Pemimpin pemikiran

Apa yang Sebenarnya Terjadi Selama Serangan yang Dipersenjatai AI?

mm
Tambahkan Unite.AI ke sumber pilihan Anda di 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.

Selama bertahun-tahun, industri keamanan siber telah berbicara tentang serangan AI di masa depan. Kami membayangkan peretas super cerdas yang membongkar firewall dengan logika alien. Kenyataannya, seperti yang kami temukan di laboratorium kami di Simbian, jauh menos sinematik tetapi jauh lebih berbahaya.

Ancaman tidak bahwa AI super cerdas. Ini karena AI membuat persistensi tingkat ahli dapat diskalakan, instan, dan bervariasi tak terhingga. Ini mengubah “perbaikan marginal” dari skrip menjadi avalanche entropi yang tidak dapat ditangani oleh tim SOC manusia.

Inilah yang sebenarnya terjadi ketika mesin mengambil keyboard.

Phase 1: Reconnaissance – The Context Era

Di dunia lama, reconnaissance adalah “spray and pray”. Penyerang membeli daftar email dan mengirimkan template generik, berharap untuk mendapatkan tingkat klik 0,1%.

Dalam serangan yang dipersenjatai AI, reconnaissance adalah “spear and clone”. Agen generatif sekarang dapat mengonsumsi jejak digital target—postingan LinkedIn, tweet terbaru, pengakuan berita, dan bahkan komit kode publik—untuk membangun profil psikologis dalam beberapa detik. Mereka tidak hanya menulis email phishing; mereka menulis konteks.

Agen AI tidak mengirimkan tautan “Reset Password” generik. Ini melihat Anda baru saja mengkomit kode ke repositori GitHub tertentu pada pukul 2:00 AM. Ini mengirimkan notifikasi Slack dari “Senior Dev” yang meniru mengeluh tentang konflik merge di repositori tersebut, dengan tautan untuk “memperbaikinya”. Urgensi itu dibuat, tetapi konteksnya nyata.

Wawasan Penelitian: Dalam simulasi kami, kami memodelkan pergeseran ini dengan menyesuaikan variabel perilaku pengguna berdasarkan kualitas konteks. Ketika kami beralih dari phishing generik ke umpan yang sadar konteks (mengacu pada nama proyek internal tertentu), tingkat klik yang disimulasikan melompat dari <2% menjadi lebih dari 20%. Dalam perusahaan 5.000 orang, itu adalah perbedaan antara gangguan dan banjir.

Grafik Penelitian Keamanan AI

Phase 2: Execution – The Polymorphic Nightmare

Inilah tempat pertahanan benar-benar rusak. Secara tradisional, jika penyerang menulis skrip berbahaya (misalnya, varian Mimikatz), vendor keamanan akan menemukannya, menghashnya, dan memblokirnya. “Tanda tangan” itu adalah perisai.

Agen AI generatif menghancurkan konsep tanda tangan statis. Penyerang yang dipersenjatai AI tidak menggunakan alat statis. Mereka menggunakan agen yang menulis alat di target. Jika agen mendeteksi sensor EDR (Endpoint Detection and Response), itu hanya meminta backend LLM-nya: “Tulis ulang logika dumping kredensial untuk menghindari hook API tertentu. Ganti nama semua variabel. Ubah alur kontrol.”

Niat kode itu tetap sama. Sintaksis berubah sepenuhnya. Bagi sistem pertahanan berbasis aturan, itu terlihat seperti program baru yang belum pernah dilihat sebelumnya.

Wawasan Penelitian: Kami menyebut ini “Serangan Mutan.” Dalam penelitian kami, kami mengambil rantai pembunuhan dumping kredensial standar dan menggunakan LLM untuk menghasilkan 500 variasi fungsional. Sementara alat deteksi standar menangkap 95% skrip asli, tingkat deteksi turun menjadi ~25% untuk versi mutan. Mesin tidak menjadi lebih cerdas; itu hanya menjadi lebih berisik. Dan dalam keamanan, kebisingan adalah penyamaran utama.

Phase 3: Lateral Movement – The Speed of Abduction

Setelah masuk, kecepatan respons manusia menjadi tidak relevan. Penyerang manusia bergerak hati-hati, memeriksa log, mengetik perintah, dan berhenti untuk berpikir. Mereka mungkin beralih ke server baru dalam beberapa jam.

Agen AI beralih dalam milidetik.

Tapi kecepatan bukan satu-satunya faktor; itu adalah Penalaran Abduktif, atau inferensi ke penjelasan terbaik. AI cukup baik dalam “menebak” struktur jaringan berdasarkan fragmen. Jika itu melihat server bernama US-WEST-SQL-01, itu menginferensi keberadaan US-EAST-SQL-01 dan US-WEST-BAK-01. Ini menguji hipotesis ini secara instan di seluruh ribuan alamat IP internal.

Itu tidak perlu sempurna. Itu hanya perlu cepat. Sementara analis SOC masih menangani peringatan phishing awal, AI telah memetakan kontrol domain, mengidentifikasi server cadangan, dan mengekstraksi “mahkota” organisasi.

Phase 4: The Impact – Entropy Bomb

Tujuan akhir serangan yang dipersenjatai AI tidak selalu stealth. Terkadang, itu adalah kekacauan. Kami memasuki era Serangan Entropi Tinggi. Agen AI dapat menghasilkan 10.000 peringatan yang terlihat realistis secara bersamaan—gagal login, pemindaian port, eksekusi malware palsu.

Ini adalah “Bom Entropi”. Ini membanjiri SOC dengan banyak sinyal sehingga analis menderita kelebihan kognitif. Mereka berjuang melawan umpan palsu sementara serangan sebenarnya terjadi diam-diam di latar belakang. Tantangan bagi pembela bergeser dari “menemukan jarum di tumpukan jerami” menjadi “menemukan jarum di tumpukan jarum”.

Melawan Api dengan Api

Pelajaran dari penelitian kami adalah tegas: Anda tidak dapat melawan mesin dengan antrian tiket.

Jika penyerang dapat mengulangi kode dalam beberapa detik, dan pertahanan Anda memerlukan manusia untuk menulis aturan deteksi dalam beberapa jam, Anda telah kalah. Asimetri itu matematis. Satu-satunya cara untuk bertahan dari serangan yang dipersenjatai AI adalah dengan memiliki pembela AI yang beroperasi pada kecepatan yang sama—penalaran, verifikasi, dan pemblokiran lebih cepat dari penyerang dapat bermutasi.

Serangan telah berkembang. Pertahanan harus melakukan hal yang sama.

32 5 hari
Dari kerentanan hingga eksploitasi

12% 54%
Tingkat klik untuk surel phishing yang dipersenjatai AI

Hari 1 jam
Dari kompromi awal hingga ekstraksi untuk 20% teratas

Hari 48 menit
Waktu breakout median (pergerakan lateral)

Kenyaatan baru serangan keamanan yang dipersenjatai AI

Alankrit Chona adalah Chief Technology Officer dan co-founder dari Simbian, mengawasi rekayasa untuk platform Simbian. Ia telah memainkan peran pionir dalam membangun sistem yang scalable dan robust di perusahaan awal seperti Spotnana dan Afterpay, serta pada skala besar di Twitter.