KI-Angriffe gestoppt: Mikrosegmentierung als Retter

Zero Networks testet KI-gestützte Angriffe auf Netzwerke – Wie sich Angreifer mit Microsegementierung erfolgreich ausbremsen lassen.

Zero Networks, Anbieter von Zero-Trust-Sicherheitslösungen, stellt eine Untersuchung vor, die zeigt, dass sich selbst KI-basiere Cyberangriffe effizient eindämmen lassen.

Zusammenfassung (TL; DR):

• Ein Test von Zero Networks zeigt, dass sich selbst autonome KI-Angriffe effizient eindämmen lassen, ohne dass die Verteidiger selbst KI einsetzen müssen.
• Bei der Untersuchung versuchte ein modernes KI-Modell (Claude) über einen ungeschützten Rechner mit 18 verschiedenen Angriffspfaden lateral in das Netzwerk vorzudringen.
• Die Mikrosegmentierung von Zero Networks verhinderte jedoch jegliche Ausbreitung, sodass der Angreifer trotz erlangter Administratorrechte und Anmeldedaten komplett isoliert blieb.

Stopp für ein KI-Modell

Die Untersuchung zeigt, dass ein innovatives KI-Modell nicht in der Lage war, über einen absichtlich exponierten Rechner hinaus vorzudringen, nachdem es Administratorzugriff erlangt und Anmeldedaten extrahiert hatte. Im Rahmen der Evaluierung verhinderte die Mikrosegmentierung von Zero Networks, dass das Modell in geschützte Systeme und Identitäten eindringen konnte, und beschränkte den Angriff auf den ursprünglichen Kompromittierungspunkt.

Bei der Evaluierung wurde ein modernes KI-Modell einer realistischen, heterogenen Netzwerkumgebung ausgesetzt. Ziel war es, zu testen, ob es kompromittierte Anmeldedaten und Angriffstechniken nutzen konnte, um sich lateral durch die Umgebung zu bewegen und weitere Rechner zu infizieren.

Das Modell kompromittierte zwar den einen Rechner, der absichtlich außerhalb der Segmentierungskontrollen von Zero Networks belassen worden war. Es erlangte Administratorzugriff und extrahierte Anmeldedaten. Als es jedoch versuchte, diese Fähigkeiten zu nutzen, um geschützte Ressourcen zu erreichen, verhinderte die Segmentierung weitere Bewegungen des Angreifers. Im Verlauf der Bewertung versuchte das Modell 18 verschiedene Angriffspfade unter Verwendung von 23 Angriffstools und unter Einbeziehung von 22 MITRE ATT&CK-Techniken, kam jedoch nicht über den ursprünglich kompromittierten Rechner hinaus. In einigen Durchläufen erkannte das Modell, dass die Segmentierung den Zugriff auf weitere Systeme verhinderte, und stellte die Verfolgung weiterer Angriffspfade ein.

KI macht Angreifer schneller, hartnäckiger und zunehmend autonomer

„KI macht Angreifer schneller, hartnäckiger und zunehmend autonomer. Sicherheitsteams gewinnen nicht, wenn sie versuchen, Maschinen, die mit maschineller Geschwindigkeit arbeiten, durch schnelleres Klicken oder klügeres Denken zu übertrumpfen“, erklärte Benny Lakunishok, CEO und Mitbegründer von Zero Networks. „Die Lösung besteht darin, Umgebungen zu schaffen, in denen die Kompromittierung eines einzelnen Rechners dem Angreifer keine weiteren Angriffsmöglichkeiten eröffnet. Genau das hat dieser Test gezeigt: Der Angreifer drang ein, verfügte über Anmeldedaten und hatte allen Grund, weiter vorzudringen. Die Architektur hat ihn daran gehindert.“

KI macht den Angreifer schneller – Segmentierung macht Schnelligkeit irrelevant

Modernste Modelle sind zunehmend in der Lage, Schwachstellen aufzudecken, Anmeldedaten zu erlangen, mehrstufige Angriffspfade zu durchdenken und mit weniger menschlichem Eingriff zu agieren. Dadurch wird die traditionelle Frage, ob ein Angreifer einen Endpunkt kompromittieren kann, nur noch zu einem Teil des Problems. Die weitaus wichtigere Frage lautet: Was kann dieser Angreifer nach der anfänglichen Kompromittierung erreichen?

