Опубликовано: 17.03.2026 | Источник: Xakep.ru

Как использовать ИИ-агента OpenAI Codex Security в дипломе по информационной безопасности

Представьте: вы пишете диплом о защите программного обеспечения, а в это время OpenAI выпускает ИИ-агента, который за пару месяцев находит более 11 тысяч уязвимостей в реальных open-source проектах. Это не фантастика — это реальность 2026 года. Codex Security уже проанализировал более 1,2 миллиона коммитов и выявил 792 критические и 10 561 серьезную уязвимость. И это не просто новость — это возможность сделать вашу выпускную квалификационную работу (ВКР) не просто актуальной, а по-настоящему прорывной.

Если вы изучаете информационную безопасность, разработку ПО или искусственный интеллект, этот кейс — ваш шанс выделиться. Почему? Потому что вы можете не просто описать технологию, а показать, как она меняет подход к поиску уязвимостей, как интегрировать её в CI/CD, как оценить её эффективность и даже предложить улучшения. В этой статье — не просто пересказ новости, а практическое руководство, как использовать этот кейс в своей ВКР. Покажем, какие темы можно взять, как структурировать работу, какие ошибки избежать и как сделать выводы, которые заинтересуют даже строгого научного руководителя.

Темы ВКР, которые можно раскрыть на основе статьи

1. Разработка системы автоматизированного поиска уязвимостей в исходном коде с использованием ИИ

• Актуальность: Традиционные инструменты SAST (Static Application Security Testing) часто дают высокий процент ложных срабатываний. Codex Security показал, что ИИ способен находить реальные уязвимости в масштабах, недоступных человеку. Это подтверждает тренд на интеграцию ИИ в DevSecOps (ссылка на статью: Xakep).
• Цель исследования: Создать концепцию или прототип системы автоматического поиска уязвимостей с использованием ИИ, адаптированной под конкретный стек технологий.
• Задачи:
  • Проанализировать существующие решения (SAST, DAST, IAST, ИИ-инструменты).
  • Изучить архитектуру Codex Security и аналогов (GitHub Copilot, Amazon CodeGuru).
  • Разработать модель или сценарий интеграции ИИ в процесс анализа кода.
  • Оценить эффективность подхода на примере тестового проекта.
• Возможная структура работы:
  • Глава 1 – Анализ современных методов поиска уязвимостей в ПО
  • Глава 2 – Проектирование ИИ-системы для анализа кода
  • Глава 3 – Реализация и тестирование прототипа
  • Глава 4 – Оценка эффективности и экономическая целесообразность

2. Влияние ИИ на качество и безопасность open-source проектов

• Актуальность: Open-source лежит в основе большинства современных систем. Уязвимости в них — угроза глобального масштаба (Log4Shell, Heartbleed). Codex Security доказал, что ИИ может системно повышать безопасность таких проектов (11 353 найденных уязвимости — не шутка).
• Цель исследования: Оценить влияние ИИ-инструментов на безопасность и качество open-source экосистемы.
• Задачи:
  • Проанализировать кейсы обнаружения уязвимостей с помощью ИИ.
  • Сравнить эффективность ИИ и ручного анализа на примере нескольких проектов.
  • Оценить этические и правовые аспекты автоматического сканирования open-source.
  • Предложить модель внедрения ИИ-аудита в процессы сопровождения проектов.
• Возможная структура работы:
  • Глава 1 – Роль open-source в современной IT-инфраструктуре
  • Глава 2 – Методы обеспечения безопасности open-source проектов
  • Глава 3 – Анализ влияния ИИ-агентов на безопасность кода
  • Глава 4 – Рекомендации по внедрению ИИ в процессы сопровождения

3. Экономическая эффективность внедрения ИИ-аудита кода в DevOps-процессы

• Актуальность: Компании теряют миллионы из-за уязвимостей. Codex Security позволяет находить их на ранних этапах, снижая стоимость исправления. Это напрямую связано с концепцией «Shift Left» в DevSecOps.
• Цель исследования: Оценить экономическую целесообразность внедрения ИИ-аудита кода в цикл разработки.
• Задачи:
  • Проанализировать стоимость устранения уязвимостей на разных этапах жизненного цикла (по модели IBM).
  • Рассчитать потенциальную экономию от автоматического обнаружения уязвимостей.
  • Оценить затраты на внедрение и сопровождение ИИ-инструментов.
  • Построить модель ROI (возврат на инвестиции) для ИИ-аудита.
• Возможная структура работы:
  • Глава 1 – Уязвимости ПО как экономическая угроза
  • Глава 2 – Современные подходы к интеграции безопасности в DevOps
  • Глава 3 – Методика оценки экономической эффективности ИИ-аудита
  • Глава 4 – Расчёты и рекомендации для бизнеса

