Un modèle interne franchit les barrières de sécurité dans un logiciel critique
Anthropic a publié un rapport technique détaillant comment l'un de ses modèles de recherche, encore non disponible commercialement, a réussi à identifier des vulnérabilités critiques dans certains des programmes les plus utilisés au monde. Le travail, mené pendant plusieurs mois, s'est concentré sur des navigateurs comme Chrome et Safari, ainsi que sur des systèmes d'exploitation comme Windows, Linux et Android.
La nouveauté ne réside pas seulement dans la découverte d'erreurs individuelles, mais dans la capacité du modèle à enchaîner plusieurs faiblesses dans une séquence cohérente aboutissant à un exploit fonctionnel. Historiquement, ce type d'ingénierie offensive exigeait des équipes de spécialistes avec des années d'expérience ; le rapport suggère désormais que les modèles d'intelligence artificielle peuvent effectuer ce travail avec une intervention humaine minimale.
Cinq chaînes d'attaque : de Chrome au noyau Linux
Le rapport décrit cinq scénarios d'attaque spécifiques. Dans le cas de Chrome, le modèle a construit une chaîne permettant l'exécution à distance de code (RCE) avec un seul clic. Cela a été réalisé en combinant des erreurs de mémoire dans le moteur JavaScript V8, une condition de course dans CacheStorage et une erreur d'utilisation après libération (use-after-free) dans le composant de connexion fédérée (FedCM).
Pour Safari, l'IA a développé un exploit contournant la politique de même origine (SOP), permettant à un site web d'accéder à l'historique, aux cookies et aux données de session de l'utilisateur sans exécuter de code arbitraire. Sur Android, le modèle a réussi à extraire des photos d'un téléphone verrouillé en contournant les restrictions de transfert de données par USB et la vérification d'appairage.
Résumé des vulnérabilités identifiées
Détail des systèmes affectés et de l'impact principal de chaque chaîne d'attaque décrite dans le rapport d'Anthropic.
| Système | Type de faille | Impact principal | Statut |
|---|---|---|---|
| Chrome | RCE (Exécution à distance de code) | Contrôle total du navigateur hors sandbox | Corrigé (Chrome 156) |
| Safari | Évasion de la politique de même origine | Accès aux cookies, à l'historique et aux données de session | Corrigé (iOS/iPadOS 26.5.2) |
| Android | Contournement du verrouillage | Extraction de données d'un appareil volé | Corrigé par Google |
| Windows | Négation de service à distance | Redémarrage forcé des serveurs HTTP/3 | Corrigé (CVE-2026-33096) |
| Linux | RCE Zero-click (Noyau) | Exécution de commandes en tant que root | Corrigé (CVE-2026-98432) |
Le cas Linux : exécution de code sans interaction
La découverte la plus grave a eu lieu dans le noyau Linux. Le modèle a identifié une condition de course dans la pile réseau permettant à un attaquant à distance d'exécuter des commandes avec les privilèges root, sans besoin de credentials ni d'interaction de l'utilisateur. Cette vulnérabilité, associée à la CVE-2026-98432, affectait les serveurs avec le protocole TCP multi-chemin (MPTCP) actif.
L'exploitation se déroulait en deux phases : d'abord, l'attaquant fuyait la disposition de l'espace d'adresses du noyau pour contourner les protections d'aléatisation (KASLR) ; ensuite, il exploitait la faille pour écraser un pointeur de rappel (callback) et exécuter une charge utile malveillante. Dans les preuves de concept, ce processus a pris environ 53 minutes du début à l'exécution de la commande.
Méthodologie : ingénierie inverse et analyse automatisée
Anthropic explique que le processus n'était pas un simple balayage automatique. Dans le cas de Windows, l'équipe a fourni au modèle une copie du binaire et lui a demandé de réaliser de l'ingénierie inverse en utilisant des outils comme Ghidra. Le modèle a dû écrire un programme en C annoté pour reproduire le comportement du logiciel et le comparer au binaire original afin d'identifier les écarts de sécurité.
La plateforme d'Anthropic exécute plusieurs agents de balayage en parallèle, mesurant la contribution unique de chacun et ajustant dynamiquement la couverture. Cette approche permet au modèle non seulement de trouver des vulnérabilités, mais aussi d'analyser les variantes et de classer le risque de chaque découverte avant de la signaler.
Flux de travail de découverte
Étapes clés décrites par Anthropic pour l'identification et la validation des vulnérabilités par IA.
- 01Fourniture de binaires ou de code source au modèle de recherche.
- 02Ingénierie inverse et reproduction du comportement du logiciel.
- 03Identification des vulnérabilités par analyse de sécurité.
- 04Construction de chaînes d'attaque (exploits) de preuve de concept.
- 05Vérification standardisée et classification des risques.
- 06Signalement coordonné à l'éditeur concerné.
Implications pour la défense et l'industrie
La capacité des modèles d'IA à générer des exploits sophistiqués change l'équilibre dans la cybersécurité. Bien que les attaquants n'aient pas encore démontré l'utilisation de ces outils à grande échelle, la réduction de la barrière d'entrée pour l'ingénierie offensive est significative. Les défenseurs font désormais face à la possibilité que des vulnérabilités complexes soient découvertes et exploitées plus rapidement.
Anthropic soutient que la solution n'est pas de restreindre l'accès à ces capacités, mais d'élargir l'accès des professionnels de la sécurité. L'entreprise a étendu son programme de vérification cyber pour permettre aux défenseurs qualifiés d'utiliser ses modèles les plus avancés pour auditer leur propre code et corriger les systèmes avant les attaquants.
Poursuivre l’exploration
Sources consultées
Corrections et transparence
Si vous repérez une information incorrecte ou obsolète, envoyez-nous la page et la source à vérifier.
Proposer une correction