Google、インフラのコード変更をAIエージェントで提出前に検査　修正案は人のレビューに回す

提出前に変更ごとに検査し、夜間に提出後も検査

Googleの方式は、コード変更の提出前に行う検査（プリサブミット検査）を中心に、夜間の提出後の検査と自動のバグ修正エージェントを組み合わせています。

提出前の検査では、スタックのすべての層について、コード変更を1件ずつAIエージェントでリアルタイムに評価します。プリサブミット検査は、開発者が普段使うツールに組み込まれています。

同社によると、テック業界で従来使われてきた大規模な一回限りのスキャンは、遅く文脈も足りないため、脆弱性の発見が遅れがちです。AIの観点でも、変更1件の検査なら、一回限りのスキャンより必要な文脈がはるかに少なく、検査の効果が大きく高まるとしています。

提出前の検査には、開発の生産性を妨げないよう、コードを生成する開発者やエージェントに素早く応答することが求められます。遅延を抑えるため、Googleは2段階の検証を行っています。

まず軽量な検査を手早く行い、その検出結果を専門のトリアージエージェントで確かめます。トリアージエージェントは、脆弱な経路に攻撃者が実際に到達できることを証明するため、コードの実際の構造をプログラムで調べます。使うのは抽象構文木の解析とコールグラフの走査、そして事前に索引化した、領域ごとの安全ルールです。

次に、夜間の統合テストの一部として提出後の検査を行い、2層目の防御にしています。負荷の低い時間帯の計算資源で、複数の変更をまたいで入り込んだ可能性のある脆弱性を調べます。

Mantisを発展させ、局所的な脅威モデルを組み合わせる

セキュリティエージェントの適合率（precision）を上げるため、Googleは自社のオープンソースのマルチエージェント型レビューハーネス「Mantis」を発展させました。エージェントには、局所的な脅威モデル群を組み合わせています。

脅威モデルは、コードと切り離された静的な文書ではなく、現在のコードベースから得るメタデータを使います。検査エージェントは、パッケージやライブラリをまたぐ依存関係のコールグラフで、脅威モデルの文脈を広げ精緻にします。

同社によると、脅威モデルを継続的な検査に組み込むことは、開発者に脅威と依存関係の更新を続けるよう促します。その結果、脅威モデルは最新に保たれるとしています。

誤検知率は一部で3%、トリアージの適合率は92%超

Googleは、局所的で精密な脅威モデルのデータで正確さが大きく向上し、検査の誤検知率が一部のケースで3%まで下がったとしています。

Googleによると、トリアージエージェントの適合率は92%を超え、処理は1分未満で終わります。

原典は、誤検知率が3%になったケースの条件や、誤検知率と適合率の測定期間・対象の件数を示していません。

修正案は元の変更依頼で人のレビューに回す

最後の構成要素であるバグ修正エージェントは、検査結果と、生成された証明（脆弱性がどう発動するかを示すコード片）を使います。

このエージェントは、社内のコーディング規約に沿った修正を自律的に組み立て、元の変更依頼のレビューの一部として人のレビューに提出します。

Googleは、これで検出から解決までの時間がさらに短くなるとしています。