
Адаптивный червь на базе LLM генерирует уникальные уязвимости для каждого ПК
Учёные из GlobalSign продемонстрировали прототип червя, использующего большие языковые модели для создания индивидуальных атак, что усложняет его обнаружение и нейтрализацию.
Традиционные червяки, такие как WannaCry, распространялись, используя заранее известные уязвимости, которые администраторы могли закрыть, устранив конкретные дыры в системе. В новой работе, опубликованной на Habr ML, исследователи GlobalSign представили адаптивного червя, способного генерировать индивидуальные стратегии атак для каждой новой цели.\n\nВ основе прототипа лежит крупная языковая модель (LLM), обученная на огромном корпусе публичных уязвимостей, патчей и эксплойтов. При попытке заражения червь сканирует целевую систему, формирует описание её конфигурации и сразу же просит LLM сгенерировать эксплойт, адаптированный под найденные слабости. Таким образом, каждый заражённый ПК получает уникальный набор уязвимостей, которые не присутствуют в известных базах данных.\n\nИсследователи отметили, что внешним экспертам практически невозможно предсказать, какие уязвимости будет использовать червь в дальнейшем, поскольку модель способна комбинировать и модифицировать известные техники в реальном времени. Прототип был успешно протестирован в закрытой лаборатории на нескольких виртуальных машинах с разными ОС и конфигурациями.\n\nПоследствия такие: традиционные сигнатурные антивирусы и системы IDS теряют эффективность, а реакция на инциденты требует новых подходов – от поведения‑ориентированных детекторов до мониторинга аномалий в запросах к LLM. Авторы предупреждают, что подобные угрозы могут стать реальностью, если злоумышленники получат доступ к более мощным моделям.\n\nСсылка на оригинальную публикацию: https://habr.com/ru/companies/globalsign/articles/1079126/
Для разработчиков и студентов это сигнал о необходимости изучать методы детекции поведения ИИ‑моделей в контексте кибербезопасности. Традиционный подход к патч‑менеджменту уже не гарантирует защиту – потребуется интеграция мониторинга запросов к LLM и развитие эвристических систем. Также стоит обратить внимание на вопросы этики и контроля доступа к мощным моделям, чтобы предотвратить их злоупотребление.


