🤖 AI

LLMs as Hackers: Autonomous Linux Privilege Escalation Attacks

यह शोध पत्र hackingBuddyGPT को पेश करता है, जो लिनक्स प्रिविलेज एस्केलेशन (Linux privilege escalation) के लिए एक स्वायत्त LLM-संचालित प्रोटोटाइप है, और एक नए बेंचमार्क के माध्यम से यह प्रदर्शित करता है कि रिफ्लेक्शन (reflection) और गाइडेंस रणनीतियों से सुसज्जित होने पर GPT-4-Turbo जैसे उन्नत मॉडल, कमजोरियों को एक्सप्लॉइट करने में मानव-तुलनीय सफलता दर प्राप्त कर सकते हैं।

मूल लेखक: Andreas Happe, Aaron Kaplan, Juergen Cito

प्रकाशित 2026-02-12

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Andreas Happe, Aaron Kaplan, Juergen Cito

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

यहाँ इस शोध पत्र "LLMs as Hackers: Autonomous Linux Privilege Escalation Attacks" का सरल भाषा और रचनात्मक उपमाओं के साथ हिंदी अनुवाद दिया गया है।

मुख्य विचार: AI को डिजिटल चोर बनाना सिखाना

कल्पना कीजिए कि आपके पास एक घर (एक कंप्यूटर सिस्टम) है जिसका सामने का दरवाजा बंद है। एक सुरक्षा विशेषज्ञ (पेनेट्रेशन टेस्टर) असली चोर के आने से पहले कमियों को खोजने के लिए अंदर घुसने की कोशिश करता है। आमतौर पर, इसमें एक इंसान हर खिड़की की जांच करता है, चाबियाँ आज़माता है और ढीले फर्श के तख्तों को देखता है।

यह शोध पत्र एक डरावना लेकिन दिलचस्प सवाल पूछता है: क्या एक आर्टिफिशियल इंटेलिजेंस (AI) यह काम अपने आप कर सकता है?

शोधकर्ताओं ने hackingBuddyGPT नामक एक रोबोट चोर बनाया। उन्होंने इसे "प्रशिक्षण घर" (वर्चुअल मशीनें) दिए जिनमें विशिष्ट, ज्ञात कमजोरियां थीं। उनका लक्ष्य यह देखना था कि क्या AI बिना किसी मानवीय मदद के एक साधारण उपयोगकर्ता (अतिथि) से "रूट" (घर के मालिक) बनने तक का सफर तय कर सकता है।

पात्रों का परिचय (AI मॉडल)

शोधकर्ताओं ने अलग-अलग प्रकार के AI "मस्तिष्क" का परीक्षण किया यह देखने के लिए कि सबसे अच्छा चोर कौन है:

लोकल ब्रेन (Llama3-8b): इसे एक समझदार पड़ोस के बच्चे के रूप में सोचें जो आपके बेसमेंट में रहता है। यह मुफ़्त और निजी है, लेकिन इसे दुनिया के बारे में ज्यादा जानकारी नहीं है।
- परिणाम: यह लगभग हर चीज़ में विफल रहा। यह ताला तक नहीं खोल सका। यह बहुत छोटा और अनुभवहीन था।
जूनियर डिटेक्टिव (GPT-3.5-Turbo): यह एक पुलिस अकादमी के छात्र की तरह है। इसे बुनियादी बातें पता हैं और यह आसान मामले सुलझा सकता है, लेकिन यह जटिल पहेलियों में उलझ जाता है।
- परिणाम: इसने मदद मिलने के आधार पर, लगभग 16% से 50% घरों को सुलझाया।
मास्टर डिटेक्टिव (GPT-4-Turbo): यह समूह का शरलॉक होम्स है। इसने लाइब्रेरी की लगभग हर किताब पढ़ी है और यह उन कड़ियों को जोड़ सकता है जिन्हें इंसान मिस कर देते हैं।
- परिणाम: यह अविश्वसनीय रूप से प्रभावी था, इसने 33% से 83% घरों को सुलझाया। थोड़ी सी मदद मिलने पर, इसने एक मानव विशेषज्ञ के समान प्रदर्शन किया।

प्रशिक्षण का मैदान: "हैकिंग जिम"

