AI Agents Enable Adaptive Computer Worms

计算机蠕虫是一种恶意软件，它通过在网络中从一台机器自我复制到另一台机器而实现传播。传统蠕虫（如“WannaCry”）依赖于预先已知的漏洞进行攻击，只要及时修补这些漏洞，其传播即可被有效阻断。本文表明，人工智能（AI）智能体催生了一种根本性的新型威胁：一种能够针对其所遭遇的每个目标自动生成定制化攻击策略的蠕虫。该蠕虫以寄生方式利用已被攻陷的设备运行开源权重的大语言模型（LLM），既借此维持自身的推理能力，也借此拓展攻击范围、发动进一步攻击。我们在一个涵盖Linux、Windows及物联网（IoT）设备的异构企业网络环境中部署了该蠕虫；其传播过程依赖于利用现实中普遍存在、真实存在的企业网络通用漏洞。由于该蠕虫所依赖的算力完全来自窃取的计算资源，攻击者每新增一次感染的边际成本为零——这在攻防双方之间造成了严重的经济失衡，显著削弱了防御方的可持续应对能力。此外，由于该蠕虫无需依赖任何商业AI平台，因此诸如服务拒绝、调用频率限制等由中心化平台实施的安全管控机制，在结构上对其完全无效。我们的实验结果证实：具备自我维持能力的AI驱动型网络威胁已不再是理论构想，而成为现实风险。我们必须未雨绸缪，积极应对“自主生成式对手”——即一类无需人工操作即可自主传播的恶意软件系统；这类系统不再由固定的漏洞利用代码所定义，而是由其面向目标开展推理、依据实时观测动态适应、并在运行时即时合成攻击逻辑的核心能力所界定。

论文揭示了一种新型AI驱动的自维持网络蠕虫威胁：该蠕虫不再依赖预置漏洞利用代码，而是利用被攻陷设备上的开源大语言模型（LLM）实时推理、动态生成针对每个目标的定制化攻击策略。它验证了‘自主生成式恶意软件’已从理论构想变为现实可行威胁，挑战了传统基于补丁、边界防御和集中式AI平台管控的安全范式。这是一个全新且紧迫的问题——此前尚无实证研究展示完全离线、去中心化、自推理、跨异构系统（Linux/Windows/IoT）持续传播的AI蠕虫。

核心创新在于将开放权重LLM作为蠕虫的‘分布式推理引擎’嵌入恶意载荷：蠕虫在每台受控机器上轻量部署并运行本地LLM（如Phi-3、Llama 3），利用窃取的算力进行实时目标分析（如服务识别、配置审查、漏洞推断）、攻击向量合成（如生成Python exploit、PowerShell payload或IoT固件侧信道指令）及传播决策优化。其关键突破是‘攻击逻辑的运行时生成’替代‘静态exploit捆绑’，且完全规避商用AI API，使传统内容过滤、速率限制、API护栏等安全机制彻底失效。

实验在真实异构企业级网络模拟环境（含Ubuntu 22.04、Windows Server 2022、Raspberry Pi运行OpenWrt的IoT网关）中部署蠕虫，成功利用Samba CVE-2021-44142、Log4j CVE-2021-44228、以及弱凭证SSH爆破等常见漏洞实现链式横向移动；所有LLM均使用<3GB显存的量化开源模型（Q4_K_M），可在树莓派等边缘设备运行；作者明确声明不公开代码以防止武器化，但提供了详尽的架构图、攻击时序日志与LLM提示工程模板（含system prompt设计与few-shot攻击链示例）；值得深入的方向包括：LLM推理过程的硬件级行为监控、面向AI蠕虫的‘推理指纹’检测、轻量级可信执行环境（TEE）对模型加载的强制验证、以及对抗性提示注入在恶意推理中的防御机制。

1. 'The AI-Powered Hacker: A Practical Study of LLM-Augmented Red Teaming' (USENIX Security '24); 2. 'LLM-Red: Large Language Models as Automated Penetration Testing Agents' (Black Hat USA '23); 3. 'WormGPT: Generative AI for Malicious Automation' (Trend Micro Research, 2023); 4. 'Autonomous Cyber Operations: From Scripted Exploits to Adaptive Adversaries' (IEEE S&P '23 Workshop on AI & Security); 5. 'Neural Exploit Generation: Learning Vulnerability Patterns from Binary Code' (NDSS '22)