Synthetic APTs: the Collapse of TTP-Based Attribution
本文认为，AI驱动的对抗模拟展示了智能体动态调整并武器化防御工具的能力如何削弱了传统上依赖静态战术、技术与过程（TTPs）来将网络攻击归因于特定威胁行为者的做法，从而有效地打破了个人具备国家级能力所需的门槛。
原始论文根据 CC0 1.0（http://creativecommons.org/publicdomain/zero/1.0/）发布到公有领域。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
核心理念： “数字面具”问题
想象你是一名试图抓捕小偷的侦探。在过去，你可以通过他们的签名特征来识别小偷：比如他们总是使用红色的撬棍，总是从左侧撬锁，或者总是留下特定类型的泥土。在网络世界中，这些签名被称为 TTPs（战术、技术和程序）。如果你看到黑客正在使用“41号红撬棍”，你就知道那是“A组”。
这篇论文认为，人工智能（AI）即将打破这一系统。
研究人员构建了一个数字游乐场（“网络靶场”），并编写了 AI 智能体来模拟五个不同的著名黑客组织（如 APT28、APT29、Lazarus 等）。然后，他们观察这些 AI 黑客如何与 AI 防御者进行对抗。
令人震惊的结果： 尽管这些 AI 智能体被要求表现得像不同的组织，但它们开始攻击的方式却完全相同。它们使用了相同的工具、相同的扫描方法和相同的切入点。这就像是五个戴着不同面具的人，都通过完全相同的后门进入银行，使用完全相同的钥匙，并留下了完全相同的脚印。
因为它们在开始阶段看起来都一样，人类侦探（或计算机）再也无法说：“哦，这绝对是 A 组。” 这种“指纹”已经被模糊化了。
实验：一场数字“兵棋推演”
研究人员设置了两个不同的“战场”来进行测试：
- “办公大楼”（企业网络）： 一个标准的企业网络，拥有 20 台计算机。它相对开放，就像一栋侧门没锁的建筑。
- “堡垒”（军事基础设施）： 一个高度安全的网络，拥有两个独立的组织、厚重的防火墙和严格的安全区域。它就像一座拥有多层闸门的堡垒。
他们总共进行了 20 场战斗。在每场战斗中，一个 AI 攻击者（伪装成 5 个黑客组织之一）试图破门而入，而一个 AI 防御者则试图阻止他们。
结果：完美的对立
无论 AI 伪装的是哪个“黑客组织”，结果都极其可预测：
- 在办公大楼中： AI 攻击者总是获胜。他们成功入侵并控制了部分计算机（2 到 12 台之间）。
- 在堡垒中： AI 防御者总是获胜（或者战斗以平局结束）。攻击者无法通过前门。
教训： 无论 AI 是在扮演俄罗斯间谍、北朝鲜窃贼还是中国黑客，这都不重要。建筑物的布局（网络设计）比攻击者的“个性”重要得多。如果门很脆弱，AI 就会破门而入；如果墙很坚固，AI 就会失败。
打破归因的“魔术技巧”
研究中最有趣的部分发生在“办公大楼”的战斗中。
研究人员原本预期“A 组”的 AI 会使用“A 组”的特殊工具，而“B 组”会使用“B 组”的工具。然而，所有的 AI 攻击者都独立发现了同一个窍门。
他们发现防御者留下了一个管理工具（称为 Velociraptor），并且带有默认密码。
- AI 攻击者不仅黑入了计算机，他们还劫持了防御者自己的安全工具。
- 他们将防御者的安全监控器变成了自己的远程控制中心（命令与控制，C2）。
- 他们利用这个受信任的工具在网络中移动，且不会触发其他安全警报。
类比： 想象一个窃贼闯入房屋。他不是在撬锁，而是发现了主人藏在垫子下的备用钥匙。更糟糕的是，他找到了主人的安防系统手册，利用主人的安全代码打开了前门，并利用主人自己的监控摄像头来观察警察是否到来。
为什么这很重要： 这个技巧并不在特定黑客组织的“剧本”中。这是一个新的、共享的行为，所有的 AI 智能体都通过使用相同的底层 AI 大脑，自主发明了这个方法。由于它们做出了完全相同的行为，你无法分辨谁才是背后的真正负责人。
三个主要启示
“开端”对每个人都是一样的：
当 AI 智能体发起攻击时，它们最初做的基本操作都是一样的（扫描网络、猜测密码）。只有当它们深入到网络内部时，才会开始表现出差异。但到那时，它们已经留下了与其他所有人看起来都一样的通用指纹。“指纹”正在消退：
过去，如果你看到某种特定的黑客技术，你可以说：“这绝对是 Lazarus 组织。” 现在，如果你看到那种技术，你无法确定。它可能是 Lazarus 组织，也可能是另一个组织利用 AI 发现这是实现目标的最佳方式。这种“签名”不再具有唯一性。建筑物比窃贼更重要：
研究发现，网络设计（计算机如何连接以及如何保护）是决定胜负的唯一因素。- 如果网络很弱（办公大楼），无论防御者多么“聪明”，AI 每次都能获胜。
- 如果网络很强（堡垒），即使攻击者使用的是最强大的 AI 模型，AI 也会每次都失败。
- 关键洞察： 如果网络构建得足够安全，一个规模较小、成本较低的 AI 防御者可以做得和庞大、昂贵的 AI 一样出色。
结论：这意味着什么？
论文得出结论，我们正在进入一个归因失效的时代。
过去，我们可以通过“风格”来识别网络攻击者。现在，由于 AI 可以被编程为模仿任何人，且由于 AI 倾向于找到解决问题的同一个“最优解”，不同的攻击者开始看起来一模一样。
如果一个坏人想要嫁祸给另一个国家，他只需告诉 AI “表现得像 X 组织”。AI 很可能会产生与真实的 X 组织完全相同的“指纹”，从而使追踪真实幕后黑手变得不可能。
论文最后的警告： 我们不能再依赖“风格”来抓捕网络罪犯。我们必须依靠更强的网络围墙（分段隔离）和更好的安全习惯（例如更改默认密码），因为“数字指纹”已不再可靠。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。