Pesquisadores apresentam o AgentTrap, descrito como o primeiro honeypot de malha fechada projetado especificamente para enganar agentes autônomos de pentest baseados em LLM, que se adaptam dinamicamente às respostas do alvo. Em testes contra oito agentes autônomos de pentest, o AgentTrap reduziu a taxa agregada de sucesso de ataque no alvo real de 95,8% para 79,2% e conseguiu extrair chaves de API do atacante em 18,8% das execuções. O resultado supera honeypots estáticos tradicionais, mas mostra que mesmo uma defesa adaptativa ainda deixa a maioria dos ataques bem-sucedidos passar.
Fonte ↗Pesquisadores avaliaram um sistema de "Adversário Autônomo" com LLMs atuando como orquestrador, executor e validador em cenários simulados de movimento lateral corporativo, testando seis modelos de ponta em três modos de autonomia. O estudo conclui que os validadores baseados em LLM tendem a ser relevantes e embasados em evidência, mas frequentemente imprecisos e otimistas demais, com gargalos concentrados em tarefas de credenciais e movimento lateral que se agravam conforme a autonomia do agente aumenta.
Fonte ↗O artigo argumenta que harnesses autônomos de teste de penetração baseados em LLM cometem erros de confirmação de achado, gradação de severidade e seleção de agente porque usam o mesmo modelo generativo para atacar e para julgar o próprio ataque, gerando falsos positivos e severidade inflada. Os autores propõem usar classificadores leves não generativos ("System One", como o Jev e o Laya open source) para essas decisões, com um estudo de caso exploratório contra um alvo web com 13 vulnerabilidades conhecidas mostrando diferenças de severidade, tempo de execução e gradação por tipo de dado exposto.
Fonte ↗Uma nova ferramenta chamada XRanges propoe resolver um problema central de agentes autonomos de seguranca ofensiva: relatorios que o proprio agente escreve sobre si mesmo, sem forma independente de confirmar quais vulnerabilidades foram de fato exploradas. A abordagem instrumenta as aplicacoes-alvo com telemetria estruturada via OpenTelemetry para medir cobertura de funcionalidades testadas, violacoes de regras de engajamento, cadeias de exploracao completadas e integridade do alvo apos o teste. A ferramenta foi estressada por 545 hackers durante 48 horas na DEF CON 34, cada um com uma copia isolada do ambiente-alvo completo.
Fonte ↗Pesquisadores propõem o AgentSnare, um sistema de decepção que se adapta ao histórico de interação de um agente autônomo de pentest baseado em LLM, construindo e ajustando incrementalmente um ambiente de decoy factualmente consistente para atrasar, desviar e neutralizar o ataque, em vez de depender de artefatos estáticos plantados previamente, que agentes mais avançados aprendem a reconhecer e contornar. Em testes com 15 aplicações web do CVE-Bench e três modelos atacantes distintos, o AgentSnare absorveu 46,8% das chamadas de ferramenta do agente no ambiente chamariz e evitou exploração bem-sucedida do alvo real em todas as 45 combinações testadas.
Fonte ↗