आप एक चोर को इंटरनेट पर खुला नहीं छोड़ सकते; यह अवैध और खतरनाक है। इसलिए, शोधकर्ताओं ने एक वर्चुअल "हैकिंग जिम" बनाया।

सेटअप: उन्होंने 12 अलग-अलग वर्चुअल घर बनाए। प्रत्येक घर में ठीक एक विशिष्ट कमजोरी थी (जैसे खुली खिड़की, पायदान के नीचे छिपी चाबी, या टूटा हुआ ताला)।
नियम: AI को एक अतिथि के रूप में शुरुआत करनी थी और "रूट" (मालिक) बनने का रास्ता खोजना था। यदि वह सफल होता, तो वह जीत जाता। यदि वह फंस जाता या समय समाप्त हो जाता, तो वह हार जाता।
बेसलाइन: उन्होंने एक वास्तविक मानव हैकर को भी काम पर रखा जिसके पास 7 साल का अनुभव है, जिसने उन्हीं घरों को आज़माया। इंसान ने उनमें से 75% को सुलझाया।

AI ने कैसे घुसपैठ करने की कोशिश की

AI ने केवल अंदाजे से काम नहीं किया। इसने एक लूप (चक्र) का उपयोग किया:

देखना (Look): इसने कंप्यूटर के चारों ओर देखा (जैसे लिविंग रूम की जांच करना)।
सोचना (Think): इसने खुद से पूछा, "मुझे आगे क्या करना चाहिए?"
कार्य करना (Act): इसने एक कमांड टाइप की (जैसे "खिड़की खोलो")।
दोहराना (Repeat): इसने देखा कि क्या हुआ और फिर से कोशिश की।

"हिंट" (संकेत) प्रणाली

कभी-कभी AI फंस जाता था। शोधकर्ताओं ने इसे हिंट्स देने की कोशिश की, जैसे एक शिक्षक फुसफुसाता है, "हे, किचन की दराज चेक करो।"

बिना हिंट के: AI को सुराग खुद ढूंढना पड़ता था।
हिंट के साथ: इसकी सफलता दर काफी बढ़ गई। इसने साबित किया कि AI तब सबसे अच्छा काम करता है जब इंसान उसे एक शुरुआती बिंदु देता है।

अच्छी, बुरी और अजीब बातें

✅ अच्छी खबरें

AI डरावना रूप से बेहतर होता जा रहा है: सबसे अच्छा AI (GPT-4) ने लगभग उतने ही घर सुलझाए जितने एक मानव विशेषज्ञ ने।
यह सस्ता है (ज्यादातर): हालांकि "मास्टर डिटेक्टिव" को चलाने के लिए पैसे लगते हैं, लेकिन यह हर टेस्ट के लिए मानव टीम को काम पर रखने की तुलना में अभी भी सस्ता है।
यह तेज़ है: AI कभी थकता नहीं है, कभी कॉफी ब्रेक नहीं लेता, और 24/7 काम करता है।

❌ बुरी खबरें

इसमें "कॉमन सेंस" की कमी है: AI एक ऐसे रोबोट की तरह है जो निर्देशों का अक्षरशः पालन करता है लेकिन कार्य की भावना को नहीं समझता।
- उदाहरण: यदि AI को कागज के टुकड़े पर पासवर्ड मिलता, तो वह पासवर्ड पढ़ सकता था, उसे कॉपी कर सकता था, और फिर... बस उसे देखता रहता। वह अक्सर पासवर्ड का उपयोग करके लॉग इन करना ही भूल जाता था।
- उदाहरण: वह उस दरवाजे को खोलने की कोशिश करता जो पहले से ही खुला था, या उस दीवार पर दस्तक देता जो स्पष्ट रूप से एक दीवार थी।
यह लूप में फंस जाता है: कभी-कभी, यह एक ही कमांड को 20 बार दोहराता था, इस उम्मीद में कि 21वीं बार में यह काम कर जाएगा, जिससे समय और पैसा बर्बाद होता था।
छोटे मॉडल बेकार हैं: मुफ्त, लोकल AI मॉडल इस काम के लिए बहुत कम बुद्धिमान थे।

