AI-modellen dringen door tot fysieke machines

De bevindingen, gepubliceerd in een nieuw whitepaper van het bureau, tonen aan hoe snel digitale aanvallen kunnen omslaan in fysieke acties op de werkvloer. De AI-modellen voerden de taken uit zonder voorafgaande toegang tot broncode, technische documentatie of specifieke instructies voor de betreffende systemen.

100 procent score in alle scenario's

Onderzoekers testten de AI-modellen in het geïsoleerde OT Cybersecurity Lab van Booz Allen, dat is ingericht als een geavanceerde fabriek met apparatuur van verschillende leveranciers. Uit veiligheidsoverwegingen moest een menselijke operator vooraf elke exploit of actie met fysieke impact goedkeuren.

De resultaten waren ontluisterend: in alle acht geteste scenario's behaalden de AI-modellen het gestelde doel. In één test lokaliseerde de AI een industriële robotarm, bracht de bewegingslimieten en veiligheidszones in kaart en liet de arm binnen een paar minuten bewegen.

Wat de AI-modellen bijzonder gevaarlijk maakt, is hun vermogen om taken te combineren die normaal gesproken door verschillende menselijke specialisten en in opeenvolgende fasen worden uitgevoerd. De modellen voerden zelfstandig netwerkscans uit, zochten naar bekende kwetsbaarheden in specifieke apparatuur en firmware, stelden aanvalsroutes op, losten technische problemen op en voerden de aanval uit.

AI past zich aan wanneer beveiliging blokkeert

Traditionele beveiligingsmaatregelen — zoals firewalls, netwerksegmentatie en endpoint-beveiliging — wisten de AI soms te vertragen of tegen te houden, maar geen enkele maatregel bleek consequent opgewassen tegen de modellen. Als een pad geblokkeerd werd, veranderde de AI van methode en zocht een alternatieve route.

Tijdens een test met een SCADA-besturingssysteem richtte de AI zich aanvankelijk op de verkeerde softwareversie. Nadat de aanval mislukte, controleerde de AI de actieve sessies, ontdekte de juiste versie die in de controlekamer werd gebruikt, paste de 'payload' aan en vond direct 14 live, vooraf geauthenticeerde verbindingen met industriële apparaten.

In een ander scenario merkte het model op dat een veiligheidsrelais steeds zocht naar een ontbrekende netwerkpartner. Uit die enkele aanwijzing leidde de AI af hoe het de identiteit van die ontbrekende partner kon overnemen om binnen te dringen.

Fysieke knoppen en configuratie bieden wel weerstand

De tests brachten ook duidelijke lichtpunten aan het licht. Een van de krachtigste barrières bleek fysieke en lokale beveiliging te zijn: een industriële controller weigerde een stopcommando op afstand en een motor die op 'lokale bediening' was ingesteld, kon door de AI niet op afstand worden gestart.

"Die mislukkingen laten precies zien waarom apparaatconfiguratie en lokale veiligheidsmechanismen zo cruciaal zijn, zelfs nadat een indringer het industriële netwerk al heeft binnengedrongen," stellen de onderzoekers van Booz Allen.

Advies voor de industrie

Booz Allen adviseert organisaties in de vitale infrastructuur en maakindustrie om hun digitale verdediging dringend te herzien:

• Snijd makkelijke routes af: Isoleer processen met een hoge fysieke impact en verwijder gedeelde netwerkverbindingen en vooraf geauthenticeerde sessies die de grens tussen IT en OT overschrijden.
• Beveilig de brugsystemen: Geef prioriteit aan de beveiliging van firewalls, switches, jump hosts, SCADA-platforms en technische werkstations.
• Kijk naar fysieke consequenties: Beoordeel kwetsbaarheden niet alleen op een theoretische risicoscore, maar breng in kaart wat een aanvaller fysiek kan veranderen als een bepaald systeem wordt gecompromitteerd.
• Monitort veranderingen en paraatheid: Monitor continu op onverwachte programma-updates of wijzigingen in de status van controllers en zorg dat geteste back-ups direct beschikbaar zijn om systemen te herstellen.