Zero Networks führte seine Anthropic-Evaluierung durch, um die defensive Seite dieser Gleichung zu testen: Wenn ein hochkompetenter KI-Angreifer Fuß fasst und Anmeldedaten erlangt, kann die Architektur dann verhindern, dass er diesen Zugang für laterale Bewegungen nutzt? Die Bewertung zeigte, dass die Antwort in der getesteten Umgebung „Ja“ lautete.

„Was OpenAI offengelegt hat, sollte Menschen weit über Sicherheitsteams hinaus beunruhigen: autonome Agenten, die sich gegenseitig finden, sich zusammentun und ihre Zugriffsrechte ausweiten, ohne dass ein Mensch in den Prozess eingebunden ist“, kommentierte Dr. Chase Cunningham, ein Cybersicherheitsexperte, der sich auf Zero-Trust-Architekturen spezialisiert hat. „Die Infrastruktur, auf der die Welt tatsächlich läuft, wurde nie unter der Annahme entwickelt, dass der Angreifer auf der anderen Seite nicht müde wird. Segmentierung ist eine der wenigen Kontrollmaßnahmen, die diese Gleichung verändert. Dies gilt unabhängig davon, wie der Angreifer denkt oder wie schnell er vorgeht, und dieser Test ist ein konkreter Beweis dafür, warum Segmentierung so wichtig ist.“

Überblick über den Testaufbau

Methodik: Zero Networks errichtete eine große Laborumgebung, die einem Produktionsnetzwerk nachempfunden war. Sie umfasste Windows-, Linux- und macOS-Systeme, Kubernetes sowie heterogene Workloads. Anschließend wandte das Unternehmen seine Mikrosegmentierung an, um die Ressourcen und Identitäten innerhalb der Umgebung zu schützen. Ein Rechner wurde absichtlich nicht segmentiert, um als Kontrollgruppe und erster Kompromittierungspunkt zu dienen. Ein Frontier-KI-Modell wurde als autonomer Angreifer mit Administratorrechten eingesetzt, ohne Einschränkungen hinsichtlich der Art und Weise, wie es versuchen konnte, die Umgebung anzugreifen. Getestet wurde die Fähigkeit des Modells, Systeme zu kompromittieren, Anmeldedaten zu erlangen und sich mithilfe offensiver Sicherheitswerkzeuge und -techniken lateral zu bewegen.

Claude versuchte 18 verschiedene Angriffspfade unter Verwendung von 23 offensiven Tools und 22 MITRE-ATT&CK-Techniken, darunter Kerberoasting, die Extraktion von Active-Directory-Anmeldedaten und einen Pass-the-Hash-Versuch gegen das primäre Ziel. MITRE ATT&CK ist das Standard-Framework der Cybersicherheitsbranche zur Katalogisierung der Taktiken und Techniken, die reale Angreifer nutzen. Die Verwendung von 22 verschiedenen Techniken zeigt daher, dass Claude nicht einfach wiederholt einen einzigen Exploit ausprobierte, sondern ein breites Spektrum anerkannter Angriffsverhaltensweisen durchlief. Claude agierte somit ähnlich, wie ein menschliches Red Team oder ein raffinierter Angreifer vorgehen würde. Claude kompromittierte die ESTI genannte Umgebung erfolgreich, erlangte Administratorzugriff, extrahierte Anmeldedaten und platzierte die Beweisdatei. Es war jedoch nicht in der Lage, diese Fähigkeiten zu nutzen, um in Systeme vorzudringen, die durch die Segmentierung von Zero Networks geschützt waren.

Das Ergebnis befasst sich mit einer zunehmend drängenden Sicherheitsfrage, da wegweisende KI-Modelle immer besser in der Lage sind, autonome offensive Aktivitäten durchzuführen: Was passiert, wenn ein KI-Angreifer in ein Netzwerk eindringt? Jüngste Forschungsergebnisse von OpenAI zeigten, dass KI-Agenten Schwachstellen aufdeckten, erweiterte Berechtigungen erlangten und letztendlich zur Kompromittierung der Hugging-Face-Infrastruktur beitrugen. Forscher von OpenAI haben davor gewarnt, dass Angreifer letztendlich ähnliche autonome Agenten gegen Unternehmen einsetzen könnten.

Häufige Fragen (FAQ)