Resumen Técnico: APTs Sintéticos y el Colapso de la Atribución Basada en TTP

Planteamiento del Problema

La atribución en la Inteligencia de Amenazas Cibernéticas (CTI) tradicionalmente se basa en la identificación de los Tácticas, Técnicas y Procedimientos (TTPs) únicos de grupos específicos de Amenazas Persistentes Avanzadas (APT). Este modelo presupone que los adversarios dejan huellas operativas distintivas basadas en sus kits de herramientas y patrones de comportamiento preferidos. Sin embargo, a medida que las operaciones cibernéticas impulsadas por IA se vuelven prevalentes, surge una pregunta crítica sobre si los agentes de IA pueden configurarse para emular cualquier grupo APT utilizando un conjunto de herramientas compartido. Si los agentes de IA convergen en técnicas similares independientemente de su perfil asignado, la distintividad requerida para la atribución basada en TTPs puede colapsar, haciendo que la atribución sea significativamente más difícil o imposible.

Metodología

Los autores evaluaron esta hipótesis utilizando su marco de trabajo Cybersecurity SuperIntelligence (CSI), desplegando agentes impulsados por IA en un entorno de rango cibernético controlado y dinámico.

• Diseño Experimental: El estudio consistió en 20 experimentos a través de dos escenarios distintos proporcionados por CYBER RANGES:
  • Escenario A (Empresarial): Una topología de red plana que modela una empresa tecnológica (~20 hosts).
  • Escenario B (Militar): Una topología de infraestructura crítica segmentada y de doble organización (~15 hosts) con aislamiento de red estricto.
• Agentes:
  • Atacantes: Se configuraron cinco perfiles de APT distintos (APT28, APT29, APT41, APT44 y Lazarus Group) utilizando prompts de sistema derivados de su documentación oficial de MITRE ATT&CK. Todos los agentes atacantes utilizaron el modelo Anthropic Claude Opus 4.6.
  • Defensores: Se probaron dos modelos de defensa: Opus 4.6 (confrontación de mismo modelo) y alias2-mini (un modelo local de aproximadamente 30B de parámetros desarrollado por los autores).
• Procedimiento:
  • Los defensores se desplegaron 30 minutos antes que los atacantes para simular un "periodo de gracia" para el endurecimiento (rotación de credenciales, reglas de firewall).
  • Los agentes operaron simultáneamente durante aproximadamente 6 horas.
  • Los experimentos midieron tres dimensiones: Resultado Operativo (hosts comprometidos), Adherencia a MITRE ATT&CK (fidelidad a los perfiles asignados) y Sigilo (tiempo hasta la detección).
• Métricas de Evaluación:
  • Fidelidad: Precisión (técnicas observadas que coinciden con el perfil oficial) y Exhaustividad/Recall (fracción del perfil ejercitada).
  • Convergencia: Análisis de si diferentes perfiles produjeron comportamientos iniciales idénticos.

Contribuciones Clave

1. Primeros Datos Empíricos Controlados sobre la Atribución por IA: Este trabajo proporciona la primera evidencia experimental que cuantifica la convergencia de las técnicas de ataque cuando distintos perfiles de APT son impulsados por el mismo modelo de IA en una infraestructura idéntica.
2. Fidelidad Dependiente de la Fase: El estudio demuestra que la fidelidad de la emulación no es uniforme; está fuertemente condicionada por la progresión de la cadena de ataque (kill chain). Una alta fidelidad (55–80% de precisión) solo se observa cuando los atacantes penetran profundamente en la red (Escenario A), mientras que la contención en el perímetro (Escenario B) resulta en una baja fidelidad (4–8%).
3. Comportamientos Convergentes Emergentes: La investigación identifica comportamientos específicos que emergen de forma independiente en todos los perfiles, notablemente la militarización de la propia plataforma de gestión de endpoints del defensor, Velociraptor, como un canal de Comando y Control (C2). Este comportamiento no estaba codificado en ningún perfil de inteligencia de amenazas.
4. La Topología como el Determinante Dominante: El estudio establece que la topología de red, en lugar del perfil del atacante o la escala del modelo defensor, es el único determinante de los resultados estratégicos en la emulación impulsada por IA.