Как использовать этот кейс в аналитической главе

Анализ рынка или современных решений

В первой главе вашей ВКР нужно показать, что вы разбираетесь в теме. Используйте кейс Codex Security как подтверждение тренда. Пример:

• Сравните традиционные SAST-инструменты (SonarQube, Checkmarx) и ИИ-подходы (Codex Security, GitHub Advanced Security).
• Укажите, что Codex Security — не единичный случай, а часть более широкого движения: Google, Microsoft, Amazon активно развивают ИИ для безопасности.
• Сделайте таблицу сравнения:

Обоснование актуальности (ссылка на статью)

Не пишите «актуальность обусловлена развитием технологий». Лучше так:

«Согласно данным OpenAI (2026), ИИ-агент Codex Security за время бета-тестирования выявил более 11 тысяч уязвимостей в open-source проектах, что демонстрирует высокий потенциал искусственного интеллекта в обеспечении кибербезопасности. Это подтверждает необходимость исследования новых подходов к автоматизации аудита кода».

Такой подход соответствует требованиям ГОСТ 7.32-2017 к научной аргументации и показывает, что вы работаете с актуальными источниками.

Практические примеры для проектной части

Адаптация технологии под задачи ВКР

Даже если вы не можете запустить Codex Security (он пока в бете), вы можете предложить концепцию его адаптации. Например:

• Интеграция в CI/CD: Codex Security может запускаться при каждом коммите в ветку main.
• Фильтрация уязвимостей: обучение модели на внутренних проектах компании для снижения ложных срабатываний.
• Гибридный подход: ИИ находит подозрительные участки, эксперт проводит финальную проверку.

Это уже не просто теория — это реальное решение, которое можно описать в проектной главе.

Пример архитектуры или алгоритма

Предложите упрощённую архитектуру ИИ-аудитора на основе Codex Security:

1. Вход: Новый коммит в репозиторий
2. Извлечение кода и контекста (комментарии, история изменений)
3. Анализ с помощью ИИ-модели (обнаружение антипаттернов, уязвимостей)
4. Фильтрация результатов (по уровню критичности, вероятности ложного срабатывания)
5. Выход: Отчёт с рекомендациями, интеграция в Jira или GitLab

Такой алгоритм можно визуализировать в виде блок-схемы — это усилит вашу работу.

Экономические расчёты — как учесть новые данные

В четвёртой главе ВКР часто требуются экономические обоснования. Используйте данные из статьи:

• Стоимость уязвимости: По данным IBM, средняя стоимость устранения уязвимости после релиза — $15 000. До релиза — $150. Разница в 100 раз.
• Потенциальная экономия: Если Codex Security находит 100 критических уязвимостей в проекте, это экономия до $1,5 млн.
• Затраты на внедрение: Лицензии, обучение, интеграция — допустим, $50 000 в год.

Тогда ROI = (1 500 000 – 50 000) / 50 000 = 29. Это отличный показатель для бизнеса.

Такие расчёты делают вашу работу не только технической, но и практически значимой для работодателей.

Чему вы научитесь

Если вы проработаете одну из предложенных тем, вы не просто сдадите ВКР — вы покажете, что умеете мыслить как эксперт, а не как студент.

FAQ

Можно ли использовать Codex Security, если он в бете и недоступен?

Да, можно. Ваша задача — не запустить его, а показать, как он работает и как его можно применить. Даже анализ архитектуры, основанный на публичных данных, — ценный вклад. Вы можете предложить концепцию системы, вдохновлённую Codex Security, и протестировать её на модельных примерах.

Нужны ли реальные данные для экономической главы?

Не обязательно. Вы можете использовать условные данные, основанные на реальных исследованиях (например, стоимость уязвимости по IBM). Главное — указать источник и обосновать расчёты. Это соответствует методическим рекомендациям по выполнению ВКР.

Подойдёт ли такая тема для специальности 10.05.01 (Компьютерная безопасность)?

Абсолютно. Тема соответствует профилю: вы работаете с уязвимостями, методами анализа кода, DevSecOps. Более того, использование ИИ — это современный вектор развития кибербезопасности, который оценивают положительно на защите.

Как не перегрузить работу техническими деталями?

Следуйте структуре: сначала — анализ, потом — проектирование, потом — оценка. Не углубляйтесь в архитектуру нейросетей, если это не цель вашей работы. Достаточно описать, как ИИ используется, а не как он устроен. Это соответствует уровню выпускной квалификационной работы, а не докторской диссертации.

Источник: OpenAI представила ИИ-агента Codex Security для поиска уязвимостей (опубликовано 2026-03-10)