Cyberkriminelle nutzen KI, um Active Directory-Angriffe zu automatisieren und EDR-Systeme zu umgehen

Sicherheitslage und Risiko

Dieses Framework integrierte ein automatisiertes AD-Discovery-Panel, das in einer kontrollierten Laborumgebung operierte. In dieser Umgebung wurde Malware iterativ entwickelt und gegen führende EDR-Plattformen wie Sophos, CrowdStrike und Microsoft Defender getestet.

Das AD-Discovery-System funktionierte dabei nicht als vollständig autonomes Large Language Model. Stattdessen basierte es auf einem strukturierten Entscheidungsbaum: Es sammelte die Ergebnisse ausgeführter Aufgaben, wählte vordefinierte nächste Schritte aus und leitete Aktionen an Remote-Agenten weiter.

Dies ermöglichte halbautomatische Aufklärung in Unternehmensumgebungen bei gleichzeitiger Sicherstellung vorhersehbarer Ausführungspfade. Der Bedrohungsakteur erstellte die Testumgebung unter Verwendung, die über die Plattform Ludus bereitgestellt wurden.

Sicherheitslage und Risiko

Mehrere Windows Server 2022-Systeme wurden so konfiguriert, dass sie Bypass-Techniken gegen verschiedene EDR-Agenten testen. Ergänzt wurde dies durch ein separates Ubuntu-System, das einen Sliver-Befehls- und Steuerungs-Server hostete.

Die gesamte Entwicklung wurde durch eine KI-native IDE namens Cursor unterstützt und über mehrere KI-Agenten mit zugewiesenen Rollen koordiniert.

Ein primärer KI-Agent, der auf Claude Opus basiert, übernahm die Orchestrierung und die Festlegung kümmerten sich um Tests, die Verbesserung der operativen Sicherheit, die Dokumentation sowie den Infrastrukturaufbau. Die Anweisungen zur Eingabe für die KI-Agenten wurden vom Entwickler bereitgestellt.

Einordnung fuer Autofahrer

Die Kommunikation zwischen den Agenten und dem Code-Repository erfolgte über das Model Context Protocol, was automatisierte Commits und iterative Entwicklungszyklen ermöglichte. Das Framework integrierte zudem Forschung zu externen Bedrohungen.

Die KI-Agenten wurden angewiesen, öffentlich verfügbare Sicherheitsblogs einzulesen, Angriffstechniken zu extrahieren, diese dem MITRE ATT&CK-Framework zuzuordnen und sie im Labor nachzuahmen. Die Quellen umfassten bekannte Sicherheitsfirmen sowie Anbieter öglichte das schnelle Prototyping Methoden.

Im Kern des Rahmens befand sich ein modularer Payload-Generator in Python, der ausführbare Dateien in den Programmiersprachen Rust und Go erzeugte. Diese Payloads wurden mit mehreren Schichten aus Verschlüsselung und Evasion-Logik umhüllt, wodurch Angreifer über 70 verschiedene Techniken testen konnten.

Obwohl die anfänglichen Erfolgsraten niedrig waren,

Obwohl die anfänglichen Erfolgsraten niedrig waren, verbesserten sich laut Berichten die Umgehungs-Effektivität durch wiederholte Iterationen. Die Ergebnisse dieser Verbesserungen sind jedoch teilweise noch nicht vollständig verifiziert.

Forscher – obwohl es offiziell als Red-Team-Werkzeug vorgestellt wurde – als wahrscheinlich für reale Eindringungen bestimmt, einschließlich Ransomware-Deployments und Datendiebstahls. Der Einsatz, ändert aber die grundlegenden defensiven Anforderungen nicht. Organisationen werden empfohlen, robuste Sicherheitsbaselines aufrechtzuerhalten.

Dazu gehören zeitnahe Patch-Management-Prozesse, mehrstufige Authentifizierung und ein umfassender Einsatz ösungen. Dies ist notwendig, da Angreifer zunehmend KI nutzen, um Schwachstellen in der Verteidigung zu identifizieren und auszunutzen.