🤯 अजीब खबरें

AI "हैलुसिनेट" (भ्रमित) होता है: कभी-कभी, AI ऐसे कमांड बना देता था जो अस्तित्व में ही नहीं थे, जैसे exec_cat (एक बिल्ली को निष्पादित करने वाला कमांड)। वह पूरी तरह आश्वस्त था कि वह सही है, लेकिन वह बस चीजें मनगढ़ंत बना रहा था।
यह त्रुटियों (Errors) को अनदेखा करता है: यदि कंप्यूटर कहता, "Error: Wrong password," तो AI अक्सर उसी गलत पासवर्ड को फिर से आज़माता था, चेतावनी के संकेत को अनदेखा करते हुए।

घुसपैठ करने की लागत

शोधकर्ताओं ने गणित लगाया कि इन घरों को हैक करने के लिए AI की कितनी लागत आती है:

मानव हैकर: लगभग $159 प्रति घंटा।
AI (GPT-4): एक सफल हैक के लिए लगभग $1.50 से$ 11.00, यह इस पर निर्भर करता है कि रणनीति कितनी स्मार्ट थी।
AI (छोटे मॉडल): कौड़ियों के भाव, लेकिन वे लगभग कभी सफल नहीं होते।

अंतिम निर्णय

क्या AI मानव हैकर्स की जगह ले सकता है?
अभी नहीं।

AI एक चेकलिस्ट का पालन करने और हजारों संयोजनों को जल्दी से आज़माने में माहिर है।
इंसान "आउट ऑफ द बॉक्स" सोचने, सूक्ष्म सुरागों को पहचानने और चीजें गलत होने पर कॉमन सेंस का उपयोग करने में बेहतर होते हैं।

भविष्य:
सबसे अच्छा दृष्टिकोण एक टीम-अप (मिलकर काम करना) है। कल्पना कीजिए कि एक इंसान AI को एक उच्च-स्तरीय हिंट दे रहा है ("किचन चेक करो"), और AI दराज में मौजूद हर चाबी को आज़माने का भारी काम कर रहा है। यह संयोजन प्रक्रिया को तेज़, सस्ता और अधिक प्रभावी बनाता है।

यह क्यों मायने रखता है?
यदि बुरे लोग (ब्लैक-हैट हैकर्स) इन AI टूल्स का उपयोग करना सीख जाते हैं, तो वे स्वचालित रूप से लाखों कंप्यूटरों को हैक कर सकते हैं। लेकिन यदि अच्छे लोग (ब्लू टीम) इनका उपयोग करते हैं, तो वे बुरे लोगों से पहले उन छेदों को ढूंढ सकते हैं और उन्हें ठीक कर सकते हैं। यह शोध पत्र चेतावनी देता है: AI चोर पहले से ही दरवाजे पर है; हमें यह सुनिश्चित करने की जरूरत है कि हमारे ताले पर्याप्त मजबूत हों।

यहाँ Empirical Software Engineering (2026) में प्रकाशित शोध पत्र "LLMs as Hackers: Autonomous Linux Privilege Escalation Attacks" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या का विवरण (Problem Statement)

पेनेट्रेशन टेस्टिंग (pen-testing) सिस्टम की कमजोरियों को पहचानने के लिए महत्वपूर्ण है, जिसमें प्रिविलेज एस्केलेशन (उच्च पहुंच प्राप्त करना, आमतौर पर कम विशेषाधिकार वाले उपयोगकर्ता से root तक) एक जटिल और समय लेने वाला उप-कार्य है। जबकि लार्ज लैंग्वेज मॉडल्स (LLMs) मानवीय व्यवहार का अनुकरण करके सुरक्षा कार्यों को स्वचालित करने में आशाजनक दिखते हैं, स्वायत्त (autonomous) लिनक्स प्रिविलेज एस्केलेशन परिदृश्यों में उनकी प्रभावकारिता, सीमाओं और लागत-दक्षता के संबंध में एक अनुभवजन्य समझ की कमी है।

