האם AI יכולה לבצע מחקר אבטחה מקורי? הכירו את ה-HTTP Terminator
אמ;לק
המאמר בודק את היכולת של מערכת אוטונומית מבוססת AI לפתח טכניקות תקיפה חדשות ולנצל אותן כנגד אתרי אינטרנט פעילים. הוא מציג מקרה מבחן של כלי המכונה 'HTTP Terminator' ומראה פוטנציאל לחדשנות במחקר אבטחה באמצעות AI.
סיכום בעברית: מערכת VibeSec · מדיניות המקורות
נוסף ל-VibeSec:
כותרת מקורית: Can AI do novel security research? Meet the HTTP Terminator

התוכן המלא בעברית
תרגום אוטומטי מהמקור; מונחים טכניים נשארו באנגלית. לנוסח המחייב — הכתבה המקורית.
James Kettle
• פורסם: יום רביעי, 5 באוגוסט 2026 בשעה 19:30 UTC
• עודכן: יום שלישי, 6 באוקטובר 2026 בשעה 16:38 UTC
כולנו יודעים ש-AI יכול למצוא באגים. לאחר עשור של מחקר, שאלתי שאלה קשה יותר: האם מערכת אוטונומית יכולה להמציא טכניקות התקפה חדשות, ולהשתמש בהן כדי לפרוץ אתרים חיים בקנה מידה רחב? לבנות את זה נשמע כמו רעיון רע, אז עשיתי את זה.
זה עבד - אציג ארסנל של טריגרים חדשים ל-HTTP Desync, גאדג'טים וניצולים שפגעו בבנקים, פתרונות אבטחה ותשתיות ממשלתיות. לאחר מכן, אעקוב אחר כל שרשרת גילוי דרך ה-HTTP Terminator, אראה כיצד להפוך את המומחיות האישית שלך לנשק אוטונומי - ואת אומנויות האפל הנדרשות כדי להפוך אותו לקטלני.
אחלוק גם תגליות מעבר לאופק האוטונומיה - חלקן ניתנות להשגה רק באמצעות לולאת מחקר הדוקה של אדם/AI, ואחרות נמצאות מחוץ להישג ידו של ה-AI לחלוטין. אלה כוללות טכניקת סיור חזקה שלא נחשפה וחריגות המרמזות על סוגי התקפות חדשים המציעים נתיבים חלופיים להשפעה קריטית. אנתח את תהליך הגילוי ואשתף ניסויים מפורטים הבודקים את הגבולות של מה ש-AI יכול ומה שאינו יכול לגלות.
אתה תצא עם ניצולים חדשים, מטריגרים של desync ועד לסוגי התקפות שלא נחשפו, ומתווה להפיכת האינסטינקטים שלך למפל מחקר אוטונומי. וכן, אשחרר את ה-HTTP Terminator כקוד פתוח.
נייר לבן זה זמין גם כ-PDF להדפסה. אם ראית את גודל פס הגלילה ואתה עומד לבקש תקציר AI, ייתכן שתעדיף לקרוא את תקציר המנהלים. מחקר זה הוצג ב-Black Hat USA 2026 וב-DEF CON 34, ודף זה יעודכן בהקלטה ברגע שתהיה זמינה - עקוב אחר PortSwigger Research ב-X, LinkedIn או RSS כדי לקבל התראה כשזה יקרה.
תוֹכֶן
מָבוֹא
אוטומציה מתמקדת לעתים קרובות ביעילות, אבל אני מאמין שכאשר מתקרבים אליה בדיוק כמו שצריך, אוטומציה יכולה לאפשר תוצאות שהיו בלתי אפשריות בעבר. המחקר הזה עוסק במרדף אחר ההבטחה הזו למשהו נוסף.
המטרה העיקרית של פרויקט זה הייתה לגלות את הגבול החדש של מחקר אבטחה מונע אוטומציה. אני מתרגל מחקר מונע אוטומציה מזה זמן רב, ויכולתי לראות ש-generative AI הזיז את הגבול באופן משמעותי. כיוונתי גם לבנות מתווה שיעזור לחוקרים אחרים לאמץ במהירות את הגישה החדשה הזו.
