Revolucionarna prijetnja: AI crv pojedinačno prilagođava napade
Istraživački tim iz uglednih institucija razvio je novu generaciju zlonamjernog softvera koja ima potencijal temeljito promijeniti krajolik kibernetičke sigurnosti. Prilagodljiv AI crv koristi velike jezične modele (LLM) za razvoj exploita krojenih po mjeri svake mete i autonomno se širi s uređaja na uređaj.
Međunarodni istraživački tim, sastavljen od znanstvenika Sveučilišta u Torontu, Vector Institutea, Sveučilišta u Cambridgeu i ServiceNow Researcha, objavio je svoje spoznaje u radu „AI Agents Enable Adaptive Computer Worms” na arxiv.org. Rezultati pokazuju temeljit daljnji razvoj uobičajenih računalnih crva.
Način rada prilagodljivog AI crva
Za razliku od poznatih crva poput WannaCryja, koji ciljano iskorištavaju pojedine sigurnosne propuste, novi AI crv radi posve drukčije. Koristi zaražena računala za pokretanje otvorenih velikih jezičnih modela i time zadržava sposobnost odlučivanja, dok istodobno povećava svoj doseg za daljnje napade.
Presudna prednost tog pristupa leži u strukturi troškova: budući da LLM-ovi rade na već otetim računalima, napadačima ne nastaju troškovi računalne snage. Branitelji pak moraju plaćati obrambene mjere utemeljene na AI-u. Dodatno taj pristup zaobilazi središnje sigurnosne provjere i ograničenja broja zahtjeva komercijalnih AI ponuda.
Autonoman razvoj exploita
Posebno je vrijedna spomena sposobnost crva za autonoman razvoj exploita. Ugrađeni LLM-ovi samostalno analiziraju mete, prilagođavaju se novim opažanjima i razvijaju logiku napada u stvarnom vremenu. To crva čini neovisnim o unaprijed definiranim kodovima exploita ili poznatim proof-of-concept exploitima.
Rezultati testiranja u kontroliranom okruženju
Istraživači su svoj AI crv testirali u izoliranoj mreži s 33 uređaja različitih kategorija. Testna mreža obuhvaćala je Linux poslužitelje, Windows okruženja i uređaje interneta stvari (IoT). Svjesno su ostavljene otvorene poznate ranjivosti koje se pojavljuju i u stvarnim poslovnim okruženjima.
Stopa uspješnosti i širenje
Rezultati testiranja kroz više sedmodnevnih ciklusa pokazali su dojmljive stope uspješnosti:
- Crv je ispravno prepoznao oko trećinu postojećih ranjivosti
- Na četvrtini strojeva uspio je proširiti vlastita prava
- Širenje je uspjelo na oko 20 posto uređaja
- Crv je dosegnuo sedam generacija samorazmnožavanja
- Ukupno je uspješno napao gotovo 75 posto mreže
- Replikacija je uspjela na gotovo dvije trećine cijele mreže
Posebno je vrijedno spomena da je crv za tri ranjivosti koje su postale poznate tek 2026. samostalno razvio funkcionalne exploite. To je bilo izvan granice treniranja korištenih LLM-ova i pokazuje sposobnost autonomnog stvaranja exploita iz objavljenih informacija.
Značenje za sigurnosnu tehniku
Taj razvoj predstavlja promjenu paradigme u krajoliku prijetnji. Dok se uobičajeni crvi mogu zaustaviti pravovremenom instalacijom sigurnosnih zakrpa, ta je strategija protiv prilagodljivih AI crva daleko manje djelotvorna. Sposobnost prilagodbe u stvarnom vremenu i autonomnog razvoja exploita čini tradicionalne obrambene strategije nedostatnima.
Za operatore sigurnosne tehnike to znači povećanu složenost pri nadzoru i obrani mreže. Sustavi za prepoznavanje anomalija i sigurnosna rješenja utemeljena na ponašanju dobivaju na značaju jer su pristupi utemeljeni na potpisima protiv te prilagodljive prijetnje manje djelotvorni.
Učinci na kritične infrastrukture
Posebno bi se problematičnom nova klasa prijetnji mogla pokazati za kritične infrastrukture, gdje su često u upotrebi stariji sustavi s poznatim ranjivostima. Sposobnost AI crva da autonomne exploite razvija i za novije ranjivosti dodatno otežava obranu.
Strategije prevencije i zaštitne mjere
S obzirom na tu novu klasu prijetnji, osobe odgovorne za sigurnost moraju preispitati svoje strategije. Višeslojni sigurnosni koncepti dobivaju na značaju jer su pojedinačne zaštitne mjere protiv prilagodljivih napadača manje djelotvorne.
Segmentacija mreže postaje kritičan čimbenik za ograničavanje brzine širenja. Uz to bi sustave nadzora trebalo pojačano usmjeriti na neuobičajene mrežne aktivnosti i anomalna ponašanja sustava.
Kontinuirano upravljanje zakrpama
Iako zakrpe same više nisu dovoljne, pravovremeno upravljanje zakrpama ostaje ključno. Smanjenje površine napada brzim zatvaranjem poznatih ranjivosti otežava prilagodljivom crvu da se uhvati i ostvari svoje prve uspjehe.
Pogled u budućnost kibernetičke sigurnosti
Istraživači žustro upozoravaju na novu klasu prijetnji: „Moramo se pripremiti na autonomne generativne protivnike: sustave zlonamjernog softvera koji se šire bez ljudskog sudjelovanja i koji nisu određeni utvrđenim kodom exploita, nego sposobnošću analize meta, prilagodbe opažanjima i razvoja logike napada u stvarnom vremenu.”
Taj razvoj označava prijelaz s reaktivne na proaktivnu kibernetičku sigurnost. Samoodržive kibernetičke prijetnje podržane AI-em prema istraživačima više nisu puka teorija, nego stvarna i neposredna opasnost.
Nužnost novih obrambenih strategija
Sigurnosna industrija suočena je s izazovom razvoja obrambenih mehanizama koji mogu držati korak sa sposobnošću prilagodbe napadača utemeljenih na AI-u. To možda zahtijeva primjenu vlastitih AI sustava za obranu, što pak povlači nove strukture troškova i složenosti.
Istraživački rad jasno pokazuje da je krajolik kibernetičke sigurnosti pred temeljitom promjenom. Poduzeća i institucije moraju iznova ocijeniti svoje sigurnosne strategije i pripremiti se na izazove prilagodljivih prijetnji podržanih AI-em.
