Sii Polska

SII UKRAINE

SII SWEDEN

Wstecz

Sii Polska

SII UKRAINE

SII SWEDEN

Wstecz

17.11.2026

Czy AI może przyspieszyć wdrożenie zabezpieczeń w systemach wbudowanych bez utraty jakości? Test Claude Code i STM32H755

17.11.2026

Czy AI może przyspieszyć wdrożenie zabezpieczeń w systemach wbudowanych bez utraty jakości? Test Claude Code i STM32H755

Bezpieczeństwo systemów wbudowanych przechodzi dziś prawdziwą rewolucję. Z jednej strony bardzo szybko rośnie liczba cyberataków, z drugiej, nowe regulacje, takie jak CRA (Cyber Resilience Act), wymuszają zmianę podejścia do projektowania, implementacji i testowania urządzeń. Do tego dochodzą ograniczenia w postaci dostępnego czasu, braki w doświadczeniu czy wiedzy praktycznej.

W takich warunkach trzeba szukać niestandardowych metod, które pozwolą szybciej osiągnąć cel. Postanowiliśmy sprawdzić, czy jedną z nich może być sztuczna inteligencja.

W tym artykule opisujemy eksperyment, w którym przy odpowiednim przygotowaniu i jasno określonych założeniach wykorzystaliśmy agenta AI do implementacji wybranych zabezpieczeń w systemie wbudowanym. Chcieliśmy się przekonać, czy da się w ten sposób przyspieszyć pracę, nie tracąc przy tym jakości ani wydajności stworzonego rozwiązania.

Środowisko testowe

Do eksperymentu wybraliśmy agenta Claude Code firmy Anthropic. Platformą sprzętową był dwurdzeniowy mikrokontroler STM32H755 firmy ST (Cortex-M7 i Cortex-M4) na płytce NUCLEO-H755ZI-Q. Zadanie polegało na zaimplementowaniu oprogramowania do bezpiecznego uruchamiania i aktualizacji oprogramowania (ang. secure boot).

Wybór mikrokontrolera nie był przypadkowy. ST oferuje wiele rodzin układów z różnymi sprzętowymi mechanizmami bezpieczeństwa, a bez wsparcia sprzętowego trudno zbudować rozwiązanie odporne na cyberzagrożenia. Celowo sięgnęliśmy jednak po układ pozbawiony zaawansowanych mechanizmów, takich jak TrustZone, Firewall czy OTP, które automatycznie realizują wiele funkcji bezpieczeństwa i znacząco skracają implementację.

Drugi powód zakładał wybór rodziny mikrokontrolerów, która jest na rynku na tyle długo, że trafiła już do komercyjnych produktów. To problem, z którym mierzy się dziś wiele firm, polegający na dostosowaniu istniejących urządzeń do nowych wymagań i regulacji bez przeprojektowywania sprzętu ani wprowadzania znaczących zmian w istniejącym oprogramowaniu.

Konfiguracja zależy od agenta

Użyty w eksperymencie Claude Code ma bezpośredni dostęp do plików w folderze projektu. Dzięki odpowiedniej konfiguracji (opisanej dalej) wskazaliśmy mu, gdzie znajdzie potrzebne informacje. Trzeba jednak pamiętać, że każdy agent konfiguruje się inaczej. Oznacza to, że ustawień nie da się przenieść jeden do jednego na rozwiązanie innego dostawcy.

Agent bez bezpośredniego dostępu do plików będzie z kolei wymagał przygotowania serwera MCP (ang. Model Context Protocol). Co więcej, dopracowanie konfiguracji, która działa zgodnie z oczekiwaniami, wymaga testów i doświadczenia, których również nie da się łatwo przenieść między narzędziami.

Finalnie oznacza to, że sam wybór agenta wiąże nas na dłużej i w przyszłości może generować dodatkowe trudności.

Przygotowanie środowiska i bazy wiedzy

Bazę wiedzy oparliśmy wyłącznie na oficjalnych materiałach udostępnianych przez firmę ST:

  • 47 dokumentów PDF przekonwertowanych do formatu Markdown (*.md), zawierających szczegółowy opis mikrokontrolera, jego funkcji sprzętowych, programowania i działania poszczególnych bloków, a także tabele i mapy rejestrów. Konwersja ograniczyła zużycie tokenów (jednostka miary wykorzystywana do pomiaru zużycia dostępnych zasobów) i przyspieszyła pracę, ponieważ agenci AI znacznie lepiej radzą sobie z plikami tekstowymi.
  • Oficjalne biblioteki i sterowniki HAL (ang. Hardware Abstraction Layer) obsługujące wszystkie funkcje mikrokontrolera – kilkadziesiąt przykładów i kilkaset plików źródłowych do obsługi warstwy sprzętowej i  funkcji.
  • Oficjalne biblioteki i przykłady użycia funkcji bezpieczeństwa (ang. HSM – Hardware Security Module).

