Cercetătorii Forescout au utilizat Claude AI pentru a adapta un exploit RCE între modele de PLC WAGO. Află costurile, timpul necesar și riscurile pentru industrie.

Securitatea infrastructurilor critice traversează o perioadă de reevaluare profundă, pe măsură ce instrumentele de inteligență artificială generativă pătrund în arsenalul cercetătorilor de securitate și, potențial, al actorilor mal intenționați. Un experiment recent condus de echipa Vedere Labs, parte a Forescout, a scos la iveală limitele și potențialul actual al AI-ului în manipularea sistemelor de control industrial (ICS), în special a controlerelor logice programabile (PLC).

Adaptarea unui exploit între modele de PLC WAGO

Obiectivul cercetătorilor a fost unul precis: portarea unui exploit de execuție remotă a codului (RCE) de la un model de PLC WAGO 750-852 către un alt model, WAGO 750-831. Punctul de plecare a fost vulnerabilitatea identificată sub codul CVE-2021-31886. Aceasta reprezintă un overflow de buffer în serverul FTP Nucleus, care permite unui atacator neautentificat să execute shellcode ARM arbitrar pe dispozitivul țintă.

Pentru a realiza acest transfer de capabilități între hardware-uri diferite, echipa a utilizat Claude Code, oferindu-i acces la un terminal, fișiere de referință, instrumentul de reverse-engineering Ghidra și dispozitivul fizic. AI-ul a început prin a confirma existența vulnerabilității printr-un mix de analiză statică a firmware-ului și probing live, reușind rapid să genereze un payload care a provocat crash-ul PLC-ului. Deși prăbușirea sistemului a confirmat prezența defectului, tranziția de la un simplu Denial of Service (DoS) la o execuție controlată a codului s-a dovedit a fi mult mai complexă.

Costurile reale ale automatizării atacurilor

Contrar narațiunii populare care sugerează că AI-ul poate genera atacuri sofisticate cu o singură comandă, realitatea tehnică este mult mai pragmatică și costisitoare. Procesul de portare nu a fost instantaneu, ci a necesitat o interacțiune constantă între om și mașină. Cercetătorii au raportat că atingerea etapei finale de RCE a durat exact 8 ore și 32 de minute.

Din punct de vedere financiar, utilizarea modelelor Claude Sonnet 4.6 și Claude Opus 4.6 a generat costuri API de 535,74 dolari. Această sumă reflectă volumul mare de date procesate și necesitatea de a itera prompturile pentru a corecta ipotezele eronate ale AI-ului. SecurityWeek a evidențiat faptul că succesul a fost dependent de intervenția umană, care a oferit contextul necesar de dezasamblare atunci când detaliile firmware-ului erau incerte.

Obstacolele tehnice în sistemele closed-source

Provocarea majoră în portarea exploiturilor pentru PLC-uri rezidă în natura lor closed-source. Fără debuggere integrate, atacatorul trebuie să posede o înțelegere profundă a layout-ului memoriei specifice fiecărui firmware și a rutelor de procesare. În cazul experimentului WAGO, AI-ul a întâmpinat dificultăți majore atunci când procesarea standard a protocolului FTP a șters shellcode-ul din buffer.

Pentru a depăși acest blocaj, cercetătorii au fost nevoiți să schimbe modelul de AI către Claude Opus 4.6 și să furnizeze manual contextul de dezasamblare. Doar astfel s-a putut identifica metoda de conservare a buffer-ului, ducând în final la livrarea unor payload-uri UDP care au transmis șirul de caractere PWNED și un payload de echo ICMP, confirmând controlul asupra dispozitivului.

Riscul de distrugere fizică a echipamentelor

Un aspect critic al experimentului a fost tentativa de a extinde exploitul către un implant de Command-and-Control (C2). Aici, AI-ul a demonstrat o lipsă de precizie care poate fi fatală în mediile industriale reale. În încercarea de a scrie date în memoria flash a PLC-ului, AI-ul a efectuat o operațiune incorectă, ceea ce a dus la bricking-ul permanent al dispozitivului de test.

Acest incident subliniază faptul că AI-ul, deși eficient în analiza codului, nu posedă încă o înțelegere instinctivă a riscurilor fizice asociate cu manipularea memoriei hardware, transformând o tentativă de spionaj într-un act de sabotaj neintenționat.

Evaluarea capacităților actuale de AI în cybersecurity

Rezultatele obținute de Vedere Labs sugerează că AI-ul nu înlocuiește expertul în securitate, ci acționează ca un multiplicator de forță. Capacitatea de a reduce timpul de analiză a firmware-ului este evidentă, însă rata de succes rămâne strâns legată de suportul uman. Analiza detaliată a fluxului de lucru arată următoarele etape:

Analiza exploitului existent pentru modelul 750-852, confirmarea vulnerabilității prin probing live, reproducerea crash-ului DoS, corectarea ipotezelor eronate de către om, identificarea cauzei radacinii a ștergerii shellcode-ului și, în final, generarea payload-ului RCE.

Această metodologie, detaliată și pe platforme precum Dev.to, demonstrează că bariera de intrare pentru atacurile asupra sistemelor OT (Operational Technology) scade, dar nu a dispărut complet.

Impactul asupra companiilor și industriei din România

Pentru antreprenorii și managerii de infrastructură din România, acest experiment trimite un semnal clar. Digitalizarea accelerată a fabricilor și a sistemelor de utilități, susținută în parte de fondurile PNRR, aduce cu sine o expunere crescută. Multe companii locale utilizează PLC-uri de generații vechi, care nu au fost proiectate pentru a rezista unor atacuri asistate de AI, unde analiza vulnerabilităților poate fi automatizată parțial.

În contextul implementării AI Act la nivel european, România trebuie să prioritizeze nu doar adopția tehnologiilor AI pentru productivitate, ci și securizarea activelor industriale. Riscul nu mai este doar cel al unui atacator manual, extrem de specializat, ci al unui operator cu competențe medii care utilizează instrumente de AI pentru a adapta exploituri cunoscute la hardware-ul specific utilizat în industria locală.

Digitalizarea IMM-urilor romene trebuie să includă audituri riguroase de securitate pentru segmentul OT. Dependența de sisteme closed-source, așa cum s-a văzut în cazul WAGO, nu mai reprezintă o protecție prin obscuritate. Investițiile în monitorizarea traficului industrial și în segmentarea rețelelor devin imperative pentru a preveni situații în care o eroare de AI sau un exploit portat rapid ar putea opri liniile de producție sau infrastructurile critice de energie și apă.

Întrebări frecvente

---

Surse: Securityweek, Dev, Letsdatascience ·