Omvälvande hot: AI-mask anpassar angreppen individuellt
Ett forskarlag från ansedda institutioner har utvecklat en ny generation av skadlig kod som har potential att i grunden förändra cybersäkerhetslandskapet. Den adaptiva AI-masken använder stora språkmodeller (LLM) för att utveckla skräddarsydda exploits för varje mål och sprida sig autonomt från enhet till enhet.
Det internationella forskarlaget, bestående av forskare från University of Toronto, Vector Institute, University of Cambridge och ServiceNow Research, har publicerat sina resultat i forskningsartikeln ”AI Agents Enable Adaptive Computer Worms” på arxiv.org. Resultaten visar en fundamental vidareutveckling av traditionella datormaskar.
Så fungerar den adaptiva AI-masken
Till skillnad från kända maskar som WannaCry, som riktat utnyttjar enskilda säkerhetsluckor, arbetar den nya AI-masken helt annorlunda. Den använder infekterade datorer för att köra öppna stora språkmodeller och behåller därigenom sin beslutsförmåga, samtidigt som den utökar sin räckvidd för fler angrepp.
Den avgörande fördelen med detta angreppssätt ligger i kostnadsstrukturen: eftersom språkmodellerna körs på de redan kapade datorerna uppstår inga kostnader för beräkningskraft för angriparna. Försvararna måste däremot betala för AI-baserade motåtgärder. Dessutom kringgår detta angreppssätt centrala säkerhetskontroller och hastighetsbegränsningar hos kommersiella AI-erbjudanden.
Autonom exploit-utveckling
Särskilt anmärkningsvärd är maskens förmåga till autonom exploit-utveckling. De integrerade språkmodellerna analyserar mål på egen hand, anpassar sig till nya observationer och utvecklar angreppslogik i realtid. Det gör masken oberoende av fördefinierad exploit-kod eller kända proof of concept-exploits.
Testresultat i kontrollerad miljö
Forskarna testade sin AI-mask i ett isolerat nätverk med 33 enheter av olika kategorier. Testnätverket omfattade Linux-servrar, Windows-miljöer och sakernas internet-enheter (IoT). Medvetet lämnades kända sårbarheter öppna, sådana som också förekommer i verkliga företagsmiljöer.
Framgångsandel och spridning
Testresultaten över flera sjudagarskörningar visade imponerande framgångsandelar:
- Masken identifierade omkring en tredjedel av de befintliga sårbarheterna korrekt
- På en fjärdedel av maskinerna lyckades den utöka sina egna rättigheter
- Spridningen skedde till omkring 20 procent av enheterna
- Masken nådde sju generationer av självförökning
- Sammanlagt angrep den framgångsrikt knappt 75 procent av nätverket
- Replikeringen lyckades på knappt två tredjedelar av hela nätet
Särskilt anmärkningsvärt var att masken på egen hand utvecklade fungerande exploits för tre sårbarheter som blivit kända först under 2026. Detta låg bortom de använda språkmodellernas träningsgräns och visar förmågan till autonom exploit-generering utifrån publicerad information.
Betydelse för säkerhetstekniken
Denna utveckling innebär ett paradigmskifte i hotlandskapet. Medan traditionella maskar kan stoppas genom att säkerhetspatchar installeras snabbt är denna strategi långt mindre effektiv mot adaptiva AI-maskar. Förmågan till anpassning i realtid och autonom exploit-utveckling gör traditionella försvarsstrategier otillräckliga.
För dem som driver säkerhetsteknik innebär det ökad komplexitet i övervakningen och försvaret av nätverk. System för anomalidetektering och beteendebaserade säkerhetslösningar får ökad betydelse, eftersom signaturbaserade ansatser är mindre verkningsfulla mot detta adaptiva hot.
Konsekvenser för kritisk infrastruktur
Särskilt problematisk kan den nya hotklassen bli för kritisk infrastruktur, där ofta äldre system med kända sårbarheter används. AI-maskens förmåga att utveckla autonoma exploits även för nyare sårbarheter försvårar försvaret ytterligare.
Förebyggande strategier och skyddsåtgärder
Mot bakgrund av denna nya hotklass måste säkerhetsansvariga tänka om kring sina strategier. Flerskiktade säkerhetskoncept får ökad betydelse, eftersom enskilda skyddsåtgärder är mindre effektiva mot adaptiva angripare.
Nätverkssegmentering blir en kritisk faktor för att begränsa spridningshastigheten. Dessutom bör övervakningssystem i högre grad inriktas på ovanlig nätverksaktivitet och avvikande systembeteende.
Kontinuerlig patchhantering
Även om patchar ensamma inte längre räcker förblir en snabb patchhantering avgörande. Att minska angreppsytan genom att snabbt täppa till kända sårbarheter försvårar för den adaptiva masken att få fotfäste och nå sina första framgångar.
Utblick mot cybersäkerhetens framtid
Forskarna varnar med eftertryck för den nya hotklassen: ”Vi måste ställa in oss på autonoma generativa motståndare: system med skadlig kod som sprider sig utan mänsklig inblandning och som inte definieras av fastställd exploit-kod, utan av förmågan att analysera mål, anpassa sig till observationer och utveckla angreppslogik i realtid.”
Denna utveckling markerar övergången från reaktiv till proaktiv cybersäkerhet. Självupprätthållande, AI-stödda cyberhot är enligt forskarna inte längre ren teori, utan en verklig och omedelbar fara.
Behov av nya försvarsstrategier
Säkerhetsindustrin står inför utmaningen att utveckla försvarsmekanismer som kan hålla jämna steg med AI-baserade angripares anpassningsförmåga. Det kräver möjligen egna AI-system för försvaret, vilket i sin tur medför nya kostnads- och komplexitetsstrukturer.
Forskningsarbetet visar tydligt att cybersäkerhetslandskapet står inför en fundamental förändring. Företag och institutioner måste ompröva sina säkerhetsstrategier och förbereda sig på utmaningarna med adaptiva, AI-stödda hot.
