重點摘要

• 網路威脅已演進至機器規模（machine-scale）攻擊，形成明顯的「速度落差（speed gap）」：AI 系統可在不到 10分鐘內產生可實際運作的漏洞利用程式，使以數天為單位的修補週期愈來愈難以因應。

• 前沿大型語言模型（LLM）通常不會直接執行攻擊，而是扮演編排器（orchestrator）或「大腦」，負責複雜的程式碼分析與攻擊邏輯；Headless Browser 等次要工具則扮演「雙手」，實際送出 Web 請求。

• 攻擊工作流程可利用 Model Context Protocol（MCP）與多工具平台，自動執行偵察、漏洞探測，並反覆嘗試漏洞利用，直到成功為止。

• AI 編排式攻擊可透過偽造一般瀏覽器的 User-Agent 隱藏真正來源，使傳統依賴靜態特徵碼的 WAF 更難辨識惡意活動。

• 要緩解自主化威脅管線，企業必須在 Edge 部署即時行為分析與自動化防禦，在武器化 Payload 真正送達之前，就辨識異常探測行為。

工業化漏洞利用時代

Web安全正來到一個關鍵轉折點：攻防已從過去由人員逐鍵操作的模式，轉向工業化、自動化的漏洞利用時代。Akamai Security Intelligence Group（SIG）的研究顯示，傳統資安修補時程正被大幅壓縮。過去資安團隊通常可以依靠數天的修補週期來處理已知漏洞；但當攻擊進入自動化、機器規模執行後，防禦也必須提升到近乎即時的速度。

我們將這種現象稱為「速度落差（speed gap）」—也就是由人主導的防禦，在實務上已難以追上機器規模的攻擊速度。DARPA Challenge 的研究結果顯示，AI 系統可以在數小時內找出數十個漏洞，甚至在不到 10 分鐘內產生可實際運作的 Exploit。

AI 攻擊架構：Orchestrator 與 Executor

資安領域目前仍存在一項常見誤解：前沿 LLM 會直接發動攻擊。實際上，LLM 更常扮演自動化系統的編排器，負責快速設計與調整漏洞利用邏輯；真正執行攻擊的則是其他工具。相較之下，由人主導的修補可能需要數天、數月，甚至更久，因而形成明顯的營運失衡。

這類架構可稱為「解耦式編排（decoupled orchestration）」模型。LLM 作為編排器，也就是攻擊系統的「大腦」，負責開發 Exploit、深入分析原始碼、識別 Out-of-Band（OOB）測試機會，以及串聯多個邏輯漏洞。

真正負責執行動作的「雙手」則是次要工具，例如 Headless Browser、自訂 Python Script 或既有攻擊Framework，這些工具會實際送出 Web Request。LLM 位於攻擊者的 API 後方，與 TCP/TLS Handshake 解耦；真正與目標網站互動的是執行工具。

AI 驅動攻擊各階段解析

下表說明攻擊者如何在攻擊生命週期的各個階段運用 AI，以及 Akamai 用來偵測與緩解這些進階威脅的對應技術防禦措施。

將自主化威脅邏輯與自適應 Edge Security 結合，可協助企業在高度自動化攻擊造成重大影響之前進行遏止與阻擋。

新的攻擊工具鏈：MCP 與 AI Agent

高階 AI 推理與實際攻擊執行之間的重要橋樑之一，就是 Model Context Protocol（MCP）。MCP 可讓 Terminal-based AI Assistant 自主操作各類資安工具。代表性案例之一是 Burp AI Agent，它可將 MCP Tooling 直接整合進滲透測試工作流程。

透過 burp-scan 等自動化能力，AI Assistant 可以自行操作 Security Scanner，並利用推理引擎針對 62 種漏洞類型進行評估，包括 Injection、Authentication 與 Cryptography，對照超過 200 種 Payload 進行測試。

