Payload Podcast 010 - Olaf Hartong

Olaf Artong 自荷蘭遠端與兩位主持人進行了深度技術對談，話題從他長達十多年的安全事業演變開始。他的職業軌跡典型地展現了檢測工程領域的演化：從大型銀行的 Sysmon 模組化需求（解決多客戶環境下配置版本追蹤混亂），到後來構建全 Splunk 分析應用，再到近年轉向微軟生態並重新啟動 Sysmon 專案。

這次重啟的關鍵動力是 sysinternals 即將迎來 30 周年慶（2026 年 9 月），Olaf 受邀為重點工具進行回顧。他面臨的實際挑戰是舊配置中的 MITRE 技術標籤已過時六年，需要系統性修正。為此他開發了一套新工具套件，能驗證 XML 正確性、自動修正 MITRE 技術映射、檢測效能隱患（如日誌採集過量導致系統負載）、精確性警告（例如通配符路徑在包含時可能不精確）。

談話隨後轉向檢測工程中被普遍忽視的課題——檢測健康度監控。Olaf 分享了他開發的工具，能自動分析所有檢測、遍歷 Kusto 表與欄位，構建複合查詢並運行迭代以判斷資料在過去 1 小時、1 天、7 天乃至 1 個月內是否有進入。這套系統頻繁揭露的盲點包括：某個日誌源完全停止但組織渾然不覺、特定欄位格式在不同表間不一致導致 Join 失敗（尤其是大小寫敏感性）、一線分析師的臨時調整破壞整個檢測邏輯但無人察覺。他在多個客戶環保進行的「SOC 健康檢查」發現，多數組織既無檢測即代碼管道，也無基礎設施即代碼實踐，單一事實來源往往就是日誌平台本身，這使得錯誤無法被版本控制與回溯。

第二個重大話題是 AI 代理平台的安全威脅。講者分享了他剛發佈的研究：OpenAI Codex 的遠控功能本質上是一套未記錄的命令控制通道。攻擊者無需竊取目標憑證，只需向 Codex API 註冊伺服器（需要自己的有效存取令牌與帳號 ID）、取得配對碼、將配對碼回傳給外部控制器，隨後所有通訊都能通過 OpenAI 基礎設施進行。講者甚至提交了概念驗證程式碼，展示如何通過 PowerShell 模組自動化此過程，以及如何透過 Mythic 的 Apollo 代理將訊號通道完全轉移到 OpenAI 伺服器。更令人擔憂的是，OpenAI 的日誌系統完全沒有記錄伺服器註冊、會話來源、調用的 RPC 方法等關鍵資訊，這使防禦方完全無法偵測此類攻擊。講者更指出，OpenAI 最近新增的 Device Code 支援現已引入類似 Azure/Okta 的釣魚模式，但同樣缺乏防禦日誌，這將成為新的攻擊面。

隨著講者螢幕共享遭遇多重技術困難（Safari 權限問題、Firefox 螢幕共享失敗），他改用文字描述了 Agent Gopher 框架的核心設計。該框架完全用 Go 語言從零構建（前端採 TypeScript Monaco 編輯器），靈感來自 Dreadnode 的「能力集」概念但獨立開發了全部其他組件。核心概念是「能力」（Capability）：一個包含技能檔案（markdown 文字手冊）、MCP 伺服器、工具定義的打包單位。用戶可建立代理、賦予其特定能力、觀看完整追蹤。追蹤系統展示每次工具呼叫的參數、回應 JSON、耗時、Token 消耗，允許講者逐句調整技能文本以優化模型行為。此外框架支援代理流程編排（順序執行子代理、反饋結果至下一代理）、多代理並行對比（三個代理同時接收相同提示，並行執行）。

Token 優化是該框架的隱藏寶藏。講者發現 Defender for Endpoint 與 Sentinel 回傳的 JSON blob 可轉換為 TOML 標記法（類 YAML 格式），能節省約 35% Token——一次完整事件調查從 3500 Token 降至 23 美分。此優化對大規模部署意義重大。框架亦提供實驗性工具如「代理對比器」（Agent Differ），可同時啟動三個代理並觀察其決策差異。

第三個技術亮點是 Kusto 查詢語言工具的進化。Olaf 開發的 KQL 分析器已有開源版本，新版本升級包括 Playground 介面、Linter、自動格式化、實體對應檢查（驗證檢測定義中映射的實體是否在查詢輸出欄位中存在）。最驚人的是他用 Claude 5 將微軟原有的 .NET Kusto 語言伺服器完全移植到 Go，耗時 15 到 16 小時、消耗 20 億 Token。雖然工程上過度設計，但此舉讓他獲得對 Kusto 內部邏輯的深刻理解，且原生 Go 實現允許進一步擴展。該語言伺服器已整合入 CI/CD 管線，用於檢測語法錯誤與未滿足實體。

對話末段涉及 AI 在防禦中的角色。Olaf 認為 AI 確實可加速防禦工作流（與早年看法相反），但必須搭配人工驗證。他正實驗將代理作為紅隊增強工具——由人工滲透測試員操作，代理在旁提供建議（如「你當前在此機器上，但 BloodHound 發現另一條提權路徑」）。此模型保留人類決策權同時加快探索速度，避免了自主代理的風險（AI 代理犯錯更多更快，難以檢測其誤操作）。

最後，講者透露將在 Black Hat 進行為期四天的訓練課程，並在 DEF CON Adversary Village 主持「對抗性模擬 vs. 仿真」小組討論。Agent Gopher 框架的測試版將首次交由 Black Hat 學員試用，這將成為真實世界的壓力測試。