Cairn AI i autonomiczne wykorzystanie podatności zero-day: nowy etap ofensywnych operacji cybernetycznych - Security Bez Tabu

Cairn AI i autonomiczne wykorzystanie podatności zero-day: nowy etap ofensywnych operacji cybernetycznych

Cybersecurity news

Wprowadzenie do problemu / definicja

Autonomiczne systemy ofensywne oparte na sztucznej inteligencji stają się coraz istotniejszym elementem współczesnego krajobrazu zagrożeń. Opisywany przypadek dotyczy frameworka Cairn, otwartoźródłowego narzędzia do automatycznego testowania penetracyjnego z użyciem agentów AI, które potrafią samodzielnie planować kolejne etapy działania, dostosowywać strategię do warunków środowiska i podejmować decyzje bez stałego nadzoru operatora.

Najważniejszym aspektem tej kampanii jest to, że agenci nie ograniczyli się do rekonesansu i prób uzyskania dostępu. W jednym z incydentów samodzielnie odnaleźli i wykorzystali rzeczywistą podatność zero-day, a następnie doprowadzili atak do skutecznego przejęcia systemu.

W skrócie

Zaobserwowana kampania była wymierzona w uczelnie oraz infrastrukturę badawczą w Azji Wschodniej poza Chinami kontynentalnymi. Publicznie dostępna, niechroniona uwierzytelnianiem instancja frameworka Cairn ujawniła konfigurację, prompty, historię działań i wyniki pracy agentów, co pozwoliło odtworzyć przebieg operacji.

  • Agenci działali autonomicznie, realizując cel w postaci uzyskania powłoki systemowej.
  • Operacje obejmowały rekonesans, wykorzystanie błędnych konfiguracji, brute force i eksplorację usług wewnętrznych.
  • W jednym z przypadków wykorzystano podatność path traversal w funkcji uploadu.
  • Atak rozwinięto do zapisu plików na serwerze i uzyskania uprawnień root.

Kontekst / historia

Dotychczas automatyzacja ofensywnych działań bezpieczeństwa kojarzyła się głównie ze skanerami, frameworkami exploitów i orkiestracją testów penetracyjnych. W tym przypadku nowość polega na przeniesieniu ciężaru decyzyjnego z człowieka na agenta AI. Operator określa cel wysokiego poziomu, a system sam wybiera techniki, narzędzia i kolejne kroki eskalacji.

Według opublikowanych ustaleń infrastruktura została wykryta 10 września 2026 roku, a analiza wskazała około 48-godzinne okno aktywności rozpoczęte 8 września 2026 roku. W artefaktach wykonawczych i promptach pojawiały się uproszczone znaki chińskie, a znaczniki czasowe były zgodne z China Standard Time, co może wspierać hipotezę o powiązaniu z aktorem działającym w chińskim ekosystemie językowym i operacyjnym.

Kampania miała charakter wieloetapowy. Agenci przechodzili od prób wykorzystania źle zabezpieczonych usług, przez eksplorację podatności SSRF, po masowe próby logowania na kontach przygotowanych na podstawie publicznie dostępnych danych o pracownikach i badaczach uczelni. To pokazuje, że AI pełniła rolę aktywnego komponentu wykonawczego, a nie wyłącznie narzędzia wspierającego analizę.

Analiza techniczna

W jednym ze scenariuszy agenci natrafili na serwer Redis niewymagający hasła. Następnie przez wiele godzin prowadzili próby uzyskania wykonania kodu lub trwałego dostępu, wykorzystując manipulację replikacją, modyfikacje konfiguracji i poszukiwanie alternatywnych ścieżek wejścia przez inne usługi w tym samym środowisku. Gdy ten wariant nie przyniósł efektu, system autonomicznie przeszedł do kolejnych metod.

W następnym etapie wykorzystano podatność SSRF w serwerze Qdrant do rozpoznania zasobów wewnętrznych. Dzięki temu agenci uzyskali widoczność niedostępnych publicznie elementów infrastruktury i rozpoczęli próby logowania do PostgreSQL, SSH oraz innych usług. Mimo braku powodzenia ta sekwencja potwierdziła zdolność systemu do iteracyjnej adaptacji.

W innym przypadku celem był serwer GPU należący do uczelni. Agenci zebrali około 80 rzeczywistych nazw użytkowników z publicznie dostępnych źródeł, takich jak katalogi kadry, strony laboratoriów, archiwa witryn i publikacje naukowe. Następnie przeprowadzili ponad 30 tysięcy prób uwierzytelnienia przeciwko SSH, serwerowi VPN i portalowi uczelnianemu, łącząc klasyczny OSINT z natychmiastową automatyzacją ataku.

