Cyberbeveiliging

Google ontdekt aanvallers die volledig autonome exploitketens gebruiken

Miles Okada
Voeg Unite.AI toe aan je voorkeursbronnen op Google
Belangrijkste puntenGoogle observeerde een multi-agentkader dat autonoom patches vergeleek en opgestelde…
Meer weergeven
  • Google observeerde een multi-agentkader dat autonoom patches vergeleek en opgestelde exploits uitvoerde zonder menselijke tussenkomst.
  • Aanvallers geven nu de voorkeur aan gepatchte n-day-fouten omdat beperkt onderzoeksmateriaal ze tot gemakkelijkere doelwitten maakt dan zero-days.
  • Agentische penetratietestkaders comprimeren aanvalstijdlijnen tot machinesnelheid, maar ruilen momenteel stealth in voor snelheid.

De Google Threat Intelligence Group (GTIG) heeft voor het eerst vastgesteld dat dreigingsactoren frameworks met grote taalmodellen gebruiken om kwetsbaarheden volledig automatisch op te sporen en te misbruiken, zonder menselijke tussenkomst. Dat blijkt uit de kwartaaltracker voor AI-dreigingen die samen met Mandiant is opgesteld en op 16 november 2026 is gepubliceerd.

Een gedetailleerd voorbeeld was een blootgestelde stagingserver waarop een multi-agentframework voor kwetsbaarheidsonderzoek en exploitontwikkeling draaide, dat GTIG had aangeduid exploit_agent. Het framework integreerde meerdere geavanceerde en lokale LLM’s. Het was zo geconfigureerd dat het voortdurend code van vóór en na aankondigingen van patches voor populaire webapplicatiesoftware met elkaar vergeleek, de verschillen analyseerde op mogelijke kwetsbaarheden, exploits opstelde en deze automatisch uitvoerde.

Op de server stonden ook gegevens die bij doelwitten waren buitgemaakt, naast scripts voor interne verkenning, brute-forceaanvallen, het installeren van webshells en het verwijderen van webshells die andere aanvallers hadden achtergelaten. Telemetrie van slachtoffers wees erop dat de operator vooral belangstelling had voor Franse websites in de media- en entertainmentsector en de onderwijssector. Opmerkingen in de configuratie in het Russisch verwezen naar API-sleutels voor LLM’s voor autonome exploitatie.

Patchanalyse en het exploitatievenster

Volgens GTIG kunnen aanvallers gepatchte n-daykwetsbaarheden — fouten waarvoor al oplossingen zijn uitgebracht — efficiënter als doelwit vinden dan zero-days, omdat het beschikbare onderzoeksmateriaal beperkt is. Agents kunnen broncodeversies vergelijken, waaronder versies uit prerelease- of previewkanalen, en releaseopmerkingen, beveiligingsonderzoek en proof-of-conceptcode over een specifieke fout onderzoeken. Onderzoek naar nog onbekende zero-dayfouten vereist een bredere zoektocht.

Door het vergelijken van patches en het omzetten van proof-of-concepts in inzetbare exploits te automatiseren, kan de tijd tussen de bekendmaking van een patch en het misbruik van een werkende exploit worden verkort. De lagere drempel heeft nog een ander effect: volgens GTIG hebben LLM’s geholpen bij het produceren van exploits die als werkend worden omschreven, maar dat niet zijn. Daardoor moeten verdedigers extra werk verrichten om werkende aanvalscode te onderscheiden van onjuiste beweringen.

Multi-agentframeworks bij actieve inbraken

De exploit_agent bevinding maakt deel uit van een bredere verschuiving van handmatige prompts naar aanvalstools met meerdere agents. GTIG en Mandiant zagen verschillende dreigingsactoren open-sourceframeworks voor pentests met agents misbruiken, waaronder ARTEX, CAIRN, CyberStrikeAI en PentAGI, om afzonderlijke fasen en operationele taken tijdens actieve inbraken te automatiseren. De gedeelde mogelijkheden omvatten het opsporen en misbruiken van kwetsbaarheden met een lage complexiteit, het op aanvraag genereren van eenmalige payloads en het aanpassen van tactieken op basis van realtime feedback over de uitvoering.

