Resumo Técnico: COHORT – Orquestração Colaborativa para Endurecimento via Replay Ofensivo em Topologias Emuladas

1. Declaração do Problema

Mitigar um adversário específico em uma rede corporativa é tradicionalmente um processo lento e dependente de especialistas. Requer que um analista derive uma mitigação personalizada, valide-a sem interromper a produção e verifique se ela interrompe o ataque específico. Este fluxo de trabalho é limitado por dois gargalos primários:

1. Dependência de Especialistas: O processo depende fortemente do julgamento humano para sintetizar novos controles, em vez de confiar em playbooks curados.
2. Risco de Produção: Ajustes experimentais em regras de firewall, políticas de roteamento ou configurações de host não podem ser exercitados com segurança em redes de produção reais devido ao risco de quebrar operações legítimas.

Ferramentas existentes (IDS/IPS, SIEM, SOAR) normalmente executam respostas curadas para padrões conhecidos ou validam a cobertura de detecção via Simulação de Ataque e Brecha (BAS) contra redes não modificadas. Elas não sintetizam autonomamente novas mitigações implantáveis nem as validam reexecutando o adversário observado contra a rede modificada.

2. Metodologia: O Framework COHORT

O COHORT é o primeiro framework de ponta a ponta projetado para gerar, implantar e validar autonomamente mitigações implantáveis contra um adversário observado específico. Ele opera inteiramente dentro de um ambiente emulado de alta fidelidade para evitar a exposição da produção.

Arquitetura Central

O framework utiliza um fluxo de trabalho de LLM multi-agente com decomposição de papéis rodando em um emulador GNS3 que inicializa firmware de fornecedores reais (FortiGate, Cisco IOS, Open vSwitch). O adversário é emulado usando Caldera, executando ações alinhadas ao MITRE ATT&CK.

O fluxo de trabalho consiste nos seguintes agentes especializados:

• Sugestor de Mitigação (Mitigation Suggester): Analisa o relatório operacional do adversário e a topologia da rede para propor estratégias de controle reutilizáveis e de nível empresarial (ex: segmentação, restrições de roteamento).
• Implementador de Mitigação (Mitigation Implementer): Traduz a estratégia selecionada em comandos concretos de configuração de dispositivo dentro de um orçamento de comando delimitado.
• Crítico (Critic): Revisa a implementação antes do replay para identificar erros de configuração, violações de política ou desvios de intenção. Isso aciona um loop de implementação–crítica (até $K$ iterações) para refinar a configuração antes que ela seja aceita ou descartada.
• Juiz (Judge): Avalia o resultado rejogando o mesmo adversário contra a rede mitigada. Ele compara a Taxa de Sucesso de Etapas de Ataque (ASSR) da execução mitigada contra a linha de base não mitigada.
• Sumarizador (Summarizer): Produz um artefato legível por humanos do processo.

Mecanismos de Validação

A validação baseia-se em replay ofensivo em vez de simulação abstrata ou proxies de especialistas. Uma mitigação é considerada bem-sucedida apenas se atender a dois critérios:

1. Interrupção de Ataque: Ela reduz estritamente a Taxa de Sucesso de Etapas de Ataque (Efetividade de Mitigação, $ME > 0$).
2. Preservação de Conectividade: Ela passa em dois probes independentes do host comprometido: um ping de LAN para um alvo interno e uma requisição HTTP para um endpoint de internet.

Adicionalmente, o framework suporta Avaliação Cumulativa, onde as mitigações aprovadas são empilhadas sobre um estado de rede persistente para medir efeitos compostos e prevenir regressões.

3. Principais Contribuições

• Framework Autônomo de Ponta a Ponta: O COHORT aborda tanto o gargalo do conhecimento especializado quanto o gargalo do risco de produção. Ele gera e valida autonomamente mitigações usando comandos reais de dispositivos em um emulador de alta fidelidade, removendo a necessidade de síntese humana durante a fase de geração.
• Decomposição Multi-Agente: O artigo demonstra que decompor o fluxo de trabalho em papéis especializados (Sugestor, Implementador, Crítico) supera significativamente um baseline de agente único.
• Loop de Crítica Iterativo: A inclusão de um agente Crítico que refina as configurações antes do replay é mostrada como um componente crítico para o sucesso do sistema.
• Avaliação de Mitigação Cumulativa: O framework introduz um mecanismo para empilhar defesas em um estado persistente, revelando efeitos compostos que a avaliação por mitigação individual ignora.

4. Resultados Experimentais

O framework foi avaliado em três topologias empresariais (Pequena, Média, Grande) e quatro cenários de ataque (Ransomware, Movimentação Lateral, Exfiltração de DNS, Roubo de Dados), utilizando o GPT-5.4 mini como o modelo subjacente.

• Taxa de Sucesso de Mitigação (MSR): O framework multi-agente alcançou uma MSR geral de 46,7%. Isso representa uma melhoria de 4,4× em relação ao baseline de agente único (10,7%) usando o mesmo modelo e acesso a ferramentas.
  • Decomposição da Melhoria: A especialização de papéis (Multi-Agente sem Crítico) foi responsável por aproximadamente 75% do ganho (38,6% de MSR), enquanto o loop de crítica iterativo contribuiu com os 25% restantes.
• Efetividade Cumulativa: Quando as mitigações aprovadas foram empilhadas, o sistema atingiu um platô de aproximadamente 52% de redução de etapas de ataque até a quarta defesa.
• Independência de Topologia: Nenhuma diferença estatisticamente significativa na MSR foi detectada entre as topologias pequena, média e grande.
• Categorias de Mitigação:
  • Controles centrados no Host (ex: Endurecimento de Host, Controle de Aplicação) dominaram tanto em volume quanto em efetividade (ex: Controle de Aplicação alcançou 82,1% de MSR).
  • Filtragem baseada em Rede foi a segunda categoria mais comum por volume, mas teve uma taxa de sucesso baixa (5,8%). As falhas ocorreram principalmente devido a regras colocadas no salto de rede errado, avaliadas na ordem errada, ou por não considerar intermediários ocultos, e não por intenção incorreta.

5. Significância e Escopo

O artigo afirma a significância como o primeiro framework que fecha o ciclo entre emulação de adversário, geração de configuração de dispositivo real e validação por replay ofensivo. Ao confinar a experimentação a um emulador de alta fidelidade, ele permite a derivação segura de mitigações implantáveis que seriam muito arriscadas para testar em redes de produção.

Limitações e Escopo:
Os autores declaram explicitamente que os resultados não se generalizam para:

• Adversários Adaptativos: O framework assume um adversário roteirizado que não replaneja em resposta às defesas.
• Endpoints Windows: A avaliação foi restrita a containers Linux devido a restrições de recursos de emulação.
• Heterogeneidade de Fornecedores: Os testes foram limitados a FortiGate, Cisco IOS e Open vSwitch.
• Implantação em Produção: O framework gera candidatos validados, mas a implantação final permanece um passo separado, orientado por humanos.

O artigo conclui que, embora o COHORT consiga automatizar a derivação e validação de mitigações para adversários roteirizados, o sistema requer revisão humana antes da implantação para garantir a segurança, especialmente dado o potencial do framework de revelar novas vulnerabilidades (ex: fraquezas de escape de container) durante o processo de endurecimento.