🤖Как многоагентная система DarkBot узнаёт планы 🛡злоумышленников в даркнете В свежей научной статье 📄 «Towards Automated Cyber Threat Intelligence Elicitation in Underground Forums» исследователи из Миланского политехнического университета и компании BV TECH представили систему под названием DarkBot. По словам исследователей, это первая многоагентная архитектура на базе LLM, предназначенная для активного и скрытного сбора данных киберразведки (CTI) на открытых теневых форумах. ❔ Проблема и основная идея: Как утверждают авторы статьи, традиционный сбор CTI на хакерских форумах строится на пассивном мониторинге и парсинге открытых публикаций. Злоумышленники всё чаще уходят в закрытые каналы, а ценная оперативная информация редко публикуется спонтанно в открытом доступе. DarkBot переходит от пассивного наблюдения к активному диалоговому сбору информации. ИИ вступает в обсуждения под видом обычного пользователя форума и задаёт продуманные контекстные вопросы, побуждая участников раскрывать технические подробности атак, используемых инструментов и уязвимостей. 🚠 Архитектура DarkBot разделена между 11 специализированными агентами, сгруппированными в три функциональных блока: 1️⃣ Блок контроля взаимодействия (Engagement Gating) 2️⃣ Блок моделирования контекста и генерации вопросов (Context Modeling and Question Generation) 3️⃣ Блок стилистической адаптации (Linguistic Style and Credibility) Оркестрация агентов реализована с помощью Microsoft AutoGen. Из соображений конфиденциальности были развёрнуты модели с открытыми весами на локальном сервере: ▪️Для логических рассуждений, фильтрации и защиты от атак использована модель ❗️ Qwen3-32B. ▪️Для анализа атакующих действий и генерации вопросов без срабатывания встроенных цензурных ограничений применена «разблокированная» (abliterated) модель Gemma3-27B. ▪️Агент SLANGCONVERTER работает на базе компактной ИИ-модели ❗️Gemma3-4B, дообученной с помощью фреймворка Unsloth на синтетическом датасете сленга теневых форумов. Результаты экспериментов 📊Исследователи провели всестороннюю оценку DarkBot как в симуляциях, так и в реальных условиях: ▪️Извлечение техник MITRE ATT&CK (датасет CrimeBB): на 100 архивных ветках теневых форумов DarkBot, видя только первое вводное сообщение темы, сумел извлечь через наводящие вопросы 72,8% техник MITRE ATT&CK, содержавшихся во всей реальной дискуссии. Монолитная модель в аналогичных условиях извлекла лишь 51,4% техник. ▪️Устойчивость к атакам: на уровне сквозного пайплайна система нейтрализовала 100% протестированных попыток джейлбрейка. Отдельный агент DEFENSIVEAGENT выявил 92,8% враждебных промптов, а выходной фильтр FILTERAGENT заблокировал 85,6% потенциально опасных реплик, переписанных на сленге. Расчётная вероятность одновременного сбоя двух защитных уровней (DEFENSIVEAGENT и FILTERAGENT) составила 1,04%. ▪️Эксперимент на форумах: авторы опубликовали 20 пар одинаковых тем на форумах BlackHat World и Dread. В ветках, где работал DarkBot, за 7 дней было собрано в среднем на 3,85 больше CTI-сущностей по стандарту STIX 2.1 по сравнению с контрольными ветками без бота (p = 0,033). ▪️Испытания в реальной среде: система провела 104 живых диалога и опубликовала 213 сообщений на открытых форумах и площадках в сети Tor. Бот получил ранее неизвестные сведения, например подтверждение практического тестирования злоумышленниками свежей техники обхода EDR под названием EDR-Freeze, а также подробности о структуре базы данных и статусе доступа в процессе активной утечки данных. ▪️Маскировка и отсутствие банов: за всё время работы аккаунты DarkBot ни разу не были заблокированы, модераторы не удаляли его сообщения, а пользователи не заподозрили автоматизацию. По шкале детектора Sapling API средняя вероятность машинного текста в репликах DarkBot составила 6,87% на BlackHat World и 10,75% на Dread, что оказалось даже ниже средних показателей живых пользователей этих ресурсов. 👆Как утверждается, DarkBot открывает путь к безопасной автоматизации агентурной разведки в киберпространстве, существенно снижая рутинную нагрузку на аналитиков. ✋ @Russian_OSINT