Keamanan siber

Google Menemukan Penyerang yang Menggunakan Rangkaian Eksploitasi Sepenuhnya Otonom

Miles Okada
Tambahkan Unite.AI ke sumber pilihan Anda di Google
Poin utamaGoogle mengamati kerangka multi-agen yang secara otonom membandingkan patch dan…
Lihat selengkapnya
  • Google mengamati kerangka multi-agen yang secara otonom membandingkan patch dan mengeksekusi eksploit yang telah disusun tanpa keterlibatan manusia.
  • Penyerang kini lebih memilih celah n-day yang telah ditambal karena materi penelitian yang terbatas membuatnya menjadi target yang lebih mudah dibandingkan zero-day.
  • Kerangka pengujian penetrasi berbasis agen memampatkan garis waktu serangan hingga kecepatan mesin tetapi saat ini menukar kerahasiaan dengan kecepatan.

Google Threat Intelligence Group (GTIG) mengidentifikasi pelaku ancaman yang menggunakan kerangka kerja model bahasa besar untuk sepenuhnya mengotomatiskan penemuan dan eksploitasi kerentanan tanpa campur tangan manusia—untuk pertama kalinya, menurut Pelacak Ancaman AI triwulanan yang disusun bersama Mandiant dan diterbitkan pada 16 November 2026.

Salah satu contoh terperinci adalah server staging yang terekspos, yang menjadi tempat beroperasinya kerangka kerja multiagen untuk riset kerentanan dan pengembangan eksploitasi, yang dijuluki GTIG exploit_agent. Kerangka kerja tersebut mengintegrasikan beberapa model bahasa besar mutakhir dan model bahasa besar lokal. Kerangka kerja itu dikonfigurasi untuk terus membandingkan kode sebelum dan sesudah pengumuman patch bagi perangkat lunak aplikasi web populer, menganalisis perbedaannya untuk mencari potensi kerentanan, menyusun draf eksploitasi, dan menjalankan eksploitasi tersebut secara otomatis.

Server itu juga menyimpan data yang dieksfiltrasi dari para korban yang menjadi sasaran, serta skrip untuk pengintaian internal, serangan brute force, pemasangan web shell, dan penghapusan web shell yang ditinggalkan penyerang lain. Telemetri korban menunjukkan bahwa operator tersebut sangat tertarik pada situs web Prancis yang terkait dengan industri media dan hiburan serta sektor pendidikan. Komentar konfigurasi berbahasa Rusia merujuk pada kunci API LLM untuk eksploitasi otonom.

Analisis Patch dan Jendela Eksploitasi

GTIG mengatakan penyerang mungkin menganggap kerentanan n-day yang telah ditambal—yakni kelemahan yang perbaikannya sudah dirilis—sebagai sasaran yang lebih efisien daripada kerentanan zero-day karena materi riset yang tersedia jumlahnya terbatas. Agen dapat membandingkan versi kode sumber, termasuk yang tersedia melalui saluran pra-rilis atau pratinjau, serta memeriksa catatan rilis, riset keamanan, dan kode bukti konsep yang berkaitan dengan kelemahan tertentu. Riset terhadap kelemahan zero-day yang sebelumnya belum diketahui memerlukan pencarian yang lebih luas.

Otomatisasi pemeriksaan perbedaan patch dan pengembangan eksploitasi dari bukti konsep dapat memperpendek jeda antara pengungkapan patch dan eksploitasi yang telah dipersenjatai. Hambatan masuk yang lebih rendah juga menimbulkan dampak lain: GTIG mengatakan LLM telah membantu menghasilkan eksploitasi yang diklaim berfungsi padahal tidak, sehingga menambah pekerjaan verifikasi bagi para pembela yang harus membedakan kode serangan yang berfungsi dari klaim yang keliru.

Kerangka Kerja Multiagen dalam Intrusi Aktif

Temuan exploit_agent ini merupakan bagian dari pergeseran yang lebih luas, dari pemberian perintah secara manual ke perangkat intrusi multiagen. GTIG dan Mandiant mengamati sejumlah pelaku ancaman menyalahgunakan kerangka kerja pengujian penetrasi agentik sumber terbuka, termasuk ARTEX, CAIRN, CyberStrikeAI, dan PentAGI, untuk mengotomatiskan tahapan tertentu dan tugas operasional selama intrusi aktif. Kemampuan yang dimiliki bersama mencakup menemukan dan mengeksploitasi kerentanan berkompleksitas rendah, membuat muatan sekali pakai sesuai permintaan, serta menyesuaikan taktik berdasarkan umpan balik eksekusi secara waktu nyata.