Wszystkie materiały uporządkowaliśmy w strukturze katalogów:

  • docs – dokumentacja, podzielona na dwa podfoldery:
    • md – dokumenty w formacie tekstowym Markdown (*.md).
    • pdf – oryginalna dokumentacja w formacie PDF.
  • libs – biblioteki z kodem źródłowym do obsługi komponentów i poszczególnych funkcji mikrokontrolera.
  • examples – oficjalne przykłady użycia funkcji mikrokontrolera, w tym funkcji bezpieczeństwa.

Całą tę strukturę opisaliśmy w pliku CLAUDE.md w głównym folderze projektu. Plik zawiera opis materiałów oraz zasady, którymi agent ma się kierować przy pracy z dokumentacją i kodem źródłowym, np. „najpierw czytaj pliki *.md, a po schematy i rysunki sięgaj do plików PDF” albo „biblioteki, moduły i funkcje umieszczaj w odpowiednich katalogach”.

CLAUDE.md jest wczytywany na początku każdej sesji i służy agentowi jako mapa wiedzy. Jego przygotowanie skraca czas analizy materiałów, zmniejsza zużycie w ramach agenta AI (zużycie tokenów) i wyraźnie poprawia jakość odpowiedzi.

Dlaczego ograniczanie kontekstu jest kluczowe

Większość agentów AI rozlicza się dziś na podstawie liczby zużytych zasobów. Panowanie nad budżetem nie jest łatwe, bo modele licencyjne potrafią zmieniać się z miesiąca na miesiąc. Jednym ze skutecznych sposobów na optymalizację kosztów jest ograniczenie zakresu wiedzy, z której agent korzysta. Oznacza to w skrócie, że im mniej musi przeczytać i przeanalizować, aby rozwiązać powierzone zadanie, tym mniej zasobów zużywa w ramach posiadanej licencji.

Drugi, równie ważny powód to upewnienie się już na samym początku, że agent korzysta z potwierdzonej bazy wiedzy. ST oferuje kilka różnych podejść do realizacji funkcji bezpieczeństwa, ale nie każde zadziała poprawnie na każdym układzie.

Bezpieczne uruchamianie i aktualizację oprogramowania na mikrokontrolerach ST można zaimplementować na co najmniej cztery sposoby:

  • SBSFU Legacy,
  • SBSFU by MCUboot,
  • OEMiSB,
  • STiRoT.

W przypadku STM32H755 jedyną możliwą opcją spośród wymienionych jest zastosowanie SBSFU Legacy. Jeśli agent sięgnie po materiały dotyczące innego układu, wygeneruje kod, który po prostu nie zadziała lub, co gorsza, będzie działał tylko częściowo. Dlatego musimy mieć pewność, że korzysta wyłącznie z materiałów przeznaczonych dla wybranego mikrokontrolera.

Przyrostowe tworzenie kodu i testowanie

Po przygotowaniu środowiska przeszliśmy do implementacji.

Kod powstawał przyrostowo, w powtarzalnych cyklach:

  • Zdefiniowanie małego, ściśle ograniczonego zadania dla agenta.
  • Implementacja przez agenta (nowy kod, modyfikacja istniejącego kodu, poprawki).
  • Szczegółowy ręczny przegląd i weryfikacja kodu, testy jednostkowe oraz testy na sprzęcie (testy jednostkowe realizowane z wykorzystaniem agenta AI, testy na sprzęcie realizowane ręcznie).
  • Wprowadzenie zmian i usprawnień – często już bez udziału agenta.
  • Zatwierdzenie zmian i umieszczenie ich w repozytorium.

Kolejne moduły i funkcje powstawały według wcześniej przygotowanego planu:

  • Uruchomienie mikrokontrolera na obu rdzeniach (każdy rdzeń niezależnie migał przypisanymi mu diodami – przykładowy program).
  • Moduł generowania i wysyłania logów na potrzeby testów integracyjnych.
  • Oprogramowanie do bezpiecznego uruchamiania i aktualizacji w pełni wykorzystujące mechanizmy sprzętowe.
  • Przesyłanie aplikacji do aktualizacji obu rdzeni przez port szeregowy (uart port debug).
  • Skrypty w języku Python do wysyłania aktualizacji oprogramowania bezpośrednio z komputera.
  • Optymalizacja działania warstwy sprzętowej.
  • Skrypty generujące podpisane aplikacje do aktualizacji obu rdzeni.
  • Testy, poprawki i ocena realizacji zadania.

