Большие языковые модели как хакеры: автономные атаки на повышение привилегий в Linux
LLMs as Hackers: Autonomous Linux Privilege Escalation Attacks
2026-02-10
SCID: 54.1/kd687vaw
Discuss with AI
пентестирование на основе больших языковых моделейрефлексия на основе больших языковых моделейавтономное повышение привилегий в LinuxhackingBuddyGPTбенчмарк повышения привилегий
Figures from the paper
Abstract (AI)
Тестирование на проникновение имеет ключевое значение для выявления и устранения уязвимостей систем, причем повышение привилегий является критически важной подзадачей, связанной с получением расширенного доступа к защищенным ресурсам. Появление больших языковых моделей (LLM) открывает новые возможности для автоматизации таких практик обеспечения безопасности посредством имитации поведения человека. Однако всестороннее понимание эффективности и ограничений LLM при выполнении автономных атак на повышение привилегий в Linux остается недостаточно изученным. Для устранения этого пробела мы представляем hackingBuddyGPT — полностью автоматизированный прототип на основе LLM, предназначенный для оценки автономного повышения привилегий в Linux. Мы сформировали новый общедоступный набор тестов для повышения привилегий в Linux, включающий отдельные виртуальные машины с одной уязвимостью каждая, что обеспечивает контролируемую и воспроизводимую оценку. В ходе эмпирического анализа оцениваются количественные показатели успешности и качественные особенности поведения различных LLM — GPT-3.5-Turbo, GPT-4-Turbo и Llama3 — в сравнении с базовыми показателями профессиональных специалистов по тестированию на проникновение и традиционных автоматизированных инструментов. Мы исследуем влияние стратегий управления контекстом, различного размера контекста и различных механизмов высокоуровневого руководства на производительность LLM. Результаты показывают, что GPT-4-Turbo обладает высокой эффективностью, успешно эксплуатируя 33–83% уязвимостей; этот показатель сопоставим с результатом специалистов по тестированию на проникновение (75%). Напротив, локальные модели, такие как Llama3, продемонстрировали ограниченную успешность (0–33%), а GPT-3.5-Turbo достигла умеренных показателей (16–50%). Высокоуровневое руководство существенно повышает показатели успешности LLM: например, при использовании GPT-4-Turbo — с 33% до 66% (без руководства) или с 66% до 83%, тогда как управление состоянием посредством рефлексии на основе LLM удвоило показатели успешности GPT-4-Turbo без вспомогательного руководства (с 33% до 66%). Качественный анализ выявляет сильные и слабые стороны LLM при генерации корректных команд и подчеркивает трудности, связанные с рассуждением на основе здравого смысла, обработкой ошибок и многоэтапной эксплуатацией, в частности...
Key Findings
1
GPT-4-Turbo успешно эксплуатировал 33–83% уязвимостей, приблизившись к показателю 75% у профессиональных специалистов по тестированию на проникновение.
2
Высокоуровневые инструкции и рефлексия под управлением LLM существенно повысили результаты GPT-4-Turbo — с 33% до 66% или 83% в зависимости от стратегии.
3
Llama3 продемонстрировала ограниченный успех — 0–33%, тогда как GPT-3.5-Turbo достигла умеренных показателей — 16–50%.
4
Качественный анализ выявил сильные стороны LLM в генерации корректных команд, но также устойчивые проблемы с здравым смыслом, обработкой ошибок и многошаговой эксплуатацией.
5
Авторы представляют hackingBuddyGPT — полностью автоматизированный прототип на базе LLM для оценки автономных атак с повышением привилегий в Linux.
6
Исследование предлагает общедоступный бенчмарк из виртуальных машин Linux с отдельными уязвимостями для контролируемой и воспроизводимой оценки.
Research Object
автономные атаки на повышение привилегий в Linux, выполняемые большими языковыми моделями
Research Subject
эффективность LLM, показатели успешности, операционное поведение и ограничения при эксплуатации уязвимостей Linux в различных условиях управления контекстом и предоставления рекомендаций
Publication Details
Publication Date
2026-02-10
Journal
Publisher
ISSN
Cited by
19
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai7
Генеративные агенты: интерактивные симулякры человеческого поведения2023
Обзор безопасности и конфиденциальности больших языковых моделей (LLM): хорошее, плохое и ужасное2024
От ChatGPT к ThreatGPT: влияние генеративного искусственного интеллекта на кибербезопасность и конфиденциальность2023
Атаки с внедрением промптов на приложения, интегрированные с большими языковыми моделями2023
Наука о данных в области кибербезопасности: обзор с точки зрения машинного обучения2020
Не то, на что вы подписывались: компрометация реальных приложений, интегрированных с большими языковыми моделями, с помощью косвенного внедрения промптов2023
Большие языковые модели для кибербезопасности: систематический обзор литературы2025
Работы, цитирующие эту статью4
Обзор безопасности и конфиденциальности больших языковых моделей (LLM): хорошее, плохое и ужасное2024
Большие языковые модели для кибербезопасности: систематический обзор литературы2025
Когда большие языковые модели встречаются с кибербезопасностью: систематический обзор литературы2025
Применение больших языковых моделей в кибербезопасности: систематический обзор литературы2024