Forescouti uuring näitab, kuidas Claude AI aitas adapteerida PLC-ründamist. Kas tehisintellekt muudab kriitilise infrastruktuuri haavatavama ja kui palju see maksab?

Küberturvalisuse maailmas on tehisintellekti rolli arutelu liigunud kiiresti teoreetilist hirmust praktilise testimiseni. Viimane eksperiment, mille läbi viisid Forescouti Vedere Labsi uurijad, annab selge pildi sellest, kus AI praegused võimekused lõppevad ja kus algab inimlik ekspertise kriitiline vajadus. Tegemist oli katsega, mille eesmärk oli kasutada Anthropic'i Claude AI-t, et adapteerida juba olemasolev koodi kaugsisest täitmise (RCE) eksploat ühe programmeeritava loogika kontrolleri (PLC) mudelilt teisele.

Kuidas AI-ga ründamist adapteeriti

Eksperimendi lähtepunktiks oli tuntud haavatavus CVE-2021-31886, mis puudutab WAGO 750-852 PLC mudelit. Tegemist on Nucleus FTP serveri puhvri ületajaga, mis võimaldab autentimata ründajale käivitada ARM shellcode'i sihtseadmel. Uurijate soov oli näha, kas tehisintellekt suudab selle ründamismeetodi üle kanna sarnasele, kuid tehniliselt erinevale mudelile – WAGO 750-831.

Selleks ei kasutatud pelgalt vestlusti, vaid Claude Code'i, millele oli antud ligipääs terminalile, viidistustaille, pöördriskoodi analüüsi tööriistale Ghidra ning füüsilisele sihtseadmele. AI-le kletiti ette nii olemasolev eksploat kui ka WAGO 750-831 firmware V01.04.16. Protsess algas haavatavuse kinnitamisega, kus AI kombineeris staatilise firmware analüüsi ja reaalajas sondimist, et genereerida payload, mis pani PLC-sse kokkujärjekorra.

Inimlik kontroll on endiselt asendamatu

Kuigi algne seadme crashimine oli lihtne etapp, osutus täieliku RCE-funktsionaalsuse saavutamine keerukamaks. AI ei suutnud iseseisvalt ületada kõiki takistusi, mis tulenevad suletud lähtekoodiga manuseadmete spetsiifilisest mäluloogikast. See tähendas, et eksperdid pidid pidevalt sekkuma, korrigeerima valesti tehtud hüpotesi ja pakkuma lisakonteksti Ghidra disassembleri kaudu.

Oluliseks pöördepunktiks oli hetk, mil standardne FTP-protsess nullis välja shellcode'i. Selle probleemi tuvastamine ja lahendus nõudis liikumist Claude Sonnet 4.6 mudelilt Claude Opus 4.6 mudelile, et saavutada sügavama analüüsi tase. Lõppresultaatina sai siiski toimiv eksploat, mis saatis UDP-pakettide kaudu ICMP echo payloadi ja teksti PWNED.

Kulu ja aeg: AI ei ole tasuta ega kiire

Üks levinuseim müüt on see, et AI muudab küberründamised ühe nupuvajutusega tegevuseks. Vedere Labsi andmed lükkavad selle väite lühemate eksperimentide puhul kõrvale. RCE-etapi saavutamine nõudis täpsetelt 8 tundi ja 32 minutit intensiivset tööd. See ei olnud aeg, mille AI kulutas arvutades, vaid aeg, mille jooksul inimene ja masin koostööd tegid.

Finantsküljel oli eksperiment samuti märgatav. API-kasutuse kulud tõusid summale 535,74 dollarit. See näitab, et keeruliste, spetsiifiliste ja madala taseme koodianalüüside puhul on tehisintellekti kasutamine ressursside poolt kallim kui tavaline tekstigenerimine. Töövoog näitas, et AI on tõhus assistent, kuid mitte autonoomne ründaja.

Kriitiline viga ja seadme hävitamine

Eksperimendi kõige õpetlikum osa algas siis, kui uurijad püüdistsid laiendada RCE-t täisväärtuslikuks juhtimisimplandiks (C2 implant). See etapp nõudis kirjutamist seadme flash-mälusse. Just siin ilmnes AI piirangutena puuduv sügav arusaam füüsilisest riistvarast ja mälujärjekorrast.

AI tegi flash-mälusse vale kirjutamise, mille tulemusena muutus PLC pöletatud seadmeks (bricked), raigates selle pöördumatult.

See insident tõstis esile olulise riski: AI võib genereerida koodi, mis näib loogiline, kuid on füüsiliselt hävitav. Tööstuskeskkonnas, kus seadmete rikkumine võib tähendada tootmise peatumist või ohutuse kadumist, on selline unpredictability kriitiline riskitegur.

Tööstusautomaatika kaitse uuel tasemel

Selle uuringu tulemused on olulised, sest nad rõhutavad OT-turvalisuse (Operational Technology) spetsiifisust. Erinevalt IT-süsteemidest, kus on palju standardiseeritud tarkvara, on PLC-d sageli suletud süsteemid ilma debuggeritega. See tähendab, et ründaja peab mõistma täpselt, kuidas mäluloogika konkreetse mudeli puhul toimib.

Kuigi AI suudab nüüd kiirendada teatud etappe, nagu koodi analüüsi või algse payloadi loomise, on lõplik edu endiselt sõltuv eksperdi oskustest. Kaitsepoole tähendab see, et haavatavuste patching ja firmware'i uuendamine on endiselt esmapaigutine kaitsemeetod, kuna AI suudab kiiremini leidud haavatavusi uutele mudelitele adapteerida, kui seda varem juhtus.

Mida see tähendab Eesti ja Balti riikide ettevõtetele

Eesti ja Baltiumi riigid on tuntud oma kõrge digitaliseerimisastme poolest, kuid see teeb meid samas haavatavaks küberrünnakute suhtes, mis sihtivad kriitilist infrastruktuuri. Eestis, kus e-riigi mudel on sügavalt integreeritud, on OT-turvalisus (energiatransport, veevärgid, logistika) riikliku julgeoleku küsimus. Forescouti raport on hoiatus kohalikele ettevõtjatele, kes kasutavad tööstusautomaatikat.

Euroopa Liidu AI Act seab raamid tehisintellekti kasutamisele, kuid see ei takista pahasuvatumuse ründajaid. Balti riikide ettevõtetele tähendab see, et on aeg liikuda passiivsest kaitseest aktiivse monitoringi poole. Kui AI suudab nüüd tunde jooksul adapteerida eksploate, ei ole enam piisav loota vaid tootja uuendustesse.

Kohalikule ekosüsteemile on oluline mõista kolme asja: esiteks, et AI ei asenda kübereksperte, kuid muudab nende töö kiiremaks; teiseks, et vananenud PLC-seadmed on suurema riski all kui kunagi varem; ja kolmandaks, et e-Estonia küberkaitse strateegia peab hõlmama ka füüsiliste seadmete (OT) sügavat analüüsi, mitte ainult tarkvaralisi kihte. Balti riikide väike kuid agile ettevõtluskeskkond peaks investeerima just sellisesese 'AI-vastase' kaitseanalüüsi arendamisse, et vältida infrastruktuuri pöletamist või juhtimist väljastpoolt.

Korduma kippuvad küsimused

---

Allikad: Securityweek, Dev, Letsdatascience ·