AWS presenta Deception Benchmark: 12 modelos no llegan al mínimo

AWS presentó hoy Deception Benchmark, una prueba pública creada para comprobar si los sistemas automatizados de revisión de código saben distinguir de verdad entre una pieza de software vulnerable y otra que solo lo parece. El punto, según explica la compañía, no es simplemente detectar fallos, sino juzgar bien si ese riesgo puede explotarse en la práctica. También ha puesto a disposición pública tanto el conjunto de datos como el proceso de evaluación. Y, por lo que muestran sus primeras pruebas, el panorama está lejos de ser tranquilizador.

La publicación abierta de los datos y del método de evaluación responde a una idea muy concreta: que investigadores y empresas no tengan que volver a asumir el coste, nada pequeño, de crear y depurar este tipo de muestras desde cero.

Los primeros resultados no invitan al optimismo.

En las pruebas de AWS, los modelos marcaron por error como vulnerable entre el 41 % y el 99 % del código que en realidad era seguro, incluso cuando ese código estaba construido para parecer arriesgado. Más en detalle, ninguno de los 12 modelos evaluados, procedentes de cinco proveedores, alcanzó el mínimo que AWS fija para considerar viable un uso en producción: mantener tanto los falsos positivos como los falsos negativos por debajo del 10 %.

La compañía plantea este benchmark como una forma de comparar capacidades reales de análisis, sin quedarse en demos llamativas o en pruebas demasiado simples.

El conjunto reúne 14.822 muestras, distribuidas en 16 lenguajes de programación y en más de 70 categorías de Common Weakness Enumeration, o CWE. De ese total, 9.695 son puntuables: 6.988 retos a nivel de código y 2.707 retos condicionados por el entorno.

Ahí está una de las piezas centrales de Deception Benchmark: las muestras seguras están hechas para engañar.

Incluyen patrones reales de vulnerabilidad, pero también protecciones o mitigaciones que bloquean la explotación. Por eso no alcanza con reconocer una función sospechosa o una llamada que suene mal; hace falta entender el contexto. AWS añade otro matiz importante: cada muestra debe evaluarse en una sola pasada, sin apoyarse en procesos complejos de varias etapas, para ver si el modelo entiende por sí mismo el código y las defensas que lo rodean.

También hay pruebas en las que el mismo código puede ser vulnerable o no, dependiendo de cómo esté desplegado.

En los retos condicionados por el entorno, cambios pequeños en la configuración alteran el resultado final. Un ejemplo sería una ruta vulnerable a Server-Side Request Forgery, o SSRF, que al leer el código parece explotable, pero queda bloqueada por una política de red en Kubernetes.

Para los equipos de seguridad, una lluvia de alertas erróneas no es una molestia menor.

Significa más horas de investigación, más fatiga operativa, peor priorización y menos confianza en los hallazgos legítimos. Y eso pesa todavía más ahora que estas herramientas ya se usan para clasificación de vulnerabilidades, pruebas ofensivas, modelado de amenazas, respuesta a incidentes y revisión de código.

El contexto general tampoco acompaña. La automatización avanzada está acelerando el descubrimiento de fallos y apretando todavía más la gestión de parches, al mismo tiempo que sistemas como la National Vulnerability Database, la NVD, ya vienen arrastrando problemas de capacidad.

Hay otra preocupación sobre la mesa: el código generado por asistentes automáticos puede traer una densidad mayor de errores de seguridad.

Por ahora, la conclusión práctica sigue siendo prudente. Un piloto de la Cybersecurity and Infrastructure Security Agency, CISA, ya apuntaba que estas herramientas rinden mejor como apoyo para analistas y soluciones ya existentes, no como reemplazo.

AWS sí deja una señal algo más positiva: en sus experimentos, usar un segundo modelo como evaluador para revisar los hallazgos del primero redujo los falsos positivos en un 67 % sin empeorar la tasa de aciertos.