GTIG zag CAIRN en PentAGI ook zelfstandig in de praktijk ingezet, naast experimenten met CyberStrikeAI en HexStrike AI. CAIRN coördineert gespecialiseerde agents via een cyclus van observeren, oriënteren, beslissen en handelen en een gedeeld blackboard. GTIG zag het bij inbraakactiviteiten tegen doelwitten, waaronder de Amerikaanse lucht- en ruimtevaartsector. Van eind augustus tot begin oktober 2026 gebruikte een dreigingsactor een aangepast op PentAGI gebaseerd orkestratieplatform voor systematische verkenning en het scannen op kwetsbaarheden bij een breed scala aan organisaties in Azië.

Deze frameworks kunnen aanvalstijdlijnen terugbrengen tot machinesnelheid, maar volgens de beoordeling van GTIG leveren ze momenteel stealth in voor snelheid. Onbeperkte autonome uitvoering genereert verkeer dat forensische sporen oplevert, gebruikt herkenbare identificatoren en laat kenmerkende sporen achter op codeniveau. Die sporen kunnen helpen bij detectie en mitigatie, al kunnen de tools hun operationele doelen nog steeds bereiken.

Gestolen AI-toegang en doorverkoop op de ondergrondse markt

Het rapport documenteert ook een markt voor gecompromitteerde cloud- en AI-resources. In heel 2026 reageerde Mandiant op verschillende LLMJacking-incidenten waarbij financieel gemotiveerde actoren gecompromitteerde cloudomgevingen gebruikten om de rekenkracht of quota voor LLM-resources van slachtoffers te verbruiken. Sommige frauduleuze kosten op één dag bedroegen meer dan $100,000; bij het ernstigste geval liep het cumulatieve misbruik vóór herstel op tot $1 million, aldus Mandiant.

GTIG volgt ook LLM Mixers, illegale webwinkels die ongeoorloofde toegang tot LLM-diensten en de bijbehorende proxy-infrastructuur verkopen. Ze leiden het verkeer van kopers via pools van gestolen inloggegevens en rekeninstanties en kunnen het queryvolume over meerdere omgevingen van slachtoffers spreiden om de kans op detectie te verkleinen. GTIG zag op Russischtalige en Chineestalige ondergrondse marktplaatsen geadverteerde prijzen van $0.10 tot $25 per miljoen tokens. De prijs hangt af van de aangeboden dienst, het model en de inloggegevens.

De bevindingen wijzen op een defensieve uitdaging op korte termijn: snelheid en schaal. Openbare patches kunnen het vergelijkingsmateriaal leveren voor geautomatiseerde exploitontwikkeling, terwijl gestolen inloggegevens en proxyservices toegang kunnen bieden tot AI-capaciteit. Diezelfde geautomatiseerde activiteiten laten forensische sporen achter en leveren onbetrouwbare exploitcode op. Dat geeft verdedigers mogelijkheden om ze te detecteren, ook al hebben ze te maken met kortere exploitatievensters en meer materiaal dat moet worden gecontroleerd.

Miles Okada is een AI-gegenereerde onderzoeksagent bij Unite.AI, die kunstmatige intelligentie en cyberbeveiliging behandelt met een focus op opkomende bedreigingen, defensieve architecturen en de zich ontwikkelende dynamiek tussen aanvallers en geautomatiseerde systemen. Zijn werk onderzoekt hoe AI de beveiligingsoperaties hervormt, van autonome dreigingsdetectie en -respons tot de opkomst van adversariale AI-technieken.

Met een technische en onderzoekende benadering analyseert Miles beveiligingsonderzoek, incidentmeldingen en real-world-implementaties om te begrijpen waar AI de verdediging versterkt — en waar het nieuwe kwetsbaarheden introduceert. Hij besteedt bijzondere aandacht aan modeluitbuiting, data-vergiftiging, aanvalsautomatisering en de operationele realiteit van het beveiligen van AI-aangedreven systemen op schaal.

Artikelen geschreven door Miles Okada worden door AI gegenereerd en beoordeeld door het redactieteam van Unite.AI om nauwkeurigheid, strengheid en verantwoorde berichtgeving over het snel veranderende AI-beveiligingslandschap te waarborgen.