💻 computer science

COHORT: Collaborative Orchestration for Hardening via Offensive Replay on Emulated Topologies

COHORT è un framework multi-agente end-to-end basato su LLM che automatizza la generazione e la validazione di mitigazioni di rete deployabili implementando configurazioni candidate su topologie emulate ad alta fedeltà e testandole rigorosamente attraverso il replay offensivo e controlli di connettività per garantire che interrompano attacchi specifici senza interrompere il traffico legittimo.

Autori originali: Chen Frydman, Aviram Zilberman, Rubin Krief, Abed Showgan, Andres Murillo, Sekiya Motoyoshi, Asaf Shabtai, Yuval Elovici, Rami Puzis

Pubblicato 2026-06-30

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Chen Frydman, Aviram Zilberman, Rubin Krief, Abed Showgan, Andres Murillo, Sekiya Motoyoshi, Asaf Shabtai, Yuval Elovici, Rami Puzis

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina che la rete informatica di un'azienda sia come un enorme e frenetico edificio per uffici. Un giorno, un ladro (un criminale informatico) riesce a entrare. Di solito, quando accade questo, il team di sicurezza deve passare settimane a capire come escludere il ladro senza però bloccare accidentalmente i dipendenti dai propri uffici. È un gioco delicato e ad alta posta in gioco di "e se...", e farlo sull'edificio reale è troppo rischioso perché, se si commette un errore, l'intera attività si ferma.

COHORT è un nuovo sistema automatizzato progettato per risolvere questo problema. Pensa a COHORT come a un super-intelligente "sandbox" virtuale o un laboratorio di simulazione.

Ecco come funziona COHORT, suddiviso in concetti semplici:

1. Il Gemello Virtuale (Il Sandbox)

Invece di testare le correzioni sulla rete reale, COHORT costruisce una copia digitale perfetta e tecnologicamente avanzata dell'ufficio. Questa non è solo un disegno; è una simulazione attiva che utilizza le stesse regole di software e hardware del mondo reale (come veri firewall e router).

Analogia: Immagina un simulatore di volo per piloti. Possono far schiantare un aereo cento volte nel simulatore senza che nessuno si faccia male. COHert è il simulatore di volo per la sicurezza di rete.

2. Il Team di Specialisti AI (Gli Agenti)

COHORT non usa un solo cervello AI; usa un team di agenti AI specializzati, ognuno con un compito specifico, che lavorano insieme come una macchina ben oliata:

Il Suggeritore (The Suggester): Questo agente osserva il piano d'azione del ladro e dice: "Ehi, se blocchiamo questo corridoio, il ladro non potrà passare".
L'Implementatore (The Implementer): Questo agente prende quell'idea e scrive effettivamente i comandi di codice specifici necessari per bloccare quel corridoio sui dispositivi virtuali.
Il Critico (The Critic): Questo è l'editor severo. Prima che la correzione venga testata, il Critico revisiona il codice. "Aspetta, hai chiuso la porta sbagliata!" oppure "Quel comando ha un errore di battitura". Se c'è un problema, lo rimanda all'Implementatore per correggerlo. Continuano a fare cicli finché la correzione non è perfetta.
Il Giudice (The Judge): Una volta che la correzione è pronta, il Giudice riporta lo stesso ladro all'interno dell'edificio virtuale per vedere se il nuovo blocco funziona davvero.
Il Riassuntore (The Summarizer): Questo agente scrive un rapporto per gli umani, spiegando cosa è successo in un linguaggio semplice.

3. Il "Ripetere l'Attacco" (The Thief Replay Test)

Questa è la parte più importante. In passato, i sistemi di sicurezza potevano ipotizzare se una correzione funzionasse basandosi su calcoli o regole. COHORT fa qualcosa di diverso: riproduce l'attacco.

Analogia: Immagina di installare un nuovo chiavistello su una porta. Invece di limitarti a controllare se la serratura sembra robusta, assumi lo stesso identico ladro che era entrato in precedenza e gli dici di riprovare la porta. Se il ladro non riesce a entrare, e i dipendenti possono ancora passare attraverso la porta per raggiungere le loro scrivanie, la correzione è un successo.

4. La Regola "Non Rompere l'Ufficio"

Un obiettivo principale di COHORT è assicurarsi che la correzione non escluda accidentalmente i "buoni".

Il Controllo: Prima che una correzione venga accettata, il sistema interroga automaticamente la rete interna e prova a visitare un sito web. Se la correzione blocca il ladro ma impedisce anche ai dipendenti di inviare email o caricare pagine web, il sistema la rifiuta immediatamente.

