NeuroSploit: harness multi-modelo de LLMs automatiza pentest completo de Active Directory em pouco mais de 2 horas
O NeuroSploit v4.2.0 e um framework de pentest autonomo que orquestra 22 agentes especializados e 7 playbooks de ataque em cadeia, coordenando nove modelos de linguagem de ponta para comprometer ambientes de Active Directory no laboratorio vulneravel GOAD. A abordagem orquestrada atingiu 96-100% de cobertura de tecnicas com 90-97% de precisao e comprometeu tres dominios completos em 134 minutos, contra apenas 21-54% de cobertura e taxas de falso positivo 3,2 vezes maiores quando os mesmos LLMs foram usados de forma direta e isolada.
O Active Directory continua sendo a espinha dorsal de identidade e controle de acesso na maioria dos ambientes corporativos, e seu comprometimento total e tipicamente o objetivo final de um pentest interno, por representar o maior nivel possivel de impacto. O NeuroSploit e apresentado como um framework de pentest autonomo escrito em Rust que nao usa LLMs isoladamente para decidir proximos passos de ataque, mas os organiza dentro de uma estrutura com 22 agentes especializados em diferentes aspectos do AD e 7 playbooks de ataque em multiplos estagios, incorporando salvaguardas estruturadas, validacao deterministica e rastreamento de estado via POMDP (processo de decisao markoviano parcialmente observavel), alem de votacao entre multiplos modelos para decidir acoes.
Os autores testaram nove modelos de linguagem de ponta (incluindo variantes do Claude Opus, GPT-6 Astra e Grok 4.6) cobrindo o ciclo completo de ataque a Active Directory: enumeracao de usuarios e servicos, ataques de credenciais como Kerberoasting e AS-REP roasting, ataques de relay, abuso de delegacao, exploracao de certificados (ADCS), movimento lateral e estabelecimento de persistencia -- essencialmente o repertorio padrao de um pentester humano senior especializado em AD, mas executado por agentes de IA coordenados. O ambiente de teste foi o GOAD (Game of Active Directory), um laboratorio multi-floresta deliberadamente vulneravel usado como benchmark na comunidade de pentest.
O resultado mais significativo do estudo e o contraste entre usar os LLMs dentro do harness orquestrado versus invoca-los diretamente sem essa estrutura: a abordagem orquestrada atingiu 96-100% de cobertura das tecnicas de ataque esperadas com 90-97% de precisao, enquanto a invocacao direta dos mesmos modelos cobriu apenas 21-54% das tecnicas e produziu uma taxa de falsos positivos 3,2 vezes maior. Isso indica que boa parte da capacidade ofensiva observada nao vem apenas da capacidade bruta do modelo de linguagem, mas da engenharia de orquestracao -- guardrails, validacao deterministica, votacao entre modelos -- que estrutura como e quando o LLM e consultado. Com o modelo Claude Opus 4.8 dentro do harness, o comprometimento completo dos tres dominios do laboratorio foi concluido em 134 minutos, e as salvaguardas embutidas no sistema evitaram bloqueios de conta (lockouts) e acoes nao autorizadas durante os testes.
Na pratica, isso importa tanto para ofensiva quanto para defesa: do lado ofensivo, demonstra que pentest de Active Directory em nivel de especialista pode ser automatizado de forma confiavel e rapida por agentes de IA bem orquestrados, reduzindo a barreira de habilidade necessaria para executar cadeias de ataque complexas contra AD -- o que e tanto uma ferramenta legitima para equipes de red team quanto um risco de dual-use se adaptado por atacantes reais. Do lado defensivo, times de seguranca que operam infraestrutura de Active Directory devem assumir que o tempo entre acesso inicial e comprometimento total de dominio pode cair para poucas horas quando o atacante usa automacao orquestrada por multiplos LLMs, o que aperta a janela disponivel para deteccao e resposta a incidentes.