Лідери думок

Що Дійсно Відбувається Під Час Атаки З Використанням Штучного Інтелекту?

mm
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.

Тривалий час галузь кібербезпеки говорила про атаки штучного інтелекту в майбутньому часі. Ми уявляли собі супер-хакерів, які розбирають файрволи з іншопланетною логікою. Реальність, яку ми відкриваємо в наших лабораторіях Simbian, значно менш кінематографічна, але набагато небезпечніша.

Загроза полягає не в тому, що штучний інтелект надзвичайно розумний. А в тому, що штучний інтелект робить експертний рівень наполегливості масштабованим, миттєвим і нескінченно змінним. Він перетворює “маргінальне покращення” скрипта в лавину ентропії, яку жодна команда SOC не може впоратися.

Ось що дійсно відбувається, коли машина бере клавіатуру.

Фаза 1: Розвідка – Ера Контексту

У старому світі розвідка була “спрей і молитва”. Атакувальники купували списки електронних адрес і розсилали загальні шаблони, сподіваючись на 0,1% клікуваність.

У атаці з використанням штучного інтелекту розвідка – це “спір і клон”. Генеративні агенти можуть тепер споживати цифровий слід жертви – публікації в LinkedIn, останні твіти, згадки в новинах і навіть публічні коміти коду – для створення психологічного профілю за секунди. Вони не просто пишуть фішингові електронні листи; вони пишуть контекст.

Агент штучного інтелекту не надсилає загальний “Скинути пароль” посилання. Він бачить, що ви тільки що зробили коміт коду до певного репозиторію GitHub о 2:00 ночі. Він надсилає вам сповіщення в Slack від “Старшого розробника”, який скаржиться на конфлікт злиття в тому ж репозиторії, з посиланням на “виправлення”. Терміновість є сфабрикованою, але контекст реальний.

Інсайт досліджень: У наших симуляціях ми змоделювали цей зсув, регулюючи змінні поведінки користувача на основі якості контексту. Коли ми перейшли від загального фішингу до контекстно-обізнаних приманок (з посиланнями на конкретні внутрішні назви проектів),模ульовані кліки стрибнули з <2% до понад 20%. У підприємстві з 5 000 осіб це різниця між дратівливістю і повені.

Дослідження штучного інтелекту в галузі кібербезпеки

Фаза 2: Виконання – Поліморфний Кошмар

Це місце, де оборона дійсно ламається. Традиційно, якщо атакувальник написав шкідливий скрипт (наприклад, варіант Mimikatz), постачальники безпеки знаходили його, хешували його і блокували його. “Підпис” був щитом.

Генеративний штучний інтелект руйнує концепцію статичного підпису. Атакувальник, озброєний штучним інтелектом, не використовує статичний інструмент. Він використовує агент, який пише інструмент на місці. Якщо агент виявляє сенсор EDR (відповідь на виявлення та реагування на кінцевий пункт), він просто просить свій бекенд LLM: “Перепишіть цю логіку викрадення даних, щоб уникнути цих конкретних API-гуків. Перейменуйте всі змінні. Змініть потік контролю”.

Мета коду залишається ідентичною. Синтаксис змінюється повністю. Для системи оборони, заснованої на правилах, це виглядає як абсолютно нова, раніше невидана програма.

Інсайт досліджень: Ми називаємо ці “Мутантні Атаки.” У наших дослідженнях ми взяли стандартний ланцюжок викрадення даних і використали LLM для генерації 500 функціональних варіантів. Хоча стандартні інструменти виявлення викрили 95% оригінальних скриптів, ставка виявлення впала до ~25% для мутованих версій. Машина не стала розумнішою; вона просто стала шумнішою. І в безпеці шум є найкращим камуфляжем.

Фаза 3: Латеральна Рух – Швидкість Виграшу

Як тільки всередині, швидкість людської реакції стає неважливою. Людський зловмисник рухається обережно, перевіряючи журнали, вводячи команди та роблячи паузи, щоб подумати. Він може перейти до нового сервера за кілька годин.

Агент штучного інтелекту переходить за мілісекунди.

Але швидкість не єдина фактор; це абдуктивне міркування, або висновок до найкращого пояснення. Штучний інтелект досить добре “вгадує” структуру мережі на основі фрагментів. Якщо він бачить сервер з назвою US-WEST-SQL-01, він припускає існування US-EAST-SQL-01 і US-WEST-BAK-01. Він миттєво перевіряє ці гіпотези по тисячам внутрішніх IP-адрес.

Він не потребує бути досконалим. Йому просто потрібно бути швидким. Хоча аналітик SOC ще проводить первинний фішинговий сигнал, штучний інтелект уже змапував контролер домену, ідентифікував сервери резервного копіювання та вивів коронні дорогоцінності організації.

Фаза 4: Вплив – Бомба Ентропії

Остаточна мета атаки з використанням штучного інтелекту не завжди полягає в приховуванні. Іноді це хаос. Ми вступаємо в епоху атак високої ентропії. Агент штучного інтелекту може генерувати 10 000 реалістичних сигналів одночасно – невдалих спроб входу, сканування портів, виконання декойового малвари.

Це “Бомба Ентропії”. Вона затоплює SOC таким великим сигналом, що аналітики страждають від когнітивної перевантаженості. Вони борються з приманками, поки справжня атака відбувається тихо на задньому плані. Виклик для захисника змінюється з “знаходження голки в копі сіна” на “знаходження голки в купі голок”.

Боротьба з Вогнем за Допомогою Вогню

Урок нашого дослідження очевидний: Ви не можете боротися з машиною за допомогою черги квитків.

Якщо атакувальник може ітерувати свій код за секунди, а ваша оборона вимагає, щоб людина написала правило виявлення за години, ви вже програли. Асиметрія математична. Єдиний спосіб вижити в атаці з використанням штучного інтелекту – це мати захисника штучного інтелекту, який працює з тією ж швидкістю – міркує, перевіряє та блокує швидше, ніж атакувальник може мутувати.

Атака еволюціонувала. Оборона тепер також повинна еволюціонувати.

32 5 днів
Від вразливості до експлуатації

12% 54%
Клік-рейт для фішингових електронних листів, створених штучним інтелектом

Дні 1 година
Від первинної компрометації до виведення для топ-20%

Дні 48 хвилин
Медіанний час виходу (латеральний рух)

Нова реальність атак безпеки з використанням штучного інтелекту

Alankrit Chona є головним технічним директором і співзасновником Simbian, керує інженерними роботами для платформи Simbian. Він відігравав піонерську роль у створенні масштабованих, надійних систем на ранніх етапах компаній, таких як Spotnana і Afterpay, а також у великому масштабі в Twitter.