KeyFrame內部研究專用

AI 時代不必等紅隊|NodeZero 虛擬紅隊強化資安攻防韌性

PMD Netfos (NetfosTV)·5月26日週二·35 min中文

三句話摘要

以 AI 虛擬紅隊工具 NodeZero 取代傳統一次性滲透測試,實現企業資安驗證的持續化與自動化。 --- NodeZero 將攻擊演練從「年度事件」變成「日常運維」,讓企業第一次有能力用數字回答「我的防禦到底有沒有效」這個問題。 1. 持續驗證取代一次性測試是 CTEM 框架的核心訴求

重點整理

重點
  • 1

    1. 持續驗證取代一次性測試是 CTEM 框架的核心訴求

  • 2

    傳統弱點掃描與年度滲透測試之間存在巨大的時間空窗,攻擊者不等排程。CTEM(Continuous Threat Exposure Management)要求驗證頻率從年度提升至每月、每季,並以 AEV(自動化攻擊演練)作為循環閉環的關鍵引擎。

  • 3

    2. AI 虛擬紅隊與傳統紅隊形成互補分工,而非取代

  • 4

    傳統紅隊提供高價值、客製化的複雜攻擊鏈(1-2 個月週期),AI 虛擬紅隊負責常態化的內網橫向移動與大範圍覆蓋(數小時完成)。兩者結合後,管理層能取得可量化的資安韌性指標,而非僅有文字報告。

  • 5

    3. NodeZero 的三維風險評分解決「修哪個漏洞」的難題

  • 6

    NodeZero 不以 CVSS 分數為唯一依據,而是疊加三個維度:漏洞是否出現在真實攻擊路徑中、是否在目標環境實際可被利用、以及目標資產的業務價值。同一個 SNMP 漏洞,攻下 Switch 的評分(9.5)遠高於攻下一般電腦(3.0),原因在於 Switch 對企業的影響面更廣。

  • 7

    4. MCP 整合使 AI Agent 能以自然語言驅動整個驗證流程

  • 8

    NodeZero 支援 MCP 協定,可與 Claude、GitHub Copilot 等 AI Agent 串接。工程師能以自然語言查詢受影響資產、請 Agent 觸發測試、取得修復建議、自動建立工單(Jira/ServiceNow),並在修復後一鍵觸發複測——整個循環在 Agent 協調下幾乎不需人工切換介面。

  • 9

    --

實用技巧與重點

乾貨
  • 數字與效益
  • Horizon 3 成立年份:2019 年,地點:美國加州舊金山
  • Gartner Peer Insights:4.7 分,140+ 客戶,2025 Customer Choice
  • NSA CAPT 計畫:500+ 企業,6,000+ 次自動滲透測試,保護 80 萬個端點,30 天移除 71% 關鍵弱點
  • GOAD 靶場(國際知名 AD 靶場):NodeZero 4 分 25 秒攻破
  • 實際銀行案例:全自動、無人介入,4 分鐘滲透成功
  • 台灣 PoC:兩個 Class C,96 台主機被攻下(47% 比例),2 小時內從黑箱取得 Domain Admin 憑證
  • 零日回應速度:2025/12/3 漏洞揭露,12/4-12/5 平台即完成更新並可測試
  • 工具與平台
  • NodeZero(Horizon 3 主產品)
  • 整合漏洞管理:Nessus、Rapid7、Qualys
  • 整合 SIEM:Splunk Cloud、Microsoft Sentinel
  • 整合工單系統:Jira、ServiceNow
  • AI Agent 整合:Claude(MCP)、GitHub Copilot
  • 攻擊框架技術:ADCS 提權、密碼噴灑(Password Spray)、Refresh Token 竊取、憑證雜湊(Hash)傳遞、橫向移動
  • 功能名稱
  • BAS(Breach and Attack Simulation):台灣過去主流的攻擊模擬工具類型
  • Trip Files:NodeZero 的蜜罐功能(假 AWS Credential、假資料庫檔案、Windows Process 監控、AD 虛擬帳號)
  • 三維風險評分:攻擊路徑關聯 + 實際可利用性 + 高價值目標加權
  • 漏洞狀態三分類:Mitigate(已修復)、Open(待處理)、Regress(修復後復發)
  • 一鍵複測:支援單一漏洞多 IP、多漏洞多 IP 批次複測
  • CTEM 循環:Scoping → Discovery → Prioritization → Validation → Mobilization
  • 攻擊路徑範例(影片實際展示)
  • 從 Microsoft Entra Tenant 找到 Username
  • 執行密碼噴灑 → 取得 Refresh Token → 拿下 Outlook
  • 台灣 PoC:Samba 漏洞 → 描述欄位發現明文密碼 → 取得 Domain User → ADCS 提權 → 取得高權限憑證 Hash → 攻入 DC
  • --