Kluczowa okazała się wielkość zadań zlecanych agentowi.

Gdy jedno zadanie obejmowało zbyt szeroki zakres, agent wygenerował 38 plików źródłowych i niemal 5 tysięcy linii kodu. Cały proces opierał się na drobiazgowym przeglądzie i testach, by jak najwcześniej wychwycić problemy z jakością i niezawodnością, dlatego weryfikacja i poprawianie tak dużej liczby zmian okazały się nieefektywne i bardzo czasochłonne.

Taka sytuacja zdarzyła się kilka razy. Za każdym razem cofaliśmy zmiany i wdrażaliśmy je ponownie w mniejszych krokach.

Blog Embedded Lab Desktop  - Czy AI może przyspieszyć wdrożenie zabezpieczeń w systemach wbudowanych bez utraty jakości? Test Claude Code i STM32H755

Embedded Systems

Oferujemy usługi R&D, projektowania, tworzenia i testowania systemów wbudowanych, zapewniając bezpieczeństwo i niezawodność Twoich technologii.

Oferta Embedded systems

Wnioski

Czy zatem AI może przyspieszyć wdrożenie zabezpieczeń w systemach wbudowanych bez utraty jakości?

Tak, ale pod warunkiem starannego przygotowania, jasnego planu i precyzyjnie określonych założeń na każdym etapie od budowy środowiska, przez implementację, po testy.

Naturalnie pojawiają się kolejne pytania dotyczące kosztów i oszczędności czasowych.

Zysk czasowy trudno zmierzyć, bo zależy od wielu czynników, a prostej metryki nie da się zastosować. Opierając się na doświadczeniu z wcześniejszych projektów, szacujemy jednak, że dzięki agentowi AI realizacja zadania przebiegła nawet o 40-50% szybciej niż przy tradycyjnym podejściu, przy zastrzeżeniu, że oszczędność czasu i wysoką jakość uzyskamy tylko wtedy, gdy potrafimy szybko zweryfikować, czy wygenerowany kod jest poprawny i spełnia wszystkie wymagania jakościowe oraz wydajnościowe (a przeprowadzenie takiej oceny bez posiadania odpowiedniego doświadczenia i wiedzy może być bardzo trudne do wykonania).

Mimo szczegółowo opisanej bazy wiedzy i precyzyjnie zdefiniowanego zakresu agent kilkakrotnie popełnił błędy w implementacji. Wykryliśmy je i naprawiliśmy dzięki weryfikacji oraz testom na sprzęcie.

Eksperyment pokazał, że na dziś właśnie przyrostowe tworzenie oprogramowania pozwala osiągnąć wymaganą jakość (realizacja małych zadań z pełnym ręcznym nadzorem nad jakością i wymaganiami). Próba w pełni automatycznej realizacji zadania, bez analizy poszczególnych etapów, nie dała rozwiązania spełniającego wymagania jakościowe i wydajnościowe.

W dłuższej perspektywie najtrudniejsze może okazać się zarządzanie kosztami. Efektywna praca z agentem AI wymaga czasu na testy i wypracowanie , metodą prób i błędów, optymalnych schematów działania.

Tymczasem modele rozliczeń często się zmieniają, więc nawet w trakcie projektu możemy zostać zmuszeni do zmiany dostawcy ze względu na zbyt wysokie koszty lub ograniczenia dostępu do mocy obliczeniowej (zmieniające się limity dzienne, tygodniowe czy miesięczne dotyczące korzystania z AI). A to oznacza nową konfigurację, nowe schematy pracy i dodatkowy czas, którego nikt nie uwzględnił w harmonogramie.

5/5
Ocena
5/5

Zostaw komentarz

Twój adres e-mail nie zostanie opublikowany. Wymagane pola są oznaczone *

Może Cię również zainteresować

ZAPISZ SIĘ I BĄDŹ NA BIEŻĄCO

Newsletter blogowy

Pokaż wyniki
Dołącz do nas Kontakt

This content is available only in one language version.
You will be redirected to home page.

Are you sure you want to leave this page?