5. Stratificare le Difese (L'Effetto Cumulativo)

A volte un singolo blocco non è sufficiente. COHORT può sovrapporre più blocchi riusciti l'uno sull'altro.

Analogia: È come aggiungere un chiavistello, poi una catena, poi una telecamera di sicurezza. Il sistema testa ogni nuovo strato sopra quello precedente per assicurarsi che funzionino insieme e che non si annullino a vicenda.

Cosa hanno scoperto?

I ricercatori hanno testato questo sistema contro quattro diversi tipi di attacchi informatici (come ransomware, furto di dati e diffusione nella rete) su tre diverse dimensioni di edifici per uffici virtuali.

Il Risultato: Il team multi-agente (Suggeritore + Implementatore + Critico) è stato 4,4 volte più efficace nel trovare correzioni funzionanti rispetto a un singolo agente AI che cerca di fare tutti i lavori da solo.
Tasso di Successo: Circa il 47% delle correzioni generate dal team ha fermato con successo l'attacco e ha mantenuto l'ufficio operativo.
Il Limite: Attualmente il sistema è testato su computer Linux e tipi specifici di hardware di rete. È progettato per attacchi "scriptati" (dove il ladro segue un piano noto), non per un ladro abbastanza intelligente da cambiare strategia istantaneamente quando vede un nuovo blocco.

In Sintesi

COHORT è un "campo di allenamento" per la difesa informatica. Utilizza un team di specialisti AI per inventare, costruire e testare correzioni di sicurezza in un mondo virtuale sicuro. Permettendo all'AI di ripetere l'attacco ripetutamente, trova soluzioni che fermano i cattivi senza bloccare accidentalmente i buoni, risparmiando agli esperti umani settimane di pericolosi tentativi ed errori.

Sintesi Tecnica: COHORT – Collaborazione per l'Orchestrazione di Hardening tramite Replay Offensivo su Topologie Emulate

1. Definizione del Problee

Mitigare un avversario specifico in una rete aziendale è tradizionalmente un processo lento e dipendente dall'esperto. Richiede che un analista derivi una mitigazione su misura, la validi senza interrompere la produzione e verifichi che essa interrompa l'attacco specifico. Questo flusso di lavoro è limitato da due colli di bottiglia primari:

Dipendenza dall'Esperto: Il processo si affida pesantemente al giudizio umano per sintetizzare nuovi controlli, piuttosto che fare affidamento su playbook curati.
Rischio di Produzione: Le regolazioni sperimentali alle regole del firewall, alle policy di routing o alle configurazioni degli host non possono essere esercitate in sicurezza sulle reti di produzione reali a causa del rischio di compromettere le operazioni legittime.

Gli strumenti esistenti (IDS/IPS, SIEM, SOAR) tipicamente eseguono risposte curate per pattern noti o validano la copertura di rilevamento tramite simulazione di attacchi (BAS) contro reti non modificate. Non sintetizzano autonomamente nuove mitigazioni deployable né le validano rieseguendo l'avversario osservato contro la rete modificata.

2. Metodologia: Il Framework COHORT

COHORT è il primo framework end-to-end progettato per generare, distribuire e validare autonomamente mitigazioni deployable contro un avversario specifico osservato. Opera interamente all'interno di un ambiente emulato ad alta fedeltà per evitare l'esposizione della produzione.

Architettura Core

Il framework utilizza un workflow di Large Language Model (LLM) multi-agente con decomposizione dei ruoli che opera su un emulatore GNS3 che avvia firmware reali di vendor (FortiGate, Cisco IOS, Open vSwitch). L'avversario è emulato utilizzando Caldera che esegue azioni allineate a MITRE ATT&CK.

Il workflow consiste nei seguenti agenti specializzati:

Mitigation Suggester (Suggeritore di Mitigazione): Analizza il report operativo dell'avversario e la topologia di rete per proporre strategie di controllo riutilizzabili a livello enterprise (es. segmentazione, vincoli di routing).
Mitigation Implementer (Implementatore di Mitigazione): Traduce la strategia selezionata in comandi concreti di configurazione del dispositivo entro un budget di comandi limitato.
Critic (Critico): Esamina l'implementazione prima del replay per identificare errori di configurazione, violazioni di policy o deviazioni dall'intento. Questo innesca un ciclo iterativo implementazione–critica (fino a $K$ iterazioni) per raffinare la configurazione prima che venga accettata o scartata.
Judge (Giudice): Valuta l'esito riproducendo lo stesso avversario contro la rete mitigata. Confronta l'Attack Step Success Rate (ASSR) della corsa mitigata rispetto alla baseline non mitigata.
Summarizer (Sintetizzatore): Produce un artefatto leggibile dall'uomo del processo.

