پایه فریمورک Django 5.2 و پایگاه داده PostgreSQL 18 پیادهسازی شده و مسیر استاندارد استقرار آن از طریق خودمیزبانی با Docker Compose مستندسازی شده است.
توضیحات فنی
مرور ویژگیهای کلیدی
- شناسایی داراییها: یکپارچهسازی ابزارهای نامآشنای اکتشاف و پویش نظیر bbot، nmap، naabu و nuclei.
- تطبیق آسیبپذیریهای CVE: اتصال به فیدهای زنده مانند cve.now و کاتالوگ CISA KEV و دستهبندی شدت رخنهها بر اساس برچسبهای وضعیت.
- اولویتبندی با هوش مصنوعی و اعتبارسنجی امن: مدلهای هوش مصنوعی به تعیین اولویت خطرات و تشریح دلایل آنها کمک میکنند؛ همزمان اعتبارسنجی کاملاً فقط خواندنی انجام میگیرد تا ریسکی متوجه سرویسهای عملیاتی نشود.
- رابطهای اختصاصی برای ایجنتها: پشتیبانی بومی از پروتکل MCP و رابط REST تا دستیاران هوشمند یا خطوط لوله امنیتی بتوانند نتایج را پردازش کنند.
راهاندازی و استقرار
این سامانه برای تیمهای امنیتی با اولویت خودمیزبانی طراحی شده است؛ فایل راهنمای Compose سرویسهای Django و PostgreSQL را در شبکهای داخلی یا ایزوله بالا میآورد. پروانه پروژه GPL-3.0 است و در صورت توزیع مجدد یا استفاده در پروژههای منبعبسته، رعایت ضوابط آن الزامی خواهد بود.
این مطلب صرفاً به بررسی قابلیتهای عمومی و ویژگیهای منتشرشده در مخزن پروژه میپردازد و شامل هیچ دستورالعمل نفوذ یا جزئیات سوءاستفاده نیست. ارزیابی سطح حمله باید منحصراً روی سیستمهایی انجام گیرد که مجوز رسمی و قانونی برای آزمون آنها صادر شده باشد.
نحوه استفاده
دریافت و خودمیزبانی
- مخزن پروژه: https://github.com/hevnsnt/CVEngine (پروانه GPL-3.0)
- مسیر استاندارد: مطالعه راهنمای README و راهاندازی سریع با Docker Compose (متشکل از Django 5.2 و PostgreSQL 18).
- پس از فعالسازی اندپوینتهای MCP و REST، میتوانید دادههای کشفشده را به ایجنت هوشمند امنیتی یا فرآیند تیکتینگ سازمان متصل نمایید.
مخاطبان هدف
- تیمهای مهندسی امنیت که خواهان رهگیری مستمر سطح حملات خارجی در برابر پایگاههای KEV و فیدهای زنده آسیبپذیری هستند.
- متخصصانی که قصد دارند فرآیند اکتشاف دارایی و غربالگری رخنهها را در قالب خطوط لوله ایجنتهای مبتنی بر پروتکل MCP پیادهسازی کنند.
نکات مهم
- استفاده از این ابزار باید صرفاً در چارچوب مجوزهای قانونی باشد؛ همچنین پروانه GPL-3.0 محدودیتهایی برای توسعه نسخههای اختصاصی یا بازتوزیع ایجاد میکند.
- زنجیره ابزارهای پویش و اعتبارسنجی ممکن است سیستمهای تشخیص نفوذ (IDS) یا فایروالهای وب (WAF) را فعال کنند؛ بنابراین اجرای اولیه باید حتماً در محیط آزمایشی و ایزوله صورت پذیرد.
برچسب های مرتبط
مطالب مرتبط و پیشنهادی

ابزار جدید 1Password؛ ورود ایمن ایجنتهای هوش مصنوعی به حسابهای کاربری بدون افشای رمز عبور
پلتفرم مدیریت رمز عبور 1Password ابزار جدیدی به نام 1Password for Agents معرفی کرده است که به ایجنتهای هوش مصنوعی اجازه میدهد بدون دسترسی به رمزهای متنی، وارد حسابهای کاربری شوند. در این سازوکار، کاربر درخواست ورود را در دستگاه شخصی خود تأیید میکند و سیستم بهطور خودکار فرم لاگین را پر مینماید تا امنیت حسابها کاملاً حفظ شود.

رونمایی علیبابا از مدل هوش مصنوعی Lambda-0؛ آموزش مهارتهای حرکتی به رباتهای انساننما با دادههای انسانی
علیبابا با معرفی و متنباز کردن مدل پایه Lambda-0، روشی نوآورانه برای آموزش همزمان راه رفتن و کار با دستها در رباتهای انساننما ارائه کرده است. این مدل بهجای دادههای گرانقیمت هدایت ربات، منحصراً از ۵۰۰ ساعت داده ویدیویی اولشخص انسانها یاد میگیرد و سرعت جمعآوری دادهها را بیش از سه برابر افزایش میدهد.

معرفی ابزار متنباز TextFold؛ خلاصه کردن مقالات طولانی در پنج لایه با هوش مصنوعی
ابزار متنباز TextFold با رویکردی نوآورانه مقالات علمی و متون طولانی را به پنج لایه مختلف از جزئیات تقسیم میکند. این ابزار به کاربران امکان میدهد میان نقشه کلی مباحث و متن کامل جابهجا شوند و همواره پیوند خلاصه را با جملات اصلی حفظ کنند.
دیدگاه ها و گفتگوی تخصصی
نظرات خود را با جامعه مخاطبان وایر ای آی در میان بگذارید
هنوز دیدگاهی برای این مطلب ثبت نشده است
اولین نفری باشید که دیدگاه، تحلیل یا دیدگاه خود را درباره این موضوع با دیگران به اشتراک می گذارد.