GTIG secara terpisah mengamati CAIRN dan PentAGI diterapkan di dunia nyata, serta menemukan adanya eksperimen dengan CyberStrikeAI dan HexStrike AI. CAIRN mengoordinasikan agen khusus melalui siklus Observe, Orient, Decide, Act dan papan tulis bersama. GTIG mengamatinya dalam aktivitas intrusi terhadap sejumlah sasaran, termasuk sektor kedirgantaraan AS. Antara akhir Agustus dan awal Oktober 2026, seorang pelaku ancaman menggunakan platform orkestrasi berbasis PentAGI yang telah dikustomisasi untuk melakukan pengintaian sistematis dan pemindaian kerentanan terhadap berbagai organisasi di Asia.

Kerangka kerja ini dapat mempersingkat linimasa serangan hingga secepat mesin, tetapi GTIG menilai bahwa saat ini kerangka tersebut mengorbankan kesamaran demi kecepatan. Eksekusi otonom tanpa batas menghasilkan lalu lintas yang dapat dianalisis secara forensik, menggunakan pengenal yang mudah dikenali, dan meninggalkan jejak khas pada tingkat kode. Artefak tersebut dapat membantu deteksi dan mitigasi, meskipun alat-alat itu tetap mampu mencapai tujuan operasionalnya.

Akses AI Curian dan Penjualan Kembali di Pasar Gelap

Laporan tersebut juga mendokumentasikan pasar untuk sumber daya cloud dan AI yang telah disusupi. Sepanjang 2026, Mandiant menangani beberapa insiden LLMJacking, ketika pelaku bermotif finansial menggunakan lingkungan cloud yang disusupi untuk memakai daya komputasi atau kuota sumber daya LLM milik korban. Menurut Mandiant, beberapa tagihan penipuan dalam satu hari melampaui $100,000, sementara penyalahgunaan kumulatif paling parah mencapai $1 juta sebelum ditangani.

GTIG juga memantau LLM Mixer, etalase ilegal yang menjual akses tanpa izin ke layanan LLM dan infrastruktur proksi pendukungnya. Layanan ini merutekan lalu lintas pembeli melalui kumpulan kredensial dan instans komputasi curian, serta dapat menyebarkan volume kueri ke beberapa lingkungan korban untuk mengurangi kemungkinan terdeteksi. GTIG mengamati harga yang diiklankan berkisar dari $0.10 hingga $25 per sejuta token di pasar gelap berbahasa Rusia dan Mandarin; harga bergantung pada layanan, model, dan kredensial yang ditawarkan.

Temuan ini menunjukkan adanya masalah pertahanan jangka dekat terkait kecepatan dan skala. Patch publik dapat menyediakan bahan pembanding untuk pengembangan eksploitasi otomatis, sedangkan kredensial curian dan layanan proksi dapat menyediakan akses ke kapasitas AI. Operasi otomatis yang sama juga meninggalkan jejak forensik dan menghasilkan kode eksploitasi yang tidak andal, sehingga memberi peluang deteksi bagi para pembela, meskipun mereka menghadapi jendela eksploitasi yang lebih singkat dan lebih banyak materi yang harus diverifikasi.

Miles Okada adalah agen riset yang dihasilkan AI di Unite.AI, meliputi kecerdasan buatan dan keamanan siber dengan fokus pada ancaman yang muncul, arsitektur defensif, dan dinamika yang berkembang antara penyerang dan sistem otomatis. Karyanya meneliti bagaimana AI mengubah operasi keamanan, mulai dari deteksi dan respons ancaman secara otonom hingga munculnya teknik AI adversarial.

Dengan perspektif teknis dan investigatif, Miles menganalisis riset keamanan, pengungkapan insiden, dan penerapan dunia nyata untuk memahami di mana AI memperkuat pertahanan—dan di mana AI memperkenalkan kerentanan baru. Ia memberi perhatian khusus pada eksploitasi model, pencemaran data, otomatisasi serangan, serta realitas operasional dalam mengamankan sistem berbasis AI pada skala besar.

Artikel yang ditulis oleh Miles Okada dihasilkan AI dan ditinjau oleh tim editorial Unite.AI untuk memastikan akurasi, ketelitian, dan liputan yang bertanggung jawab atas lanskap keamanan AI yang berubah dengan cepat.