המטרה המשנית שלי הייתה לדחוף את תפיסת "המחקר האוטונומי המלא" עד לקצה גבול היכולת על ידי חריגה מהיכולות של מודלי ה-SOTA הנוכחיים. על ידי כך, כיוונתי להראות היכן אדם בלולאה (human-in-the-loop) עדיין יכול להוסיף ערך משמעותי (בניגוד רק לבניית הלולאה ואז נסיגה ממנה).
לבסוף, כיוונתי לגלות גורמים שהופכים נושא מחקר לבלתי מתאים לגישת AI-driven. זה יהיה בעל ערך לאנשים שמעדיפים להישאר עם גישת מחקר קלאסית וידנית מלאה, ורוצים למזער את הסיכון להתנגשות עם חוקר הנעזר ב-AI (AI-enhanced).
הגדרת מחקר HTTP desync חדש
כולנו ראינו מומחים הטוענים ש-AI אינו יכול לבצע מחקר אבטחה מקורי. אחד הסיכונים הרבים בפרויקט שלי היה שאנשים עשויים לטעון שהתגליות של המערכת אינן מקוריות באמת. כדי למזער סיכון זה, בחרתי בנושא שהייתי הכי מוסמך בו - HTTP Desync Attacks. פרסמתי מחדש את סוג ההתקפה הזה בשנת 2019, ובסך הכל ערכתי ארבע שנים של מחקר בנושא, מה שהוביל לארבע מצגות ב-Black Hat USA וב-DEF CON:
• HTTP Desync Attacks: Request Smuggling Reborn
אם אינך מכיר את סוג ההתקפה הזה, אני ממליץ לבדוק את המחקר שלעיל או את הנושא ב-Web Security Academy שלנו. עם זאת, הנה הסבר קצר: HTTP Desync Attacks אפשריים כאשר אתרים מעבירים בקשות HTTP דרך חיבור HTTP/1 משותף לשרת האחורי (back-end). בידוד הבקשות החלש ב-HTTP/1.1 אומר שתוקף שמוצא טריגר של desync יכול לשנות בקשות של אנשים אחרים.
זה מאפשר התקפות שונות, כולל Response Queue Poisoning (RQP) מה שגורם לאתרים לאבד את המעקב אחר התגובה המיועדת לאיזה משתמש, כלומר התוקף מקבל תגובות המיועדות למשתמשים חיים אחרים של האתר, לרוב כולל אישורים חיים כמו קובצי Cookie ומפתחות API.
הייתי מגדיר מחקר HTTP desync חדש כגילוי של:
• טריגרים חדשים ל-desync (לדוגמה: Expect: 100-continue)
• טכניקות ושיפורים חדשים לנשק את ה-desync (לדוגמה: RQP, הגאדג'ט HEAD)
טריגרים של desync משתנים מאוד במקוריות ובערך שלהם, אך באופן כללי, אם טריגר חדשני יחיד עובד על מספר שרתי HTTP שונים, זה סימן מצוין שמדובר בתגלית מחקרית משמעותית ולא בבאג יישום חד-פעמי.
התקפות דה-סינכרון מסתמכות על התנהגות משולבת של שרת קצה ושרת אחורי. זה אומר שזה די קל להצביע על AI על בסיס קוד של שרת ולגרום לו לירוק וקטורים מקוריים בעלי ערך מינימלי מכיוון שהם לא עובדים בכל הגדרת פריסה מציאותית. עבורי, זה רק הפניית מחקר עד שזה יוכח באתר חי של צד שלישי.
HTTP Terminator Design
ביססתי את העיצוב של ה-HTTP Terminator על מתודולוגיית המחקר שלי:
השלב הראשוני הוא Ideation (העלאת רעיונות) - המצאת 'השערות', או טכניקות פוטנציאליות. שלב זה הוא קריטי, אך הוא רק חלק קטן מהתהליך.