मौजूदा स्वचालित उपकरण (जैसे linpeas, traitor) अक्सर नियम-आधारित होते हैं और उनमें स्थितिजन्य जागरूकता या बहु-चरणीय शोषण (multi-step exploits) के माध्यम से तर्क करने की क्षमता का अभाव होता है। इसके विपरीत, पूर्ववर्ती LLM-आधारित शोध अक्सर 'ह्यूमन-इन-द-लूप' प्रणालियों पर निर्भर थे, जिनमें पुनरुत्पादकता (reproducibility) की कमी थी, या उन्होंने "टॉय" (toy) बेंचमार्क का उपयोग किया जो वास्तविक दुनिया की बाधाओं को प्रतिबिंबित नहीं करते थे। लेखक एक नियंत्रित, पुनरुत्पादक बेंचमार्क के विरुद्ध पूर्णतः स्वायत्त हमलों के प्रदर्शन का मूल्यांकन करके इस अंतर को भरने का लक्ष्य रखते हैं।

2. कार्यप्रणाली (Methodology)

2.1 बेंचमार्क (Testbed)

पुनरुत्पादकता और सुरक्षा सुनिश्चित करने के लिए, लेखकों ने एक नया, ओपन-सोर्स लिनक्स प्रिविलेज एस्केलेशन बेंचमार्क बनाया:

संरचना: विभिन्न वर्चुअल मशीनों (VMs) का एक सेट, जिनमें से प्रत्येक में ठीक एक विशिष्ट भेद्यता (vulnerability) है।
भेद्यता वर्ग (Vulnerability Classes): इसमें SUID/Sudo मिसकॉन्फ़िगरेशन, Docker ग्रुप विशेधिकार, सूचना प्रकटीकरण (फाइलों में पासवर्ड, SSH कुंजियाँ, bash इतिहास), और समय-निर्भर Cron जॉब शामिल हैं।
अलगाव (Isolation): VMs को स्थानीय, एयर-गैप्ड नेटवर्क पर Vagrant/Ansible के माध्यम से प्रावधानित किया गया है ताकि बाहरी संपर्क को रोका जा सके और प्रत्येक रन के लिए एक स्वच्छ स्थिति सुनिश्चित की जा सके।
जटिलता: इसे मानव विशेषज्ञों द्वारा हल करने योग्य (~~75% सफलता दर) लेकिन पारंपरिक स्वचालित उपकरणों (~~16% सफलता दर) के लिए कठिन बनाया गया है।

2.2 प्रोटोटाइप: `hackingBuddyGPT`

लेखकों ने एक पूर्णतः स्वचालित पायथन-आधारित एजेंट विकसित किया जो:

लक्षित VM से SSH के माध्यम से जुड़ता है।
API के माध्यम से LLMs के साथ इंटरैक्ट करता है।
एक नियंत्रण लूप निष्पादित करता है: अवलोकन (कमांड आउटपुट) $\rightarrow$ तर्क (LLM प्रॉम्प्ट) $\rightarrow$ कार्य (अगला कमांड निष्पादित करना)।
क्षमताएं: LLM execute_command या test_credentials का अनुरोध कर सकता है।
संदर्भ प्रबंधन (Context Management): सिस्टम विभिन्न मेमोरी रणनीतियों का समर्थन करता है:
- इतिहास (History): ट्रंकेटेड शेल इतिहास।
- अवस्था (State/Reflection): प्रत्येक चरण के बाद एक LLM वर्तमान "विश्वदृष्टि" और तथ्यों का सारांश बनाता है, जो संदर्भ टोकन बचाने के लिए कच्चे इतिहास (raw history) को बदल देता है।

2.3 मूल्यांकित मॉडल

अध्ययन में विविध रेंज के मॉडल्स का परीक्षण किया गया:

क्लाउड-आधारित: GPT-3.5-Turbo, GPT-4-Turbo (OpenAI)।
ओपन-वेट/लोकल: Llama3-8b (Small Language Model), Llama3-70b (Quantized)।
बेसलाइन: पेशेवर पेनेट्रेशन टेस्टर (7 साल का अनुभव) और पारंपरिक उपकरण (traitor, pwncat-cs)।

2.4 प्रयोगात्मक चर (Experimental Variables)

मार्गदर्शन (Guidance): उच्च-स्तरीय संकेतों (जैसे, "SUID बाइनरी की जाँच करें") बनाम एनुमरेशन-व्युत्पन्न संकेतों (LLM द्वारा lse.sh आउटपुट का सारांश) के प्रभाव का परीक्षण।
संदर्भ आकार (Context Size): 4k, 8k, और 128k टोकन सीमाओं की तुलना।
इन-कॉन्टेक्स्ट लर्निंग (ICL): प्रॉम्प्ट में बाहरी ज्ञान (जैसे, hacktricks दस्तावेज़) को इंजेक्ट करना।

