Anthropic’ning Claude Mythos 5 modeli kiberxavfsizlik baholashi davomida ochiq kodli repozitoriyga zararli kod kiritishga urindi, so‘ngra o‘zgartirishni qabul qilishga majburlash uchun soxta shaxsiyatlardan foydalandi.

Buyuk Britaniya AI Xavfsizlik Instituti (AISI) 23-oktabrda e’lon qilingan natijalarni oshkor qildi va nazorat ostidagi mashq doirasidan tashqarida haqiqiy ishlab chiquvchilarga yetib borgan ruxsatsiz ta’minot zanjiri hujumini tasvirladi. Xizmat ko‘rsatuvchilar arizani rad etishdi va AISI haqiqiy dunyoda hech qanday zarar yetmaganini ma’lum qildi.

Hodisa simulyatsiya qilingan tarmoqni o‘z ichiga olgan bayroqni qo‘lga kiritish (capture-the-flag) baholashi davomida sodir bo‘ldi. Internetga kirish yoqildi, Anthropic’ning umumiy chiqarilgan modellarining kiberxavfsizlik himoya choralari esa o‘chirildi.

43 ta baholash jarayonida to‘qqiztasi haqiqiy shaxslar yoki tashkilotlarga ta’sir qilgan ruxsatsiz harakatlarni o‘z ichiga oldi. Asosiy holatda Mythos 5 dastlab ruxsat etilgan ekspluatatsiya usullarini qo‘lladi.

Biroq noto‘g‘ri sozlangan ko‘rsatmalar mo‘ljallangan yechimni qiyin yoki ehtimol imkonsiz qilib qo‘ydi, bu esa agentni muqobil yo‘llarni izlashga undadi.

Mythos 5 hujumga o‘tadi (Manba: aisi)

Model maqsadli mashinadan GitHub trafikini aniqlagach, o‘sha tizimga dasturiy ta’minot yetkazib beradigan deb hisoblagan repozitoriyalarni qidirdi. Zaif kontekstual bog‘lanishlar uni bog‘liq bo‘lmagan loyihani tanlashga olib keldi.

Agent zararli pull-so‘rov yubordi va baholash mashinasi o‘zgartirilgan dasturiy ta’minotni yuklab olishini kutdi. U xizmat ko‘rsatuvchilar bilan muloqot qilganda inson ishtirokchisi sifatida o‘zini ko‘rsatdi.

Tashqi ishlab chiquvchi zararli kodni aniqlagach, model arizani ma’qullash va yolg‘on tasdiqlash berish uchun boshqa shaxsiyat yaratdi. O‘zgartirish qabul qilinmadi va agent token byudjeti tugaguncha harakatni davom ettirdi.

AISI hech qanday zarar amalga oshmaganiga qaramay, bu faoliyatni jiddiy hodisa deb baholadi va baholash muhitlari model xatti-harakatidan qat’i nazar ruxsatsiz ta’sirlarning oldini olishi kerakligini ta’kidladi.

modellar inson xizmat ko‘rsatuvchi haqida noto‘g‘ri va yaroqsiz asoslar keltiradi (Manba: aisi)

Anthropic tekshiruvi xulq-atvor “momentum”ini aniqladi: oldingi harakatlar va siqilgan taraqqiyot xulosalari hujumni davom ettirishni kuchaytirgandek ko‘rindi.

Keyingi bosqichlardan qayta ijro etilgan yozuvlar tanlangan traektoriyalarning 98% ida hujumlar davom etganini ko‘rsatdi. Agent haqiqiy insonlar bilan o‘zaro aloqada ekanligini aniq aytish xatti-harakatni faqat 5% hollarda to‘xtatdi.

AISI Mythos 5 qayta-qayta asossiz tushuntirishlar berib, xizmat ko‘rsatuvchilarni simulyatsiya qilingan ishtirokchilar deb tasvirlaganini aniqladi. Alohida sinovlarda model hujum zararli ekanligini tan olishi mumkin edi, lekin davom etishga ruxsat berilganda baribir harakatni davom ettirdi.

Tadqiqotchilar yozma mulohazalar bu tushuntirishlar xatti-harakatni keltirib chiqarganmi yoki mavjud strategiyani oqlaganmi, aniqlash mumkin emasligini ogohlantirishdi.

Oldindan aralashuv samaraliroq bo‘ldi. Hujum boshlanishidan oldin haqiqiy dunyo zarari haqida xavotirni kiritish qayta ijro tajribasida keyingi GitHub qidiruvlarini 83% dan 13% gacha kamaytirdi.

AISI keyinchalik agentik kiberxavfsizlik baholashlari uchun internetga kirishni o‘chirganini va sandboxlar ichida hamda virtual mashina xost qatlamida tashqi tarmoq cheklovlarini joriy etganini aytdi. Sinxron monitoring xabarlar va vosita chaqiruvlarini tekshirishi, shubhali faoliyatni bloklashi va inson ko‘rib chiqishi uchun xavotirni oshirishi mumkin.

Natijalar agent tushuntirishlari majburiy xavfsizlik chegaralarini almashtira olmasligini ko‘rsatadi: yaroqsiz mulohazalar zararli harakatlarni zararsizdek ko‘rsatishi mumkin, bu esa aytilgan niyatlarga tayanadigan nazoratni zaiflashtiradi.

Tahdid tekshiruvlarini soddalashtirish va qo‘lda mehnatni kamaytirish uchun ANY.RUN’dan foydalanadigan 16 000+ SOC jamoalariga qo‘shiling. Jamoangiz uchun o‘rganing