結論

結論

NodeZero 將攻擊演練從「年度事件」變成「日常運維」,讓企業第一次有能力用數字回答「我的防禦到底有沒有效」這個問題。

完整解析

詳細

企業資安長久以來面對的困境,是防禦與驗證之間的時間鴻溝。滲透測試一年做一到兩次,弱點掃描雖然頻繁但僅告訴工程師「有漏洞」而非「漏洞能被如何利用」,藍隊花費大量預算部署防禦設備卻缺乏客觀指標確認其實際效能,管理層問起資安投資回報時往往只能交出一份漏洞清單。這種靜態、一次性的模式在 AI 輔助攻擊讓駭客可以「一鍵啟動、數十秒穿透」的時代,已顯然跟不上威脅演進的速度。

CTEM 框架提出的解法是「持續暴險管理」——將驗證從年度事件轉為日常運維,而 AEV(Automated Exposure Validation)技術是讓這個循環得以落地的引擎。Horizon 3 開發的 NodeZero 正是這類工具的代表。它並非傳統的弱點掃描器,而是一套自動化紅隊系統:從外部可對 AWS、GCP 雲端資產及企業網站發動攻擊;在內部可以 VM 形式部署於 OA 或 DMZ 區段,模擬駭客已建立立足點後的橫向擴散行為。整個攻擊流程如真實紅隊一樣分階段執行——資產盤點、初始突破、權限提升、橫向移動——每個步驟留下精確時間戳記,最終不只回報「有漏洞」,而是呈現完整的攻擊鏈並說明「漏洞能被用來做什麼」。

NodeZero 在風險優先排序上引入三維評分機制,跳脫單純依賴 CVSS 評分的限制:漏洞是否出現在實際可走通的攻擊路徑中、在當前環境能否真正被利用、目標資產的業務重要性各佔一個維度。同樣是 SNMP 漏洞,打下 Switch 的評分遠高於打下一般桌機,因為 Switch 的失陷對整個網段的影響面截然不同。在修復閉環方面,平台整合 Jira 與 ServiceNow 自動派工、串接 Nessus/Rapid7/Qualys 彙整漏洞狀態,並在工程師聲稱修復後支援一鍵複測,將「發現—修補—驗證」壓縮在同一個工作流程內。對於短期無法修補的老舊系統,NodeZero 在其成功入侵的主機上部署 Trip Files 蜜罐(假 AWS 憑證、假資料庫檔、AD 虛擬帳號),讓駭客真正入侵時會主動觸發告警,並可即時推送至 Splunk 或 Microsoft Sentinel。

在 AI Agent 整合層面,NodeZero 支援 MCP 協定,可與 Claude 及 GitHub Copilot 直接串接。工程師以自然語言描述需求,Agent 即可調用 NodeZero API 觸發針對特定服務或 IP 的測試、彙整測試結果、查詢受影響資產清單、生成修復建議並自動建立工單派給對應工程師,修復完成後再觸發複測確認結果。整條流程中人工介入的節點大幅減少。台灣 PoC 的實際案例印證了效果:在兩個 Class C 網段、純黑箱(不提供任何帳號密碼)的條件下,NodeZero 發現 Samba 描述欄位存有明文密碼,藉此取得 Domain User 後利用 ADCS 漏洞提權,最終在 2 小時內拿下 Domain Admin 並攻入 DC,共攻下 96 台主機(佔 47%)。報告產出後,每個漏洞附有標準修復方案、替代方案及緩解措施,甚至逐步截圖說明點擊位置與設定值,讓工程師照單執行即可,而非只收到一份需要再二次整理的原始數據。

---

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。