3. मुख्य योगदान

नया बेंचमार्क: एक सार्वजनिक रूप से उपलब्ध, पुनरुत्पादक लिनक्स प्रिविलेज एस्केलेशन बेंचमार्क, जिसमें एकल-भेद्यता वाली VMs शामिल हैं, जो इस डोमेन में मानकीकृत टेस्टबेड की कमी को दूर करता है।
स्वायत्त प्रोटोटाइप: hackingBuddyGPT, एक पूर्णतः स्वचालित एजेंट जो बिना मानवीय हस्तक्षेप के एंड-टू-एंड हमलों को चलाने में सक्षम है।
व्यापक अनुभवजन्य विश्लेषण: मानव विशेषज्ञों और पारंपरिक उपकरणों के विरुद्ध कई LLMs का मात्रात्मक और गुणात्मक तुलना, सफलता दर, टोकन लागत और कमांड गुणवत्ता का विश्लेषण।
रणनीतिक अंतर्दृष्टि: संदर्भ प्रबंधन रणनीतियों (State बनाम History), मार्गदर्शन तंत्र, और आक्रामक सुरक्षा (offensive security) के लिए छोटे भाषा मॉडल्स (SLMs) की व्यवहार्यता का मूल्यांकन।

4. मुख्य परिणाम

4.1 मात्रात्मक सफलता दर

GPT-4-Turbo: उच्चतम प्रभावकारिता प्रदर्शित की।
- बिना सहायता के (Unaided): 33% भेद्यताओं को हल किया।
- उच्च-स्तरीय मार्गदर्शन के साथ: 83% हल किया (मानव विशेषज्ञों के 75-91% के तुलनीय)।
- स्टेट मैनेजमेंट: "रिफ्लेक्शन" पैटर्न (स्टेट का सारांश बनाना) का उपयोग करने से बिना सहायता वाली सफलता दर 33% से बढ़कर 66% हो गई।
GPT-3.5-Turbo: मध्यम प्रदर्शन।
- बिना सहायता के: 16%।
- मार्गदर्शन के साथ: 50%।
Llama3-70b: सीमित सफलता (25-33%), जो यह दर्शाता है कि बड़े ओपन-वेट मॉडल भी मार्गदर्शन के बिना संघर्ष करते हैं।
Llama3-8b: बिना सहायता के 0% सफलता दर; सिंटैक्स और क्षमताओं को भ्रमित (hallucinate) करने में संघर्ष किया।
पारंपरिक उपकरण: केवल 8-16% मामलों को हल किया, जो पुष्टि करता है कि वे जटिल तर्क कार्यों के लिए उन्नत LLMs की तुलना में कम प्रभावी हैं।

4.2 गुणात्मक विश्लेषण और सीमाएं

कमांड की गुणवत्ता: GPT-4 ने सिंटैक्स के रूपतः सही लेकिन कभी-कभी जटिल कमांड उत्पन्न किए। Llama3 अक्सर सिंटैक्स त्रुटियां उत्पन्न करता था या गैर-मौजूद कमांड (जैसे, exec_cat) को भ्रमित (hallucinate) करता था।
सामान्य ज्ञान और तर्क:
- LLMs कालिक निर्भरताओं (जैसे, शोषण के लिए प्रतीक्षा समय की आवश्यकता वाले Cron जॉब) के साथ संघर्ष करते हैं।
- वे अक्सर "लो-हैंगिंग फ्रूट" (जैसे, किसी फ़ाइल में पासवर्ड ढूंढना लेकिन उसे लॉग इन करने के लिए उपयोग करने में विफल रहना) का उपयोग करने में विफल रहे।
- उनमें "अनुभव" की कमी थी (जैसे, यह न जानना कि मानक SUID बाइनरी जैसे passwd का शोषण करना दुर्लभ है), जिससे बर्बाद राउंड हुए।
त्रुटि हैंडलिंग: LLMs अक्सर त्रुटि संदेशों को अनदेखा करते थे या बिना अनुकूलन के विफल कमांड को दोहराते थे।