Meccanismi di Validazione

La validazione si basa sul replay offensivo piuttosto che su simulazioni astratte o proxy esperti. Una mitigazione è considerata efficace solo se soddisfa due criteri:

Interruzione dell'Attacco: Riduce strettamente l'Attack Step Success Rate (Efficacia della Mitigazione, $ME > 0$).
Preservazione della Connettività: Supera due probe indipendenti dall'host compromesso: un ping LAN verso un target interno e una richiesta HTTP verso un endpoint internet.

Inoltre, il framework supporta la Valutazione Cumulativa, dove le mitigazioni approvate vengono sovrapposte a uno stato di rete persistente per misurare gli effetti composti e prevenire regressioni.

3. Contributi Chiave

Framework Autonomo End-to-End: COHORT affronta sia il collo di bottiglia della conoscenza esperta che quello del rischio di produzione. Genera e valida autonomamente le mitigazioni utilizzando comandi di dispositivi reali in un emulatore ad alta fedeltà, eliminando la necessità di sintesi umana durante la fase di generazione.
Decomposizione Multi-Agente: Il paper dimostra che scomporre il workflow in ruoli specializzati (Suggester, Implementer, Critic) supera significativamente la baseline a singolo agente.
Ciclo di Critica Iterativo: L'inclusione di un agente Critic che raffina le configurazioni prima del replay è mostrata essere una componente critica per il successo del sistema.
Valutazione della Mitigazione Cumulativa: Il framework introduce un meccanismo per impilare le difese su uno stato persistente, rivelando effetti composti che la valutazione per singola mitigazione perde.

4. Risultati Sperimentali

Il framework è stato valutato su tre topologie aziendali (Piccola, Media, Grande) e quattro scenari di attacco (Ransomware, Movimento Laterale, Esfiltrazione DNS, Furto di Dati), utilizzando GPT-5.4 mini come modello sottostante.

Mitigation Success Rate (MSR - Tasso di Successo della Mitigazione): Il framework multi-agente ha raggiunto un MSR complessivo del 46,7%. Si tratta di un miglioramento di 4,4 volte rispetto alla baseline a singolo agente (10,7%) che utilizza lo stesso modello e accesso agli strumenti.
- Decomposizione del Miglioramento: La specializzazione dei ruoli (Multi-Agente senza Critic) ha rappresentato circa il 75% del guadagno (38,6% MSR), mentre il ciclo di critica iterativa ha contribuito con il restante 25%.
Efficacia Cumulativa: Quando le mitigazioni approvate sono state impilate, il sistema ha raggiunto un plateau di circa il 52% di riduzione degli step di attacco alla quarta difesa.
Indipendenza dalla Topologia: Non è stata rilevata alcuna differenza statisticamente significativa nell'MSR tra le topologie piccola, media e grande.
Categorie di Mitigazione:
- I controlli centrati sull'host (es. Hardening dell'Host, Controllo delle Applicazioni) hanno dominato sia in volume che in efficacia (es. il Controllo delle Applicazioni ha raggiunto un Mimento MSR dell'82,1%).
- Il filtraggio basato sulla rete è stata la seconda categoria più comune per volume ma ha avuto un basso tasso di successo (5,8%). I fallimenti sono stati principalmente dovuti a regole posizionate nel salto di rete errato, valutate nell'ordine errato, o che non tenevano conto di intermediari nascosti, piuttosto che a un intento errato.

5. Significato e Ambito

Il paper sostiene la sua importanza come primo framework in grado di chiudere il cerchio tra emulazione dell'avversario, generazione di configurazioni di dispositivi reali e validazione tramite replay offensivo. Confinando la sperimentazione in un emulatore ad alta fedeltà, consente la derivazione sicura di mitigazioni deployable che sarebbero altrimenti troppo rischiose da testare sulle reti di produzione.

Limitazioni e Ambito:
Gli autori dichiarano esplicitamente che i risultati non si generalizzano a:

Avversari adattivi: Il framework assume un avversario scriptato che non ri-pianifica in risposta alle difese.
Endpoint Windows: La valutazione è stata limitata a container Linux a causa dei vincoli di risorse dell'emulatore.
Eterogeneità dei Vendor: I test sono stati limitati a FortiGate, Cisco IOS e Open vSwitch.
Deployment in Produzione: Il framework produce candidati validati, ma il deployment finale rimane un passaggio guidato dall'uomo.

Il paper conclude che, sebbene COHORT riesca ad automatizzare la derivazione e la validazione delle mitigazioni per avversari scriptati, il sistema richiede una revisione umana prima del deployment per garantirne la sicurezza, data anche la potenziale capacità del framework di far emergere nuove vulnerabilità (es. debolezze di container escape) durante il processo di hardening.