Гостев из будущего

💥 На днях вышли две статьи об ИИ в кибербезопасности — и вместе они хорошо дополняют друг друга. Positive Technologies рассказали про ByteDog: нейросеть на трансформерной архитектуре, которая анализирует файлы напрямую в виде байтов, без предварительной разметки и распаковки. Компания заявляет превосходство над классическими ML-моделями на 20% и detection rate не ниже 90%. А вот исследователи Elastic Security Labs опубликовали работу с противоположным углом зрения. Они не защищали — они атаковали. Сначала протестировали Claude Opus 4.6 как инструмент реверс-инжиниринга: модель решила 40% задач на обфусцированных бинарниках, но при многослойной обфускации — ноль успехов и взрывной рост стоимости до $10 за попытку. Затем сделали следующий шаг: использовали ту же модель, чтобы разработать обфускацию, специально заточенную против LLM-анализа. За один длинный выходной сделали три рабочих метода. Почитайте, там прикольно. Именно здесь два материала вступают в некое противоречие. PT утверждает, что ByteDog находит угрозы, «даже если вирус спрятан сложным способом». Elastic показывает: целенаправленная LLM-таргетированная обфускация разрабатывается быстро, дёшево и стабильно ломает автоматизированный анализ. Matryoshka Wall с 100 000 слоёв шифрования выполняется нативно за 55 миллисекунд — и стоит атакующему ничего. Анализ той же модели обходится в $10 и заканчивается провалом. Не говорю о том, что ByteDog плохой прототип. Это не LLM-агент, а трансформерная модель другого класса (классификатор на уровне байтов). Elastic тестировали LLM-агента с инструментами реверсинга. Это разные подходы, и LLM-таргетированная обфускация бьёт скорее по агентам, чем по байтовым классификаторам напрямую. Проблема в том, что заявленные 90% — это цифра на исторических датасетах. И пока защитники измеряют detection rate на прошлогодних образцах, атакующий уже тестирует следующую итерацию против конкретной модели защитника — и делает это быстрее, чем вендор успевает переобучиться. @gostev_future