Tankeledere

Hvad sker der virkelig under et AI-baseret angreb?

mm
Føj Unite.AI til dine foretrukne kilder på Google
A modern cybersecurity SOC control room at night, showing analysts at glowing consoles overlooking a massive curved screen that visualizes a complex, adaptive red digital attack rapidly navigating a blue network grid.

I årevis har cybersecurity-industrien talt om AI-angreb i fremtidsformen. Vi forestillede os selvstændige super-hackere, der demonterer brandvægge med aliens logik. Virkeligheden, som vi opdager i vores laboratorier på Simbian, er langt mindre filmisk, men langt mere farlig.

Truslen er ikke, at AI er overmenneskeligt intelligent. Det er, at AI gør ekspertniveau-persistens skalerbar, øjeblikkelig og uendeligt variabel. Det omdanner “marginale forbedringer” af et script til en lavine af entropi, som ingen menneskelig SOC-team kan håndtere.

Her er, hvad der virkelig sker, når maskinen tager tastaturet.

Fase 1: Rekognoskering – Kontekstæraen

I den gamle verden var rekognoskering “spray and pray”. Angribere købte e-mail-lister og sendte generiske skabeloner, i håb om en 0,1% klik-rate.

I et AI-baseret angreb er rekognoskering “spear and clone”. Generative agenter kan nu indtaste et måls digitale fodaftryk – LinkedIn-opslag, nyeste tweets, nyhedsomtaler og selv offentlige kode-commits – for at bygge en psykologisk profil på få sekunder. De skriver ikke bare phishing-e-mails; de skriver kontekst.

En AI-agent sender ikke en generisk “Nulstil adgangskode”-link. Den ser, at du lige har committet kode til et bestemt GitHub-repository klokken 02:00. Den sender dig en Slack-besked fra en “Senior Dev”, der klager over en merge-konflikt i det pågældende repository, med et link til at “fikse det”. Urgensen er fabrikeret, men konteksten er ægte.

Forskningsindsigt: I vores simulationer modellerede vi denne ændring ved at justere brugeradfærdvariabler baseret på kontekstkvalitet. Når vi gik fra generisk phishing til kontekstbevidste lure (henvisning til specifikke interne projektnavne), steg klik-raterne fra <2% til over 20%. I en 5.000-mands virksomhed er det forskellen mellem en generthed og en flod.

AI Cybersecurity Research Graph

Fase 2: Eksekvering – Den polymorfe mareridt

Dette er, hvor forsvaret virkelig bryder sammen. Traditionelt, hvis en angriber skrev en ondsindet script (f.eks. en Mimikatz-variant), ville sikkerhedsleverandører finde det, hashere det og blokere det. “Signatur” var skjoldet.

Generative AI ødelægger begrebet om en statisk signatur. En AI-baseret angriber bruger ikke en statisk værktøj. De bruger en agent, der skriver værktøjet på målet. Hvis agenten opdager en EDR (Endpoint Detection and Response)-sensor, beder den blot sin LLM-backend: “Omskriv denne adgangskodedump-logik for at undgå disse specifikke API-kroge. Omdøb alle variabler. Ændr kontrollen.”

Hensigten med koden forbliver identisk. Syntaks ændrer sig fuldstændigt. For et regelbaseret forsvarssystem ser det ud som et helt nyt, aldrig set program.

Forskningsindsigt: Vi kalder disse “Mutant Angreb.” I vores forskning tog vi en standard adgangskodedump-kill chain og brugte en LLM til at generere 500 funktionelle variationer. Mens standard detektionsværktøjer fangede 95% af de originale scripts, faldt detektionsraten til ~25% for de muterede versioner. Maskinen blev ikke klogere; den blev bare mere støjende. Og i sikkerhed er støj den ultimative kamuflage.

Fase 3: Lateral Bevægelse – Abduktionshastigheden

Når man først er inde, bliver hastigheden af menneskelig reaktion irrelevant. En menneskelig indtrænger bevæger sig forsigtigt, checker logfiler, skriver kommandoer og pauserer for at tænke. De kan måske skifte til en ny server i timer.

En AI-agent skifter i millisekunder.

Men hastighed er ikke det eneste faktor; det er abduktiv resonnering, eller inferens til den bedste forklaring. AI er overraskende god til at “gætte” strukturen af et netværk baseret på fragmenter. Hvis den ser en server med navnet US-WEST-SQL-01, antager den eksistensen af US-EAST-SQL-01 og US-WEST-BAK-01. Den tester disse hypoteser øjeblikkeligt på tusinder af interne IP-adresser.

Den behøver ikke at være perfekt. Den behøver bare at være hurtig. Mens SOC-analysten stadig triagerer den første phishing-advarsel, har AI-agten allerede kortlagt domænekontrollen, identificeret backup-serverne og eksfiltreret organisationens kronjuveler.

Fase 4: Virkningen – Entropi-Bomben

Det ultimative mål for et AI-baseret angreb er ikke altid stealth. Nogle gange er det kaos. Vi indtræder en æra af høj-entropi-angreb. En AI-agent kan generere 10.000 realistisk udseende advarsler samtidigt – fejllogninger, portscans, decoy-malware-eksekveringer.

Dette er “Entropi-Bomben”. Den oversvømmer SOC med så meget signal, at analytikerne lider under kognitiv overbelastning. De kæmper mod decoy-angrebene, mens det virkelige angreb sker stille i baggrunden. Udfordringen for forsvaret skifter fra “at finde nålen i høstakken” til “at finde nålen i en stak nåle”.

Kamp mod ild med ild

Lektionen fra vores forskning er klar: Man kan ikke bekæmpe en maskine med en billetkø.

Hvis angriberen kan iterere sin kode på sekunder, og dit forsvar kræver, at en menneske skriver en detektionsregel på timer, har du allerede tabt. Asymmetrien er matematisk. Den eneste måde at overleve et AI-baseret angreb er at have en AI-forsvarer, der opererer med samme hastighed – resonnerer, verificerer og blokerer hurtigere end angriberen kan mutere.

Offensiven er udviklet. Forsvaret må nu også udvikle sig.

32 5 dage
Fra sårbarhed til udnyttelse

12% 54%
Klik-rate for AI-drevne phishing-e-mails

Dage 1 time
Fra initial kompromittering til eksfiltrering for top 20%

Dage 48 minutter
Median breakout-tid (lateral bevægelse)

Den nye virkelighed for AI-baserede sikkerhedsangreb

Alankrit Chona er Chief Technology Officer og medstifter af Simbian, hvor han har ansvar for udviklingen af Simbian-platformen. Han har spillet en pionerrolle i opbygningen af skalerbare og robuste systemer i tidlige virksomheder som Spotnana og Afterpay, samt på stor skala hos Twitter.