Najpoważniejszy incydent dotyczył otwartoźródłowej aplikacji medycznej wykorzystującej AI. Agenci najpierw zmapowali framework aplikacyjny i punkty końcowe API, a następnie zidentyfikowali endpoint uploadu zawierający parametr nazwy pliku. Test wykazał możliwość path traversal, co doprowadziło do arbitralnego zapisu plików po stronie serwera. Cała ścieżka od rozpoznania API do skutecznego zapisu pliku miała zająć około 11 minut.

Kolejna sesja rozwinęła ten dostęp do pełnego przejęcia systemu. Agenci zapisali reverse shell w pliku sitecustomize.py, automatycznie importowanym przy starcie interpretera Pythona. Następnie uruchomili endpoint treningowy inicjujący nowy proces, co spowodowało załadowanie złośliwego kodu i uzyskanie powłoki z uprawnieniami root. Łańcuch ataku obejmował więc analizę powierzchni ataku, identyfikację błędu logicznego, exploitację, utrwalenie i eskalację bez ręcznego prowadzenia każdego etapu.

Opis wskazuje również na możliwość wtórnego użycia tej samej podatności do uzyskania przyczółka w innej sieci uniwersyteckiej przez tunel proxy. Taki model działania wpisuje się w nowoczesne operacje wieloetapowe, gdzie pojedyncza luka staje się punktem wyjścia do ruchu bocznego i dalszej penetracji infrastruktury.

Konsekwencje / ryzyko

Najważniejszą konsekwencją tego incydentu jest znaczące skrócenie czasu od rekonesansu do skutecznej exploitacji. Jeżeli agent AI potrafi odnaleźć podatność i zamienić ją w działający wektor przejęcia systemu w kilkanaście minut, tradycyjne modele analizy alertów i ręcznej reakcji mogą okazać się niewystarczające.

Drugim problemem jest skala i wytrwałość. Autonomiczni agenci są w stanie wykonywać setki akcji bez przerw, zmęczenia i ograniczeń czasowych. Nawet jeśli jedna technika zawiedzie, system może samodzielnie przejść do następnej, zwiększając liczbę wariantów ataku i utrudniając obronie ocenę, czy ma do czynienia z pojedynczym incydentem, czy z rozbudowaną kampanią.

Trzecie ryzyko to obniżenie progu wejścia do zaawansowanych działań ofensywnych. Otwarty framework połączony z modelami AI może udostępnić złożone łańcuchy ataku podmiotom, które wcześniej nie dysponowały zaawansowanymi kompetencjami red teamowymi.

Szczególnie narażone pozostają środowiska akademickie, badawcze, medyczne i HPC, gdzie często współistnieją niestandardowe aplikacje, serwery GPU, konta badawcze, eksperymentalne usługi i ograniczone zasoby bezpieczeństwa operacyjnego.

Rekomendacje

Organizacje powinny przyjąć założenie, że przeciwnik może działać szybciej, bardziej iteracyjnie i z większą autonomią niż w klasycznych kampaniach. W praktyce oznacza to konieczność wzmacniania detekcji behawioralnej oraz automatyzacji reakcji.

  • Wdrażać reguły wykrywające nietypowe zapisy plików w ścieżkach aplikacyjnych.
  • Monitorować integralność plików takich jak sitecustomize.py i innych artefaktów automatycznie wykonywanych przez interpreter.
  • Testować mechanizmy uploadu pod kątem path traversal i zapisu poza dozwolonym katalogiem.
  • Ograniczać powierzchnię ataku przez silne uwierzytelnianie, segmentację sieci i wyłączenie zbędnych usług.
  • Chronić SSH, VPN i portale administracyjne przy użyciu MFA, limitów prób logowania i analizy ryzyka.
  • Przygotować playbooki reagowania na ataki prowadzone przez agentów autonomicznych, obejmujące izolację instancji, blokowanie reverse shelli i zabezpieczanie artefaktów do analizy powłamaniowej.

Podsumowanie

Przypadek Cairn AI pokazuje, że autonomiczne systemy ofensywne przestają być eksperymentalną koncepcją i stają się realnym narzędziem wykorzystywanym przeciwko organizacjom. Kluczowa zmiana nie polega wyłącznie na użyciu AI, ale na połączeniu samodzielnego planowania, adaptacyjnego podejmowania decyzji oraz zdolności do wykrywania i wykorzystywania podatności zero-day bez bieżącego nadzoru człowieka.

Dla zespołów bezpieczeństwa oznacza to konieczność przesunięcia nacisku z reakcji ręcznej na detekcję wysokiej jakości, automatyzację obrony i maksymalne skrócenie czasu od wykrycia do izolacji incydentu. Organizacje opierające się głównie na manualnym triage’u mogą mieć coraz większy problem z utrzymaniem tempa wobec przeciwników wspieranych przez autonomiczne agenty AI.

Źródła