---
title: Cloudflare Gunakan Kerangka Kerja Kecerdasan Buatan untuk Menguji dan Memperkuat Tembok Api Aplikasi Web
url: https://www.elseif.net/id/cloudflare-gunakan-kerangka-kerja-kecerdasan-buatan-untuk-menguji-dan-memperkuat-tembok-api-aplikasi-web
published: 2026-10-10T04:21:36+00:00
language: id
section: Harness
source: https://www.infoq.com/news/2026/10/cloudflare-sec-harness/?utm_campaign=infoq_content&utm_source=infoq&utm_medium=feed&utm_term=global
organizations: Cloudflare, Google Mandiant, OpenAI, Google
publisher: elseif
---

# Cloudflare Gunakan Kerangka Kerja Kecerdasan Buatan untuk Menguji dan Memperkuat Tembok Api Aplikasi Web

Cloudflare menempatkan model kecerdasan buatan mutakhir di dalam kerangka kerja pengujian yang terkontrol untuk menyelidiki Tembok Api Aplikasi Web miliknya. Sistem ini menggunakan serangan yang telah diblokir sebagai titik awal bagi model untuk menghasilkan dan menyempurnakan variasi baru.

Dalam empat puluh lima skenario, sistem tersebut menghasilkan seribu seratus tujuh percobaan dan menyisakan empat puluh sembilan temuan setelah penyortiran oleh manusia. Latihan ini pada akhirnya berkontribusi pada tiga perubahan dalam Set Aturan Terkelola milik Cloudflare. Eksperimen ini dimulai dengan muatan serangan yang sebelumnya sudah diblokir oleh sistem. Alih-alih memutar ulang kasus uji yang tetap, panggilan model mengusulkan perubahan pada enkoding, penempatan, atau pengiriman berdasarkan respons dari percobaan sebelumnya. Model tidak memiliki akses ke aturan, kode sumber, atau sinyal keamanan internal, sehingga pengujian ini bersifat kotak hitam dari perspektif model.

Kerangka kerja berbasis Python menangani bagian yang tidak ingin didelegasikan ke model. Komponen ini membangun dan memutar ulang permintaan HTTP, mempertahankan status skenario, menerapkan batas, dan mengumpulkan respons. Satu panggilan model mengusulkan mutasi berikutnya, sementara yang lain meninjau respons yang dihasilkan, memungkinkan percobaan berikutnya untuk beradaptasi tanpa memberikan kontrol langsung atas eksekusi permintaan.

Sebuah pengujian pemalsuan permintaan sisi server mengilustrasikan bagaimana umpan balik ini bekerja. Pengujian secara berulang mengubah representasi dan penempatan alamat metadata awan, mencoba bentuk desimal, oktal, dan lainnya. Akhirnya, permintaan menggunakan representasi desimal diblokir. Pada percobaan berikutnya, model mempertahankan bentuk permintaan yang sama tetapi beralih ke representasi titik akhir; kali ini klien mengalami pengalihan alih-alih pemblokiran. Hasil ini disimpan untuk penyelidikan lebih lanjut.

Dari seribu seratus tujuh percobaan mutasi yang tercatat, enam ratus tujuh menghasilkan set hasil pasca penyortiran. Lima ratus lima puluh delapan permintaan diblokir, dan empat puluh sembilan temuan dianggap relevan untuk perbaikan. Empat puluh delapan dari temuan tersebut melibatkan injeksi perintah atau pemalsuan permintaan sisi server. Peninjauan manusia tetap menjadi langkah validasi akhir untuk memastikan permintaan mencapai target dan tetap berbahaya.

Kerja sama ini menghasilkan tiga perubahan pada Set Aturan Terkelola, yaitu dua deteksi baru dan satu peningkatan aturan yang sudah ada. Pola kerangka kerja serupa juga diterapkan di tempat lain dalam rekayasa keamanan. Sistem lain menggunakan terminologi berbeda tetapi mengikuti pola penemuan dan validasi yang sama, dengan membatasi eksekusi dan memvalidasi temuan sebelum masuk ke alur kerja keamanan yang ada.