ВИКОРИСТАННЯ МЕТОДІВ ШТУЧНОГО ІНТЕЛЕКТУ ДЛЯ ВИЯВЛЕННЯ ВРАЗЛИВОСТЕЙ НУЛЬОВОГО ДНЯ
DOI: 10.31673/2409-7292.2025.041212
Анотація
Стрімка цифровізація та широко поширене використання відкритого програмного забезпечення істотно
підвищують ризики появи нових загроз у ланцюгах постачання ПЗ. Особливо небезпечними є вразливості
нульового дня, які можуть непомітно потрапляти у проєкти через сторонні бібліотеки та залишатися
невиявленими до моменту їх фактичної експлуатації. У таких умовах актуальним є пошук підходів, здатних
забезпечити проактивний аналіз залежностей та своєчасне виявлення потенційно небезпечних компонентів.
Метою статті є оцінка можливостей застосування методів штучного інтелекту для ідентифікації вразливих
сторонніх бібліотек та аналіз ефективності такого підходу на основі моделювання реального інциденту
компрометації сторонньої бібліотеки. У роботі описано характерні властивості вразливостей нульового дня, а
також підкреслено обмеження традиційних інструментів забезпечення безпеки, які не завжди здатні оперативно
реагувати на нові загрози або враховувати транзитивні залежності. Проведений експеримент передбачав аналіз
десяти тестових проєктів із використанням агентного підходу на основі різних моделей штучного інтелекту, що
дозволило оцінити їхню здатність виявляти скомпрометовані компоненти, формувати структуровані звіти та
надавати рекомендації щодо мінімізації ризиків. Отримані результати підтвердили точність підходу та його
потенціал для інтеграції в сучасні процеси розробки та супроводу програмного забезпечення. Водночас
підкреслено недетермінованість роботи мовних моделей, що зумовлює необхідність додаткової перевірки
отриманих результатів. Проведене дослідження окреслює подальші перспективи розвитку, зокрема
вдосконалення механізмів проактивного моніторингу, а також розробку методів верифікації результатів,
отриманих із використанням методів штучного інтелекту, що сприятиме підвищенню достовірності та надійності
аналітичних висновків.
Ключові слова: штучний інтелект, вразливості нульового дня, безпека ПЗ, автоматизація, відкриті
бібліотеки, програмне забезпечення.
Перелік посилань
1. Systematic Review of Current Approaches and Innovative Solutions for Combating Zero-Day Vulnerabilities
and Zero-Day Attacks. (n.d.). Retrieved November 9, 2025, from https://ieeexplore.ieee.org/document/11028033.
2. Anasuri, S. (2023). Secure Software Supply Chains in Open-Source Ecosystems. International Journal of
Emerging Trends in Computer Science and Information Technology, 4(1), 62–74. https://doi.org/10.63282/3050-
9246.IJETCSIT-V4I1P108.
3. Gunasekara, A. (2023). AI-Driven Big Data Analytics for Transforming Cybersecurity for Zero-Day
Vulnerabilities in E-Commerce Supply Chains. Journal of Advances in Cybersecurity Science, Threat Intelligence, and
Countermeasures, 7(12), 17–31.
4. Kumar, V., & Sinha, D. (2021). A robust intelligent zero-day cyber-attack detection technique. Complex &
Intelligent Systems, 7, 2211–2234. https://doi.org/10.1007/s40747-021-00396-9.
5. (PDF) A Comprehensive Review of Open-Source Malware Scanners in the Software Supply Chain. (2025,
March 24). ResearchGate. https://www.researchgate.net/publication/395471396_A_Comprehensive_Review_of_OpenSource_Malware_Scanners_in_the_Software_Supply_Chain.
6. Pre-Build OSS Compliance: Automated Dependency, License, and CVE Detection. (n.d.). Retrieved November
9, 2025, from https://ieeexplore.ieee.org/abstract/document/11136967.
7. Shu, C., Chen, W., Fan, G., Yu, H., Huang, Z., & Liang, Y. (2025). Tool or Toy: Are SCA tools ready for
challenging scenarios? Computers & Security, 158, 104624. https://doi.org/10.1016/j.cose.2025.104624.
8. Imtiaz, N., Thorne, S., & Williams, L. (2021, August 27). A Comparative Study of Vulnerability Reporting by
Software Composition Analysis Tools. arXiv.Org. https://doi.org/10.1145/3475716.3475769.
9. Software Composition Analysis for Vulnerability Detection: An Empirical Study on Java Projects | Proceedings
of the 31st ACM Joint European Software Engineering Conference and Symposium on the Foundations of Software
Engineering (world). (n.d.). ACM Conferences. https://doi.org/10.1145/3611643.3616299.
10. Gunasekara, A. (2023). AI-Driven Big Data Analytics for Transforming Cybersecurity for Zero-Day
Vulnerabilities in E-Commerce Supply Chains. Journal of Advances in Cybersecurity Science, Threat Intelligence, and
Countermeasures, 7(12), 17–31.
11. Jiang, L., An, J., Huang, H., Tang, Q., Nie, S., Wu, S., & Zhang, Y. (2024, January 20). BinaryAI: Binary
Software Composition Analysis via Intelligent Binary Source Code Matching. arXiv.Org. https://arxiv.org/abs/2401.
11161v3.
12. Sane, P. (2020). Is the OWASP Top 10 List Comprehensive Enough for Writing Secure Code? 58–61. Scopus.
https://doi.org/10.1145/3437075.3437089.
13. GHSA-8mgj-vmr8-frr6—GitHub Advisory Database. (n.d.). GitHub. Retrieved November 17, 2025, from
https://github.com/advisories/GHSA-8mgj-vmr8-frr6.
14. debug-js. (n.d.). (RESOLVED) Version 4.4.2 published to npm is compromised · Issue #1005 · debugjs/debug. GitHub. Retrieved November 17, 2025, from https://github.com/debug-js/debug/issues/1005.
