Un modello interno supera le barriere di sicurezza in software critico
Anthropic ha pubblicato un rapporto tecnico che descrive come uno dei suoi modelli di ricerca, ancora non disponibile commercialmente, sia riuscito a identificare vulnerabilità critiche in alcuni dei programmi più utilizzati al mondo. Il lavoro, svolto nel corso di diversi mesi, si è concentrato su browser come Chrome e Safari, nonché su sistemi operativi come Windows, Linux e Android.
La novità non risiede solo nel singolo errore trovato, ma nella capacità del modello di concatenare più debolezze in una sequenza coerente che portava a uno exploit funzionante. Storicamente, questo tipo di ingegneria offensiva richiedeva team di specialisti con anni di esperienza; ora, il rapporto suggerisce che i modelli di intelligenza artificiale possano svolgere questo lavoro con poca intervento umano.
Cinque catene di attacco: da Chrome al kernel di Linux
Il rapporto descrive cinque scenari di attacco specifici. Nel caso di Chrome, il modello ha costruito una catena che permetteva l'esecuzione remota di codice con un solo clic. Questo è stato ottenuto combinando errori di memoria nel motore JavaScript V8, una condizione di corsa in CacheStorage e un errore di uso dopo la liberazione (use-after-free) nel componente di accesso federato (FedCM).
Per Safari, l'IA ha sviluppato uno exploit che eludeva la policy di stesso origine (SOP), permettendo a un sito web di accedere alla cronologia, ai cookie e ai dati di sessione dell'utente senza bisogno di eseguire codice arbitrario. Su Android, il modello è riuscito a estrarre foto da un telefono bloccato aggirando le restrizioni di trasferimento dati via USB e la verifica di accoppiamento.
Riepilogo delle vulnerabilità identificate
Dettaglio dei sistemi interessati e dell'impatto principale di ciascuna catena di attacco descritta nel rapporto di Anthropic.
| Sistema | Tipo di falla | Impatto principale | Stato |
|---|---|---|---|
| Chrome | RCE (Esecuzione remota di codice) | Controllo totale del browser fuori dal sandbox | Corretto (Chrome 156) |
| Safari | Evasione della Same-Origin Policy | Accesso a cookie, cronologia e dati di sessione | Corretto (iOS/iPadOS 26.5.2) |
| Android | Bypass del blocco | Estrazione di dati da un dispositivo rubato | Corretto da Google |
| Windows | Denial of Service remoto | Riavvio forzato di server HTTP/3 | Corretto (CVE-2026-33096) |
| Linux | RCE Zero-click (Kernel) | Esecuzione di comandi come root | Corretto (CVE-2026-98432) |
Il caso Linux: esecuzione di codice senza interazione
Il ritrovamento più grave si è verificato nel kernel di Linux. Il modello ha identificato una condizione di corsa nello stack di rete che permetteva a un attaccante remoto di eseguire comandi con privilegi di root senza bisogno di credenziali né interazione dell'utente. Questa vulnerabilità, associata al CVE-2026-98432, interessava i server con il protocollo TCP multipath (MPTCP) attivo.
Lo sfruttamento avveniva in due fasi: prima, l'attaccante filtrava la disposizione dello spazio di indirizzi del kernel per eludere le protezioni di randomizzazione (KASLR); poi, sfruttava la falla per sovrascrivere un puntatore di callback ed eseguire un payload malevolo. Nei test di concetto, questo processo ha richiesto circa 53 minuti dall'inizio all'esecuzione del comando.
Metodologia: ingegneria inversa e analisi automatizzata
Anthropic spiega che il processo non è stato un semplice scanning automatico. Nel caso di Windows, il team ha fornito al modello una copia del binario e gli ha chiesto di eseguire l'ingegneria inversa utilizzando strumenti come Ghidra. Il modello ha dovuto scrivere un programma in C annotato per riprodurre il comportamento del software e confrontarlo con il binario originale per identificare deviazioni di sicurezza.
La piattaforma di Anthropic esegue più agenti di scanning in parallelo, misurando il contributo unico di ciascuno e regolando dinamicamente la copertura. Questo approccio consente al modello non solo di trovare vulnerabilità, ma anche di analizzare varianti e classificare il rischio di ogni ritrovamento prima di segnalarlo.
Flusso di lavoro di scoperta
Passaggi chiave descritti da Anthropic per l'identificazione e la validazione delle vulnerabilità tramite IA.
- 01Fornitura di binari o codice sorgente al modello di ricerca.
- 02Ingegneria inversa e riproduzione del comportamento del software.
- 03Identificazione delle vulnerabilità mediante analisi di sicurezza.
- 04Costruzione di catene di attacco (exploit) di prova di concetto.
- 05Verifica standardizzata e classificazione del rischio.
- 06Segnalazione coordinata al produttore interessato.
Implicazioni per la difesa e l'industria
La capacità dei modelli di IA di generare exploit sofisticati cambia l'equilibrio nella cybersecurity. Sebbene gli attaccanti non abbiano ancora dimostrato di utilizzare questi strumenti su larga scala, la riduzione della barriera d'ingresso per l'ingegneria offensiva è significativa. I difensori ora affrontano la possibilità che vulnerabilità complesse vengano scoperte e sfruttate con maggiore rapidità.
Anthropic sostiene che la soluzione non sia limitare l'accesso a queste capacità, ma ampliarlo per i professionisti della sicurezza. L'azienda ha esteso il suo programma di verifica cyber per consentire ai difensori qualificati di utilizzare i suoi modelli più avanzati per auditare il proprio codice e applicare patch ai sistemi prima degli attaccanti.
Continua a esplorare
Fonti consultate
Correzioni e trasparenza
Se trovi un dato errato o non aggiornato, inviaci la pagina e la fonte da verificare.
Proponi una correzione