對研究人員而言，這類工具也已具備更成熟的 Privacy Mode，例如 STRICT、BALANCED 與 OFF，可依設定遮蔽敏感資料；此外也支援被動式分析（passive analysis），能在不發送任何 Probe 的情況下分析既有 Traffic。

自動化攻擊能力正在被工業化

這些能力真正值得警惕的地方，不只是 AI 能操作單一工具，而是 AI 可以同時協調大量工具。以 HexStrike AI 為例，這類平台可整合超過 150 種 Security Utility，讓威脅行為者取得顯著的非對稱優勢。

透過 Parallel Automation，攻擊者可以平行執行多項偵察與漏洞利用流程，並自動重新嘗試失敗的攻擊，直到成功為止，進一步提高整體漏洞利用成功率。

Akamai 研究團隊已觀察到威脅行為者使用這類工具，在 Citrix 新漏洞公開後的一週內完成武器化，幾乎抹去了防禦方原本用來測試與部署 Patch 的緩衝時間。

可視性挑戰：為什麼不存在「User-Agent: LLM」？

從 WAF 的角度來看，辨識 AI 編排式攻擊，就像是在追蹤影子。原因在於：在 Offensive AI 的攻擊模型中，LLM 本身並不是送出 Web Traffic 的來源，因此根本不存在「User-Agent: LLM」。

由於採用解耦式編排模型，資安服務看到的是 AI 智慧產生的結果——也就是 Web Request——而不是 AI 本身。

AI 攻擊編排器可透過次要工具偽造身分，使傳統靜態 Indicator 的效用大幅下降。透過 Headless Browser 這類抽象層，WAF 看到的可能只是看似正常的瀏覽器Session；真正的「大腦」則可能位於遠端，根據「雙手」回傳的結果持續即時修正攻擊邏輯。
攻擊性人工智慧組織者可以使用輔助工具來偽造其身分認同－這意味著傳統的靜態指標毫無用處（圖）。
攻擊型人工智慧編排器使用輔助執行工具來偽造 User-Agent 標頭並繞過靜態 WAF 規則。

縮短速度落差：Edge Defensive AI 的角色

要對抗機器規模攻擊，就必須部署機器規模的防禦。在 Exploit 可能於 10 分鐘內完成的情況下，單靠人工介入已難以取得優勢。Akamai 利用全球 Edge Platform 所蒐集的行為遙測資料，辨識可能逃過傳統 Filter 的高速自動化 Probe 行為。

Akamai 透過 Akamai Inference Cloud 與 Distributed Edge，從以下三個方向縮短攻防之間的 Speed Gap：

1. 提前辨識關鍵 Fault Line

利用 Behavioral Analytics 偵測攻擊者是否正在系統性描繪 API Logic，在 Weaponized Payload 真正送出之前，就識別 Probing Phase。

2. 以 AI 的速度提前防禦

Akamai Threat Research Team 利用 AI-driven Insight 找出可能被用來繞過防禦的方式，並在 AI 編排式攻擊取得立足點之前，提前更新全球 WAF 規則。

3. 將防禦移到 Edge

透過將防禦移至 Edge，企業可以更接近攻擊入口即時保護基礎架構，確保今晚被 AI 發現的漏洞，不會在明天就演變成成功入侵。

以機器速度保護企業基礎架構

從「人類逐鍵操作」走向「Machine Scale」的轉變已經完成。在今天的威脅環境中，傳統 Reactive Security 已愈來愈難成為可持續的防禦策略。

當一個 AI Orchestrator 能在幾分鐘內反覆嘗試數千種 Evasion Technique 時，防禦也必須同樣自主化、即時、可擴展且具韌性。

Web Security 的未來將存在於 Machine-scale Edge。企業必須超越傳統「Patch and Pray」模式，採用能以與攻擊者相同速度運作的主動式安全架構。要保護現代企業的未來，我們必須在 Edge 正面迎戰 Offensive AI。

原文章