Bitcoin(BTC) ekosisteminde 150 kod deposu yapay zekayla tarandı

Bitcoin(BTC) ekosisteminde yapay zeka destekli kod güvenliği taramaları hız kazandı. Bitcoin Red Team adlı ekip, 150 kod deposunu inceleyerek on civarında güvenlik açığını ilgili proje ekipleriyle gizlilik içinde paylaştı.

Odaily'ye göre, 4'ünde (yerel saatle) Bitcoin Red Team, COLDCARD güvenlik açığı tartışmasının ardından cüzdan yazılımları, şifreleme kütüphaneleri ve altyapı kodlarını gözden geçirirken bu sorunları tespit etti. Çalışma için yaklaşık 20 bin dolar (yaklaşık 28,6 milyon won) tutarında yapay zeka işlem maliyeti harcandı; bu maliyetin açık kaynaklı Bitcoin geliştirmelerini destekleyen OpenSats tarafından karşılandığı belirtildi. Ancak OpenSats'ın kamuya açık proje listesinde Bitcoin Red Team'e rastlanmadı; kurum, bu listenin desteklediği tüm projeleri kapsamadığını açıkladı.

Bitcoin Red Team, güvenlik açığı adaylarını taramak için çeşitli yapay zeka araçlarından yararlandı. Yöntem şöyle işliyor: yapay zeka geniş kod tabanını hızla tarıyor, ardından insan uzmanlar bu adayların tekrarlanabilirliğini ve etkisini doğruluyor.

Moonshot AI'nin Kimi K3 teknik raporu da güvenlik açığı keşfi ve exploit geliştirme yeteneklerini ayrı ayrı değerlendirdi. İnsan uzmanların incelediği aday açıkların yaklaşık yüzde 70'i gerçek güvenlik açığı olarak doğrulandı; altı projede daha önce bilinmeyen 16 açık ortaya çıkarıldı. Kimi K3, 36 exploit görevinden 14'ünü başarıyla tamamlarken, güvenliği güçlendirilmiş hedeflerde insan uzmanlara kıyasla performans farkı gösterdi. OpenAI ve Anthropic'e ait bazı öncü modeller ise siber güvenlikle ilgili görevlere yanıt vermediği için doğrudan karşılaştırmaya dahil edilmedi.

Ethereum(ETH) tarafında da yapay zeka gerçek protokol koduna uygulandı. Ethereum Vakfı(Ethereum Foundation) Protokol Güvenliği ekibi, 9 Temmuz'da (yerel saatle) bir yapay zeka ajanının, Ethereum konsensüs istemcilerinin kullandığı libp2p gossipsub bileşeninde uzaktan tetiklenebilen bir panik güvenlik açığı bulduğunu duyurdu. Söz konusu açık CVE-2026-34219 kodu ile kamuoyuna duyuruldu. Vakıf, yapay zekanın taramasından çok, gerçek hataları makul görünen yanlış pozitiflerden ayıran doğrulama sürecinin önemine dikkat çekti.

Anthropic da 14 Ocak'ta (yerel saatle), Claude tabanlı bir ajanın Python ekosistemindeki önemli paketler için özellik tabanlı testler oluşturarak hata adaylarını tespit ettiğini açıkladı. Toplam 984 hata raporundan elle incelenen 50 tanesinin yüzde 56'sı geçerli çıktı; en yüksek puanlı raporlarda bu oran yüzde 86'ya yükseldi.

Cloudflare(NET), 18 Haziran'da (yerel saatle) güvenlik açığı taraması için kurduğu test altyapısına dair deneyimini paylaşarak tekrarlanabilir testlerin, mükerrer kayıtların ayıklanmasının ve yama doğrulama yapısının önemine vurgu yaptı. Bu da yapay zekanın kod inceleme kapsamını genişletebildiği, ancak doğrulanmamış rapor sayısı arttıkça geliştiricilerin ve güvenlik ekiplerinin sınıflandırma yükünün de büyüyebileceği anlamına geliyor.

Yapay zeka modellerinin açık kaynaklı projelerdeki güvenlik açıklarını hızla bulmasıyla birlikte mükerrer bildirim ve yama koordinasyonu sorunlarının büyüdüğüne dair tartışmalar da sürüyor. Bu son örnekler, yapay zeka destekli güvenlik araçlarının açık adaylarını daha hızlı ortaya çıkarırken, insan doğrulamasının -tekrarlanabilirlik ve etki analizi açısından- önemini de artırdığını gösteriyor.