Динамические оценки рисков для агентов наступательной кибербезопасности

Dynamic Risk Assessments for Offensive Cybersecurity Agents

May 23, 2025

Авторы: Boyi Wei, Benedikt Stroebl, Jiacen Xu, Joie Zhang, Zhou Li, Peter Henderson

cs.AI

Аннотация

Фундаментальные модели становятся все более эффективными в роли автономных программистов, что повышает вероятность их использования для автоматизации опасных киберопераций наступательного характера. Современные аудиты передовых моделей исследуют кибербезопасность таких агентов, но большинство из них не учитывают степени свободы, доступные злоумышленникам в реальных условиях. В частности, при наличии мощных верификаторов и финансовых стимулов агенты для наступательной кибербезопасности могут быть улучшены потенциальными противниками в ходе итеративного процесса. Мы утверждаем, что оценки должны учитывать расширенную модель угроз в контексте кибербезопасности, подчеркивая различные степени свободы, которыми может обладать злоумышленник в состояниях с сохранением и без сохранения состояния в рамках фиксированного вычислительного бюджета. Мы показываем, что даже при относительно небольшом вычислительном бюджете (8 часов работы GPU H100 в нашем исследовании) злоумышленники могут повысить кибербезопасность агента на платформе InterCode CTF более чем на 40% относительно базового уровня — без какой-либо внешней помощи. Эти результаты подчеркивают необходимость динамической оценки кибербезопасности агентов, что позволяет получить более репрезентативную картину рисков.

English

Foundation models are increasingly becoming better autonomous programmers, raising the prospect that they could also automate dangerous offensive cyber-operations. Current frontier model audits probe the cybersecurity risks of such agents, but most fail to account for the degrees of freedom available to adversaries in the real world. In particular, with strong verifiers and financial incentives, agents for offensive cybersecurity are amenable to iterative improvement by would-be adversaries. We argue that assessments should take into account an expanded threat model in the context of cybersecurity, emphasizing the varying degrees of freedom that an adversary may possess in stateful and non-stateful environments within a fixed compute budget. We show that even with a relatively small compute budget (8 H100 GPU Hours in our study), adversaries can improve an agent's cybersecurity capability on InterCode CTF by more than 40\% relative to the baseline -- without any external assistance. These results highlight the need to evaluate agents' cybersecurity risk in a dynamic manner, painting a more representative picture of risk.