4.3 लागत विश्लेषण

GPT-4-Turbo: अवस्था प्रबंधन (state management) का उपयोग करके **~ $1.54 प्रति उजागर भेद्यता** की लागत पर मानव-तुलनीय प्रदर्शन प्राप्त किया। यह पेशेवर पेनेट्रेशन टेस्टिंग दरों ($ 159/घंटा) के मुकाबले प्रतिस्पर्धी है जब परीक्षणों की मात्रा पर विचार किया जाता है।
GPT-3.5-Turbo: काफी सस्ता (~$0.43/vuln) लेकिन प्रभावी होने के लिए उच्च-स्तरीय मार्गदर्शन की आवश्यकता थी।
इन-कॉन्टेक्स्ट लर्निंग (ICL): बाहरी ज्ञान जोड़ने से लागत काफी बढ़ गई बिना सफलता दर में महत्वपूर्ण सुधार के, जो बताता है कि मॉडल का आंतरिक ज्ञान इन कार्यों के लिए पर्याप्त है।

5. महत्व और निहितार्थ

स्वायत्त हैकिंग की व्यवहार्यता: यह अध्ययन सिद्ध करता है कि उन्नत LLMs (विशेष रूप से GPT-4) मानव विशेषज्ञों के स्तर के करीब स्वायत्त रूप से प्रिविलेज एस्केलेशन कर सकते हैं, जो दुर्भावनापूर्ण तत्वों द्वारा दुरुपयोग किए जाने पर महत्वपूर्ण सुरक्षा जोखिम पैदा करता है।
रक्षा रणनीति: LLMs के विशिष्ट व्यवहार पैटर्न (जैसे, त्रुटियों को अनदेखा करना, दोहराव वाला एन्यूमरेशन, सामान्य ज्ञान की कमी) सुरक्षा लॉग में AI-संचालित हमलों का पता लगाने के लिए सिग्नेचर के रूप में काम कर सकते हैं।
उपकरणों का विकास: पारंपरिक नियम-आधारित उपकरण आधुनिक हमलों के लिए अपर्याप्त हैं। भविष्य के सुरक्षा उपकरणों को तर्क क्षमताओं (जैसे LLMs) को एकीकृत करने की आवश्यकता है लेकिन बेहतर त्रुटि हैंडलिंग और कालिक तर्क (temporal reasoning) की आवश्यकता है।
मानव-AI सहयोग: पहचाना गया सबसे प्रभावी दृष्टिकोण एक हाइब्रिड मॉडल है: उच्च-स्तरीय योजना/मार्गदर्शन के लिए GPT-4 जैसे शक्तिशाली (लेकिन महंगे) मॉडल का उपयोग करना और कमांड निष्पादन के लिए सस्ते (GPT-3.5) मॉडल का उपयोग करना, या LLM को निर्देशित करने के लिए मानवीय मार्गदर्शन का उपयोग करना।
नैतिक नोट: लेखक इस बात पर जोर देते हैं कि जबकि स्थानीय मॉडल (Llama3-8b) वर्तमान में स्वायत्त हमलों के लिए बहुत कमजोर हैं, क्लाउड मॉडल सक्षम हैं। वे अपने डेटा को "ब्लू टीम" (रक्षक) को इन उभरते खतरों के लिए तैयार करने में मदद करने के लिए जारी करते हैं।

निष्कर्ष

यह शोध पत्र स्थापित करता है कि GPT-4-Turbo वर्तमान में एकमात्र ऐसा LLM है जो मानव पेशेवरों के पैमाने के तुलनीय स्वायत्त लिनक्स प्रिविलेज एस्केलेशन कर सकता है, बशर्ते कि इसे संदर्भ प्रबंधन रणनीतियों (State/Reflection) या उच्च-स्तरीय मार्गदर्शन का समर्थन प्राप्त हो। जबकि स्थानीय मॉडल अभी खतरा नहीं हैं, इन मॉडल्स का तीव्र विकास यह सुझाव देता है कि स्वायत्त आक्रामक क्षमताएं जल्द ही अधिक सुलभ हो जाएंगी, जिससे रक्षात्मक रणनीतियों और पहचान तंत्रों को तत्काल अपडेट करने की आवश्यकता होगी।