Resultados

Resultados Operativos

Surgió un patrón binario en los 20 experimentos:

• Escenario A (Empresarial): Los 10 experimentos resultaron en compromiso, con los atacantes obteniendo acceso a 2–12 hosts. El modelo atacante (Opus 4.6) tuvo éxito de manera consistente independientemente del perfil APT o del modelo defensor utilizado.
• Escenario B (Militar): Los 10 experimentos fueron defendidos con éxito o resultaron en estancamientos. La segmentación de red (VLANs, gateways) contuvo a los atacantes en el perímetro, resultando en un compromiso nulo o marginal independientemente del perfil APT o del modelo defensor.

Adherencia a MITRE ATT&CK

• Convergencia de la Fase Inicial: En los 20 experimentos, independientemente del perfil APT asignado, los agentes convergieron en técnicas de fase inicial idénticas: escaneo activo (T1595), descubrimiento de servicios de red (T1046) y fuerza bruta de credenciales (T1110).
• Diferenciación: Los comportamientos específicos del perfil (por ejemplo, Pass-the-Hash para APT28, DCSync para APT29, interceptación de PAM para APT41) solo emergieron en el Escenario A, donde la cadena de ataque progresó a etapas posteriores.
• Precisión: En los experimentos exitosos del Escenario A, las técnicas observadas coincidieron con los perfiles oficiales con una precisión del 55–80%. Sin embargo, 8 de cada 10 experimentos del Escenario A exhibieron un comportamiento convergente (militarización de Velociraptor) que no se mapeaba con ningún perfil de grupo específico.

Sigilo y Detección

• Tiempo de Detección: Los tiempos de detección variaron ampliamente (de 8 minutos a >2 horas), pero la detección fue un mal predictor del resultado. La detección rápida no impidió el compromiso en el Escenario A, mientras que la detección lenta o inexistente en el Escenario B no condujo al compromiso debido a la topología.
• Sigilo Emergente: Los atacantes en el Escenario A frecuentemente secuestraron la plataforma Velociraptor utilizando credenciales preconfiguradas. Esto les permitió ejecutar comandos a través de un canal de gestión de confianza, haciendo que su actividad fuera invisible para la detección a nivel de red.
• Fallo Defensivo: El fallo defensivo más crítico fue la falta de rotación de las credenciales preconfiguradas en las herramientas de seguridad. En cada instancia donde estas no fueron rotadas, los atacantes las militarizaron.

Significado y Reivindicaciones

El artículo argumenta que la barrera de entrada para operar como un APT de nivel estado-nación ha colapsado en la era de la IA. Las implicaciones clave son:

1. Socavamiento de la Atribución Basada en TTP: Debido a que los agentes de IA impulsados por el mismo modelo y conjunto de herramientas convergen en técnicas de fase inicial idénticas y generan comportamientos convergentes novedosos y no documentados (como la militarización de Velociraptor), los defensores no pueden distinguir entre diferentes grupos de amenazas basándose en indicadores tempranos de la cadena de ataque.
2. El "Suelo" frente a la "Huella Digital": El perfil de MITRE ATT&CK documentado pasa de ser una huella digital única que identifica a un actor específico a ser un "suelo" que describe lo que cualquier agente de IA puede reproducir. Un actor de cualquier nación podría desplegar un agente de IA configurado con el perfil de otra nación y producir indicadores consistentes con ese grupo con una precisión del 55–80% sin necesidad de un tradecraft especializado.
3. Consecuencia Geopolítica: Esta convergencia hace que las operaciones de falsa bandera sean trivialmente accesibles para cualquier actor con acceso a modelos de IA, lo que potencialmente desestabiliza los mecanismos de atribución que sustentan las sanciones y las respuestas diplomáticas.
4. Prioridades Defensivas: El estudio sugiere que la segmentación de red y las defensas de movimiento dirigido (específicamente la rotación de credenciales) son más efectivas contra ataques impulsados por IA que la detección y respuesta en tiempo real impulsadas por IA. La escala del modelo (por ejemplo, 30B frente a modelos de frontera) tuvo un impacto insignificante en los resultados estratégicos en comparación con la arquitectura de red.

Los autores conclen que, si bien la emulación impulsada por IA puede reproducir el tradecraft específico de un APT en etapas posteriores, la estandarización de las fases iniciales y la emergencia de comportamientos convergentes desafían fundamentalmente la viabilidad de la atribución tradicional basada en TTPs.