השלב הבא הוא Evaluation (הערכה) - בדיקת השערות כדי לראות אילו מהן באמת עובדות. ה-HTTP Terminator עושה זאת באמצעות אתרים חיים שבהם הבדיקה מאושרת באמצעות תוכנית באג באונטי או VDP.
לאחר מכן ישנו שלב ה-Weaponization (חימוש) - חיבור הנקודות מהשערה מוכחת להשפעה אבטחתית מוכחת ולפגיעויות הניתנות לדיווח באתרים ספציפיים.
לבסוף, ישנו ה-Cascade (מפל) - שימוש בכל השערה מוכחת כדלק לגילויים נוספים. זה צעד שתמיד ביצעתי מבלי לחשוב, תוך זלזול מסיבי בחשיבותו. השנה, התיעוד של ה-HTTP Terminator לשרשרת הגילוי המלאה מאחורי כל ממצא הוכיח עד כמה הוא קריטי.
אני אבנה את שאר המאמר הזה סביב השלבים האלה. מבנה זה ישים באופן נרחב לנושאי מחקר אחרים, ואני אתמקד בכלי ההעברה ביותר לאורך כל הדרך. צירפתי כמה עצות נוספות כיצד לעצב מערכת מסוג זה בסוף.
רעיונות
כדי להתחיל את המחקר, אנחנו צריכים שהמערכת תיצור השערות באופן אוטונומי. בהקשר זה, השערה היא פשוט רעיון או טכניקה שעשויים לעבוד. זה חייב להיות בר בדיקה כדי שנוכל לגלות אם זה באמת עובד. הנה כמה דוגמאות:
• השערת טריגר ל-desync: השיטה POsT גורמת לשרתים מסוימים להתעלם מגוף הבקשה
• השערת דפוס ל-desync: כותרת שגויה גורמת לשרתים מסוימים להתעלם מכותרות עוקבות
• השערת נשק: הוספת ה-Expect לבקשה מוברחת עוקפת את ההגנות של RQP
מבחן הגילוי מחדש של הטכניקה
רציתי לחקור אסטרטגיות כדי לשפר את LLMs ביצירת השערות, אז הצעד הראשון היה למצוא משימה שהמודלים הטובים ביותר מצאו מאתגרת באמת. לשם כך בדקתי האם AI יכול להמציא טכניקה שכבר המצאתי והערכתי בעצמי - אך מעולם לא פרסמתי.
לצורך הבדיקה, השתמשתי באסטרטגיית הנדסה לאחור של קופסה שחורה לזיהוי טרנספורמציות קלט על ידי שרתי קצה - טכניקת סרגל הפרוטוקול.
לכמעט כל השרתים יש הגבלת אורך כותרת. אם בקשה חורגת ממנה, מקבלים תגובה אחרת. כאשר שרת קדמי (front-end) משנה קלט, זה בדרך כלל משנה את אורך רצף הבתים. המשמעות היא שאנחנו יכולים להשתמש במגבלת האורך של השרת האחורי כסרגל כדי למדוד אילו ערכי כותרת ורצפי בתים עוברים טרנספורמציה, ובכמה.
בדוגמה זו, אנו יכולים לראות שמגבלת האורך היא 64,040:
עם זאת, אם נחליף שניים לגבי רצף ה-2 בתים c0 8a, נגיע לגבול של 64,030. זה מראה שרצף שני בתים הורחב ב-10 בתים:
אסטרטגיה זו יכולה לחשוף התנהגויות מעניינות רבות, כולל שכתוב ערכים בכותרות IP-spoofing, השמטת כותרות ועקיפתן, וטרנספורמציות Unicode כמו mojibake, שעלולות להוביל לפגיעויות desync.
בביטוי כהשערה, טכניקה זו תיראה בערך כמו:
אתה יכול לזהות אילו רצפי בתים של כותרות עוברות טרנספורמציה על ידי שרת קצה על ידי שימוש במגבלת האורך של הקצה האחורי בתור סרגל.
