AIバグハンティングのトラブルシューティング：エージェントの無料トリアージにならないために

バグ報奨金プログラム向けのAIエージェントの立ち上げは数分で完了するが、検証なしでは大量の誤検知が発生し、研究者は無料のトリアージ担当者と化してしまう。例えば、67件の報告のうち、有効なのはわずか3件かもしれない。HackerOneのデータによると、2026年の報告受信件数は前年比76%増加したが、確認済みの悪用可能な脆弱性の割合は依然として25%であり、一方で重大および高重要度の脆弱性の割合は32%に増加した。同時に、有効なAI報告の増加率は210%に達した。プラットフォームは制限を導入している。curlは2026年2月1日付でHackerOne上のプログラムを閉鎖し、HackerOneはInternet Bug Bountyへの提出を停止、BI.ZONEとStandoff 365は毎日の報告制限を導入、Braveはスパム報告2回でユーザーを追放している。9,942件の報告に関する研究（Zhengら、2025年）では、クロスサイトスクリプティング（XSS）が提出の13.8%、情報漏洩が9.4%、アクセス制御および認証関連が10%超を占めることが判明した。現代の大規模言語モデル（LLM）は無効な報告を受け入れがちだが、RAG（検索拡張生成）がこの問題の解決に役立つ。Bugcrowdの調査によると、2026年には研究者の82%が生成系AIを利用している。著者は、AIによるバグハンティングの4つのアプローチを特定している。すなわち、LLMアドバイザーによる手動分析、LLM解釈を伴う自動スキャナー、ボックス化されたエージェント、および検証済みパイプラインである。モデルの支払い方法としては、ローカル環境（Ollama、LM Studio、vLLM）、アプリケーションプログラミングインターフェース（API）（強力なモデル）、サブスクリプション（Cursor、Claude.ai、ChatGPT）、またはエンタープライズプラットフォーム（Bedrock、Azure OpenAI、Vertex AI）が用いられる。検証結果のためのアーキテクチャは3層からなる。エージェントルール（例：SQLインジェクションに対する時間ベースのチェック、サーバーサイドリクエストフォージェリ（SSRF）に対するアウトオブバンド（OOB）チェック、クロスサイトスクリプティング（XSS）に対するヘッドレスブラウザ）、RAG（脆弱性パターンに関する知識ベースへのアクセス）、およびモデルコンテキストプロトコル（能動的な仮説検証のためのツール）である。