Kybernetická bezpečnost
Google odhalila útočníky využívající plně autonomní řetězce pro zneužívání zranitelností

Klíčové bodyGoogle pozoroval multiagentní rámec, který autonomně porovnával záplaty a spouštěl…
Zobrazit více
- Google pozoroval multiagentní rámec, který autonomně porovnával záplaty a spouštěl navržené exploity bez lidského zásahu.
- Útočníci nyní upřednostňují opravené zranitelnosti n-day, protože omezený výzkumný materiál z nich činí snadnější cíle než zero-day.
- Agentní rámce pro penetrační testování zkracují časové osy útoků na strojovou rychlost, ale v současnosti vyměňují utajení za rychlost.
Google Threat Intelligence Group (GTIG) poprvé identifikovala útočníky, kteří pomocí rámců založených na velkých jazykových modelech plně automatizují vyhledávání zranitelností a jejich zneužívání bez lidského zásahu. Vyplývá to z čtvrtletního přehledu hrozeb v oblasti AI, který vznikl ve spolupráci s Mandiant a byl zveřejněn 16. listopadu 2026.
Jedním podrobně popsaným příkladem byl vystavený stagingový server, na němž byl umístěn víceagentní rámec pro výzkum zranitelností a přípravu nástrojů k jejich zneužití, který GTIG nazvala exploit_agent. Rámec kombinoval několik špičkových i lokálních velkých jazykových modelů. Byl nastaven tak, aby průběžně porovnával kód před oznámením oprav a po něm u oblíbeného softwaru pro webové aplikace, analyzoval rozdíly a hledal v nich potenciální zranitelnosti, připravoval exploity a automaticky je spouštěl.
Server obsahoval také data odcizená napadeným obětem a skripty pro interní průzkum, útoky hrubou silou, instalaci webshellů i odstraňování webshellů, které zanechali jiní útočníci. Telemetrie z napadených systémů naznačovala, že se operátor zajímal zejména o francouzské weby spojené s mediálním a zábavním průmyslem a se vzděláváním. Komentáře v konfiguraci v ruštině odkazovaly na klíče API pro velké jazykové modely určené k autonomnímu zneužívání zranitelností.
Analýza oprav a časové okno pro zneužití
Podle GTIG mohou útočníci považovat opravené zranitelnosti typu n-day, tedy chyby, pro něž už byly vydány opravy, za snazší cíle než zero-day zranitelnosti, protože dostupné výzkumné materiály jsou omezené. Agenti mohou porovnávat různé verze zdrojového kódu, včetně předběžných nebo náhledových verzí, a zkoumat poznámky k vydání, bezpečnostní výzkum i ukázkový kód zneužívající konkrétní chybu. Výzkum dosud neznámých zero-day zranitelností vyžaduje širší pátrání.
Automatizace porovnávání oprav a přeměny ukázkového kódu v nástroje pro zneužití může zkrátit dobu mezi zveřejněním opravy a jejím aktivním zneužíváním. Nižší vstupní bariéra má i další důsledek: podle GTIG pomohly velké jazykové modely vytvářet exploity, které jsou označovány za funkční, přestože nefungují. Obráncům tak přibývá práce s ověřováním, protože musejí rozlišovat mezi funkčním útočným kódem a nepravdivými tvrzeními o jeho funkčnosti.
Víceagentní rámce při probíhajících útocích
Toto exploit_agent zjištění je součástí širšího posunu od ručního zadávání pokynů k víceagentním nástrojům pro průnik do systémů. GTIG a Mandiant zaznamenaly několik útočníků, kteří zneužívali open source rámce pro penetrační testování založené na agentech, včetně ARTEX, CAIRN, CyberStrikeAI a PentAGI, k automatizaci jednotlivých fází a provozních úkolů při probíhajících útocích. Mezi jejich společné schopnosti patří vyhledávání a zneužívání méně složitých zranitelností, generování jednorázových datových částí na vyžádání a přizpůsobování taktiky na základě zpětné vazby o průběhu operace v reálném čase.
GTIG nezávisle zaznamenala nasazení CAIRN a PentAGI v reálných útocích a také experimentování s CyberStrikeAI a HexStrike AI. CAIRN koordinuje specializované agenty prostřednictvím cyklu Pozorovat, orientovat se, rozhodnout, jednat a pomocí sdílené tabule. GTIG jej zaznamenala při průnikových aktivitách proti cílům, mezi něž patřil i americký letecký a kosmický sektor. Od konce srpna do začátku října 2026 používal jeden útočník upravenou orchestrace založenou na PentAGI k systematickému průzkumu a vyhledávání zranitelností v širokém spektru organizací v Asii.
Tyto rámce dokážou zkrátit časový průběh útoku na rychlost strojového zpracování, GTIG však soudí, že v současnosti vyměňují nenápadnost za rychlost. Neomezené autonomní provádění operací vytváří síťový provoz využitelný při forenzní analýze, používá rozpoznatelné identifikátory a zanechává charakteristické stopy v kódu. Tyto artefakty mohou pomoci s odhalením a zmírněním hrozby, přestože nástroje nadále dokážou dosahovat svých operačních cílů.
Ukradený přístup k AI a jeho další prodej na černém trhu
Zpráva také popisuje trh s kompromitovanými cloudovými a AI zdroji. V průběhu roku 2026 řešila společnost Mandiant několik případů LLMJacking, při nichž finančně motivovaní útočníci využívali napadená cloudová prostředí k čerpání výpočetního výkonu obětí nebo jejich kvót na využívání velkých jazykových modelů. Jednodenní podvodné poplatky v některých případech přesáhly 100 000 dolarů a nejzávažnější kumulativní zneužití dosáhlo před nápravou 1 milionu dolarů, uvedla společnost Mandiant.
GTIG sleduje také takzvané LLM Mixers, nelegální obchody, které prodávají neoprávněný přístup ke službám velkých jazykových modelů a související proxy infrastrukturu. Provoz těchto obchodů přesměrovává přes soubory odcizených přihlašovacích údajů a výpočetních instancí a může rozložit objem dotazů mezi prostředí více obětí, aby se snížila pravděpodobnost odhalení. GTIG zaznamenala na ruskojazyčných a čínsky psaných podzemních tržištích inzerované ceny od 0,10 $ do 25 $ za milion tokenů; cena závisela na nabízené službě, modelu a přihlašovacích údajích.
Zjištění ukazují na bezprostřední obranný problém spojený s rychlostí a rozsahem. Veřejně dostupné opravy mohou poskytnout podklady k porovnání pro automatizovaný vývoj exploitů, zatímco odcizené přihlašovací údaje a proxy služby mohou zajistit přístup k výpočetní kapacitě AI. Stejné automatizované operace zároveň zanechávají forenzní stopy a vytvářejí nespolehlivý kód pro zneužití zranitelností, což obráncům nabízí příležitosti k odhalení hrozeb, i když čelí kratšímu času na reakci a většímu množství materiálů k ověřování.












