Revolutionaire dreiging: AI-worm past aanvallen individueel aan
Een onderzoeksteam van gerenommeerde instellingen heeft een nieuwe generatie malware ontwikkeld die het potentieel heeft om het cybersecuritylandschap fundamenteel te veranderen. De adaptieve AI-worm gebruikt grote taalmodellen (LLM's) om voor elk doelwit op maat gemaakte exploits te ontwikkelen en zich autonoom van apparaat naar apparaat te verspreiden.
Het internationale onderzoeksteam, bestaande uit wetenschappers van de Universiteit van Toronto, het Vector Institute, de Universiteit van Cambridge en ServiceNow Research, heeft zijn bevindingen gepubliceerd in het onderzoeksartikel "AI Agents Enable Adaptive Computer Worms" op arxiv.org. De resultaten laten een fundamentele doorontwikkeling van gebruikelijke computerwormen zien.
Werking van de adaptieve AI-worm
In tegenstelling tot bekende wormen zoals WannaCry, die gericht afzonderlijke beveiligingslekken misbruiken, werkt de nieuwe AI-worm volledig anders. Hij gebruikt geïnfecteerde computers om open grote taalmodellen uit te voeren en behoudt daardoor zijn beslissingsvermogen, terwijl hij tegelijkertijd zijn bereik voor verdere aanvallen vergroot.
Het doorslaggevende voordeel van deze aanpak ligt in de kostenstructuur: doordat de LLM's draaien op de reeds gekaapte computers, hebben de aanvallers geen kosten voor rekenkracht. De verdedigers moeten daarentegen betalen voor AI-gebaseerde afweermaatregelen. Bovendien omzeilt deze aanpak centrale beveiligingscontroles en rate limits van commerciële AI-diensten.
Autonome exploitontwikkeling
Bijzonder opmerkelijk is het vermogen van de worm tot autonome exploitontwikkeling. De geïntegreerde LLM's analyseren doelwitten zelfstandig, passen zich aan nieuwe waarnemingen aan en ontwikkelen aanvalslogica in realtime. Daardoor is de worm onafhankelijk van vooraf gedefinieerde exploitcode of bekende proof-of-concept-exploits.
Testresultaten in een gecontroleerde omgeving
De onderzoekers testten hun AI-worm in een geïsoleerd netwerk met 33 apparaten uit verschillende categorieën. Het testnetwerk omvatte Linux-servers, Windows-omgevingen en Internet-of-Things-apparaten (IoT). Bewust werden bekende kwetsbaarheden opengelaten die ook in echte bedrijfsomgevingen voorkomen.
Slagingspercentage en verspreiding
De testresultaten over meerdere runs van zeven dagen lieten indrukwekkende slagingspercentages zien:
- De worm herkende ongeveer een derde van de aanwezige kwetsbaarheden correct
- Op een kwart van de machines lukte het hem de eigen rechten uit te breiden
- De verspreiding vond plaats op ongeveer 20 procent van de apparaten
- De worm bereikte zeven generaties van zelfvoortplanting
- In totaal viel hij bijna 75 procent van het netwerk met succes aan
- De replicatie lukte op bijna twee derde van het gehele netwerk
Bijzonder opmerkelijk was dat de worm voor drie kwetsbaarheden die pas in 2026 bekend waren geworden, zelfstandig werkende exploits ontwikkelde. Dat lag voorbij de trainingscutoff van de gebruikte LLM's en toont het vermogen tot autonome exploitgeneratie op basis van gepubliceerde informatie.
Betekenis voor de beveiligingstechniek
Deze ontwikkeling betekent een paradigmawisseling in het dreigingslandschap. Terwijl gebruikelijke wormen kunnen worden gestopt door het tijdig installeren van beveiligingspatches, is die strategie tegen adaptieve AI-wormen veel minder effectief. Het vermogen tot aanpassing in realtime en autonome exploitontwikkeling maakt traditionele afweerstrategieën ontoereikend.
Voor exploitanten van beveiligingstechniek betekent dit een hogere complexiteit bij netwerkbewaking en -verdediging. Systemen voor anomaliedetectie en gedragsgebaseerde beveiligingsoplossingen worden belangrijker, omdat signature-gebaseerde benaderingen tegen deze adaptieve dreiging minder effectief zijn.
Gevolgen voor kritieke infrastructuur
Bijzonder problematisch zou de nieuwe dreigingsklasse kunnen uitpakken voor kritieke infrastructuur, waar vaak oudere systemen met bekende kwetsbaarheden in gebruik zijn. Het vermogen van de AI-worm om ook voor nieuwere kwetsbaarheden autonoom exploits te ontwikkelen, bemoeilijkt de verdediging nog verder.
Preventiestrategieën en beschermingsmaatregelen
Gezien deze nieuwe dreigingsklasse moeten beveiligingsverantwoordelijken hun strategieën heroverwegen. Gelaagde beveiligingsconcepten worden belangrijker, omdat afzonderlijke beschermingsmaatregelen tegen adaptieve aanvallers minder effectief zijn.
Netwerksegmentatie wordt een kritieke factor om de verspreidingssnelheid te beperken. Daarnaast zouden monitoringsystemen sterker gericht moeten zijn op ongebruikelijke netwerkactiviteit en afwijkend systeemgedrag.
Continu patchmanagement
Hoewel patches alleen niet meer volstaan, blijft tijdig patchmanagement essentieel. Het verkleinen van het aanvalsvlak door bekende kwetsbaarheden snel te dichten, maakt het de adaptieve worm moeilijker om voet aan de grond te krijgen en zijn eerste successen te boeken.
Vooruitblik op de toekomst van cybersecurity
De onderzoekers waarschuwen indringend voor de nieuwe dreigingsklasse: "We moeten ons instellen op autonome generatieve tegenstanders: malwaresystemen die zich zonder menselijk toedoen verspreiden en niet worden bepaald door vastgelegde exploitcode, maar door het vermogen om doelwitten te analyseren, zich aan waarnemingen aan te passen en aanvalslogica in realtime te ontwikkelen."
Deze ontwikkeling markeert de overgang van reactieve naar proactieve cybersecurity. Zelfinstandhoudende, AI-gestuurde cyberdreigingen zijn volgens de onderzoekers niet langer pure theorie, maar een reëel en direct gevaar.
Noodzaak van nieuwe afweerstrategieën
De beveiligingsbranche staat voor de uitdaging afweermechanismen te ontwikkelen die het aanpassingsvermogen van AI-gebaseerde aanvallers kunnen bijbenen. Dat vereist mogelijk de inzet van eigen AI-systemen voor de verdediging, wat op zijn beurt nieuwe kosten- en complexiteitsstructuren met zich meebrengt.
Het onderzoek laat duidelijk zien dat het cybersecuritylandschap voor een fundamentele verandering staat. Bedrijven en instellingen moeten hun beveiligingsstrategieën opnieuw beoordelen en zich voorbereiden op de uitdagingen van adaptieve, AI-gestuurde dreigingen.
