Адаптивный червь подбирает индивидуальные уязвимости для каждого компьютера
Исследователи машинного обучения из Университета Торонто описали экспериментального компьютерного червя, способного самостоятельно подбирать тактику атаки для каждой новой цели. В отличие от классических вредоносных программ, использующих один заранее заданный эксплойт, такая система анализирует особенности конкретного устройства, формирует гипотезу об уязвимости и корректирует дальнейшие действия с учётом полученных результатов.
Эксперимент проводился в изолированной корпоративной среде FakeCorp. В тестовую инфраструктуру вошли серверы и рабочие станции под управлением Linux и Windows, а также устройства интернета вещей. За 48 часов червь смог распространиться по части сети, используя известные слабые места, но выбирая для разных машин разные сценарии проникновения.
Как устроена система
Ключевая особенность разработки заключается в том, что вредоносная программа не зависит от внешнего командного сервера. После заражения она использует вычислительные ресурсы захваченного устройства, включая GPU, чтобы запускать локальную языковую модель. Эта модель помогает исследовать новые цели, строить планы и подбирать последовательность действий.
Архитектура червя включает два главных элемента:
- локальный компонент с LLM, работающий на доступных графических процессорах;
- агентскую систему, управляющую наблюдением, рассуждениями и действиями.
Агентская часть разделена на несколько функциональных модулей. Ядро отвечает за последовательное принятие решений на основе текущих наблюдений. Модуль памяти хранит сведения о цели, проведённых операциях и промежуточных выводах. Инструментальный слой обеспечивает взаимодействие с удалёнными системами: работу с консольными сеансами, передачу файлов, запуск команд и развёртывание полезной нагрузки.
Память агента организована иерархически. В ней фиксируются текущая стадия атаки, выбранная машина, предполагаемый вектор проникновения, поставленная задача, история команд, результаты наблюдений и допущенные ошибки. Кроме того, система ведёт счётчик попыток, чтобы не повторять бесконечно одни и те же действия против не поддающейся заражению цели.
Работа строится по графу рассуждений. Сначала модель предлагает план, затем анализирует его слабые стороны, уточняет последовательность действий и выбирает следующий инструмент. После выполнения операции агент оценивает результат и решает, следует ли продолжать прежнюю стратегию либо сформировать новую гипотезу. При этом каждый этап получает только необходимую часть контекста, соответствующую текущей фазе жизненного цикла червя.
Чем новая угроза отличается от WannaCry
Традиционные сетевые черви, включая WannaCry, обычно опирались на ограниченный набор известных уязвимостей. Если организация устанавливала нужные обновления или блокировала соответствующие порты, распространение вредоносной программы существенно замедлялось или прекращалось.
Адаптивная система действует иначе. Она может учитывать версию операционной системы, установленные службы, сетевую конфигурацию и реакцию целевого устройства на предыдущие попытки. Поэтому защитнику сложнее заранее определить, какой именно путь атаки будет выбран для следующей машины.
Авторы исследования подчёркивают: внешний наблюдатель не может полностью предсказать, как изменится поведение такого червя при переходе к новой цели. Вредоносная логика не обязана быть зашита в виде единого фиксированного сценария - она может формироваться непосредственно во время атаки.
Экономическая асимметрия в пользу злоумышленника
После первого успешного заражения червь получает доступ к дополнительным вычислительным ресурсам и способен использовать их для поиска новых целей. Это уменьшает расходы атакующей стороны на дальнейшее распространение. Чем больше устройств захвачено, тем выше доступная мощность для локального запуска моделей и анализа сети.
Такая схема создаёт опасную экономическую асимметрию. Защитникам приходится проверять каждую систему, устанавливать обновления, анализировать журналы, изолировать подозрительные узлы и восстанавливать инфраструктуру. Злоумышленнику же достаточно запустить начальный экземпляр вредоносной программы, после чего часть работы выполняет распределённая сеть заражённых устройств.
Почему обнаружить червя всё же возможно
Несмотря на потенциальную опасность, экспериментальная система пока не является идеальным оружием. Агентский червь действует итеративно, совершает ошибки, делает паузы и может многократно повторять неудачные попытки. В результате его активность иногда заметнее, чем у классических червей, которые распространялись автоматически и с высокой скоростью.
Подозрительными признаками могут стать неожиданный запуск локальных моделей, интенсивная нагрузка на GPU, появление неизвестных процессов, нестандартные обращения к сетевым службам и массовая передача файлов между узлами. Дополнительные сигналы - необычные команды в консоли, попытки доступа к нескольким сегментам сети и резкое изменение профиля нагрузки на ранее стабильных устройствах.
Однако обнаружение нельзя строить только на сигнатурах. Если агент меняет последовательность команд и использует разные уязвимости, классические правила могут оказаться недостаточными. Важную роль получают поведенческий анализ, контроль восточно-западного трафика внутри сети и постоянная проверка целостности системных компонентов.
Как снизить риск автономного распространения
Организациям следует ограничивать возможность рабочих станций и IoT-устройств напрямую связываться друг с другом. Сегментация сети сокращает масштаб заражения: даже если один узел будет скомпрометирован, вредоносной программе будет сложнее перейти в соседний сегмент.
Не менее важны своевременная установка обновлений, отключение неиспользуемых служб, многофакторная аутентификация и минимизация прав локальных пользователей. Отдельно необходимо контролировать доступ приложений к GPU и другим ускорителям, особенно на компьютерах, где запуск языковых моделей не предусмотрен рабочими задачами.
Полезной мерой станет централизованный сбор событий с конечных устройств. Система мониторинга должна учитывать не только известные вредоносные файлы, но и цепочки действий: сканирование сети, подбор команд, создание временных файлов, изменение конфигураций и попытки получить доступ к соседним машинам.
Что изменится в будущем
Исследовательская работа не доказывает, что подобные черви уже массово атакуют реальные организации. Тем не менее она показывает принципиальную реализуемость самоподдерживающихся угроз, которые используют локальные языковые модели для анализа окружения и принятия решений.
В дальнейшем к классическим червям вроде SQL Slammer или Conficker могут быть добавлены агентские функции, память, планирование и способность адаптироваться к ответам защитных механизмов. Это сделает атаки менее предсказуемыми и позволит вредоносным программам работать в неоднородных сетях, где одновременно присутствуют разные операционные системы, версии ПО и типы оборудования.
При этом автономность не означает абсолютную эффективность. Модели могут неправильно интерпретировать результаты, выбирать неработающие стратегии или расходовать ресурсы на бесполезные действия. Поэтому ближайшая практическая угроза, вероятнее всего, будет связана не с полностью независимыми цифровыми "роями", а с гибридными атаками, где агент автоматизирует рутинные этапы, а человек управляет наиболее важными решениями.
Авторы исследования считают, что подготовка к таким сценариям должна начаться заранее. Защита будущего будет опираться не только на устранение известных уязвимостей, но и на способность быстро распознавать необычное поведение, изолировать заражённые узлы и не позволять локальным вычислительным ресурсам превращаться в инфраструктуру для дальнейшего распространения атаки.