AI Claude Mythos có thể ghép nhiều lỗi nhỏ thành chuỗi tấn công hoàn chỉnh

Cloudflare gần đây đã thử nghiệm Claude Mythos Preview — một mô hình AI chuyên cho nghiên cứu an ninh mạng do Anthropic phát triển — trên hơn 50 kho mã nội bộ và mã nguồn mở. Thử nghiệm được thực hiện trong khuôn khổ chương trình hạn chế Project Glasswing, nơi các tổ chức được chọn dùng mô hình để tìm và sửa lỗ hổng phần mềm quan trọng.

Kết quả cho thấy Mythos không chỉ dừng lại ở việc phát hiện lỗi. Nó có thể liên kết nhiều lỗ hổng riêng lẻ thành chuỗi tấn công hoàn chỉnh và tự tạo mã khai thác thử nghiệm — một bước tiến đáng chú ý trong nghiên cứu bảo mật bằng AI.

Từ phát hiện lỗi sang xây dựng chuỗi khai thác

Phần lớn công cụ quét bảo mật tự động hiện nay chỉ phát hiện từng lỗ hổng riêng lẻ. Tuy nhiên trong thử nghiệm của Cloudflare, Mythos có thể làm nhiều hơn thế.

Khi phân tích các codebase thực tế, mô hình có thể:

• Phát hiện nhiều lỗ hổng nhỏ hoặc mức độ thấp trong hệ thống
• Hiểu cách các điểm yếu này có thể tương tác với nhau
• Ghép chúng thành một chuỗi khai thác (exploit chain) tạo ra đường tấn công thực sự

Nói cách khác, AI không chỉ báo lỗi mà còn suy luận theo cách một hacker hoặc nhà nghiên cứu bảo mật sẽ làm: kết nối nhiều “mảnh ghép” thành kịch bản tấn công hoàn chỉnh. Khả năng này được quan sát trong các hệ thống runtime, mã giao thức, thành phần control‑plane và nhiều dự án mã nguồn mở mà Cloudflare kiểm tra.

Thông thường, việc xây dựng exploit chain như vậy đòi hỏi kinh nghiệm sâu của chuyên gia bảo mật.

Tự động tạo mã proof‑of‑concept

Một phát hiện đáng chú ý khác là Mythos có thể tự động tạo mã proof‑of‑concept (PoC) để chứng minh lỗ hổng có thể bị khai thác.

Theo quan sát của Cloudflare, quy trình của mô hình có thể bao gồm:

• Viết mã để kích hoạt lỗ hổng
• Biên dịch và chạy mã trong môi trường thử nghiệm
• Phân tích kết quả hoặc lỗi
• Điều chỉnh phương pháp và thử lại

Quy trình lặp này giúp mô hình đi từ việc phát hiện lỗ hổng đến xác nhận khai thác thực tế với rất ít can thiệp của con người.

Trong thực tế, việc tạo PoC thường là bước quan trọng để xác định mức độ nguy hiểm thật sự của một bug. Nếu AI có thể tự động hóa bước này, quá trình đánh giá và ưu tiên vá lỗi có thể nhanh hơn đáng kể.

Khả năng khai thác nâng cao

Tài liệu của Anthropic cũng mô tả một số năng lực khác của Mythos trong các thử nghiệm nội bộ, bao gồm:

• Phát hiện lỗ hổng zero‑day trong các dự án mã nguồn mở
• Reverse‑engineer kỹ thuật khai thác từ phần mềm đóng nguồn
• Biến các N‑day vulnerabilities (lỗi đã biết nhưng chưa được vá rộng rãi) thành exploit hoạt động

Điều này cho thấy mô hình được thiết kế đặc biệt cho phân tích lỗ hổng có cấu trúc và suy luận khai thác, thay vì chỉ hỗ trợ viết code chung chung.

Những hạn chế được phát hiện

Dù khả năng khá ấn tượng, thử nghiệm của Cloudflare cũng cho thấy một số vấn đề quan trọng.

False positive

Mythos đôi khi báo cáo các lỗ hổng không thực sự tồn tại hoặc không thể khai thác. Các dự án viết bằng ngôn ngữ không an toàn về bộ nhớ như C hoặc C++ thường tạo ra nhiều cảnh báo sai hơn, nghĩa là con người vẫn phải kiểm chứng lại kết quả.

Hành vi từ chối không nhất quán

Cloudflare cũng ghi nhận mô hình có hành vi an toàn không đồng đều. Trong một số trường hợp, AI xác định được chuỗi khai thác nhưng sau đó từ chối hoàn thành hoặc trình diễn exploit do các cơ chế bảo vệ. Trong trường hợp khác, nó lại đi xa hơn trước khi dừng.

Điều này cho thấy việc cân bằng giữa khả năng nghiên cứu bảo mật mạnh mẽ và kiểm soát rủi ro lạm dụng vẫn là thách thức lớn.

Vì sao kết quả này quan trọng với an ninh mạng

Kết quả thử nghiệm phản ánh một xu hướng lớn: AI đang bắt đầu thay đổi cách phát hiện và khai thác lỗ hổng phần mềm.

Đối với các đội bảo mật, công cụ như Mythos có thể:

• Phát hiện chuỗi lỗ hổng phức tạp mà scanner truyền thống bỏ sót
• Xác minh khả năng khai thác nhanh hơn
• Giúp ưu tiên vá các lỗi nguy hiểm nhất

Tuy nhiên, cùng khả năng đó cũng có mặt trái. Nếu AI có thể tự động chuyển từ phát hiện bug sang tạo exploit hoạt động, rào cản kỹ thuật để tiến hành tấn công mạng phức tạp có thể giảm đáng kể.

Cloudflare cho rằng trong bối cảnh AI tăng tốc nghiên cứu lỗ hổng, chỉ vá lỗi nhanh hơn có thể không còn đủ. Các tổ chức có thể cần những mô hình quản lý lỗ hổng và kiến trúc bảo mật mới để đối phó với các công cụ tấn công được hỗ trợ bởi AI.

Bài toán “dual‑use” của AI bảo mật

Claude Mythos Preview là ví dụ rõ ràng cho một công nghệ dual‑use — có thể dùng cho cả mục đích phòng thủ và tấn công.

• Trong môi trường phòng thủ, nó giúp tìm và sửa lỗ hổng trước khi kẻ tấn công khai thác.
• Trong tay kẻ xấu, cùng khả năng đó có thể tăng tốc phát triển exploit ở quy mô lớn.

Chính vì rủi ro này, Mythos hiện chưa được phát hành công khai. Thay vào đó, Anthropic chỉ cung cấp cho một số tổ chức được chọn trong chương trình Project Glasswing để phục vụ nghiên cứu phòng thủ.

Thử nghiệm của Cloudflare cho thấy AI đang tiến gần đến giai đoạn tự động hóa toàn bộ quá trình từ phát hiện lỗ hổng đến xây dựng khai thác — một bước chuyển có thể định hình lại cả phòng thủ lẫn tấn công mạng trong những năm tới.