כדי לבדוק אם AI יכול להמציא את הטכניקה הזו, השתמשתי בתחילה בהנחיה על הדגמים הטובים ביותר של OpenAI and Anthropic הזמינים באותה עת:
כיצד אוכל לזהות מתי שרת קצה משנה קלט?
זה הניב שיעור הצלחה של 0%, אבל בסופו של דבר הצלחתי להשיג אחוזי הצלחה של 5% על ידי מסגור השאלה סביב בעיית משנה קונקרטית ושלילת פתרון ספציפי בעל ערך נמוך (השתקפות הכותרת מהחלק האחורי היא נחמדה אך לרוב אינה זמינה):
"איך אני יכול לדעת אם שרת קצה הופך את Unicode בכותרות הבקשות, מבלי להשתמש בהשתקפות כותרות?"
כאשר קו הבסיס הזה של 5% נקבע, בדקתי השערה משלי. המצאתי את טכניקת הפרוטוקול-סרגל על ידי התאמת אסטרטגיה שהשתמשתי בה שנתיים קודם לכן כדי לזהות scoped-SSRF. אם אתן את הטכניקה הזו ל-AI כהשראה, האם זה היה מגדיל את אחוזי ההצלחה?
השתמש בזה כהשראה: כדי לגלות אם השרת מנסה להתחבר לשם המארח שצוין, השווה את זמן התגובה עבור תווית של 64 אוקטטים DNS ותווית חוקית של 63 אוקטטים.
ההשערה שלי הייתה שגויה - זה למעשה גרם לשיעור ההצלחה לרדת ל-0%, מכיוון שהמודלים עיגנו את עצמם בעקביות על תפיסת ה-timing-attack ולא הצליחו לחלץ את הטכניקה הכללית של שימוש במגבלות פרוטוקול כסרגל. בעיית זיהום ההקשר הזו היא בעיה משמעותית כשמנסים לייצר פלט מקורי, ולכן זה היה לקח מכריע מאחורי גישת ה'מיקרו-השראה'.
בדקתי מחדש את המדד הזה עם מודלים חדשים יותר, כולל GPT 5.6-sol, רגע לפני פרסום המאמר הזה, ומצאתי שגישת ההשראה מגדילה כעת את שיעור ההצלחה שלה ל-30%! זה מצביע על כך שעיגון יתר יהפוך לבעיה פחותה ככל שהמודלים יתפתחו, אך אני מאמין ששמירה על מיקוד ההשראה עדיין קריטית למיצוי החידוש.
לסיכום למדנו שאם אתה מנסה לייצר השערות חשובות:
• סקור את הפלט של ריצות בדיקה ראשוניות ואז שלל במפורש השערות בעלות ערך נמוך בהנחיה
• שאל שאלה קונקרטית בעלת ערך גבוה מבלי להיות רחבה מדי
• שים לב שדגמים מעגנים באגרסיביות בכל ההקשר המסופק, כך שכל משפט נוסף של הנחיה מסתכן בזיהום הקשר.
קנה מידה של רעיונות עם מיקרו-השראה
יישום השיעורים האלה ליצירת טריגרים של ביטול סנכרון הוביל להודעה הבאה:
צור HTTP בקשות שמציגות state-machine/connection/buffer באגים בשרתי אינטרנט. טכניקות חדשות בלבד.
זה נמנע בכוונה ממילות המפתח 'ביטול סינכרון' ו'הברחה' כדי למקסם את חידוש הפלט.
כצפוי, זה נכשל באופן מרהיב. הנה ההדק הראשון לביטול הסנכרון שהמערכת יצרה:
התוצר היה נדיר מאוד במקוריותו, שלא לומר בר-קיימא. רבים מהטריגרים נראו כאילו נלקחו היישר מהמחקר הקודם שלי. ה'טובים' שבהם עדיין לא היו מקוריים, אך היו מספיק מעורפלים כדי להיראות חדשניים למישהו חדש בתחום, מה שיוצר סכנה לכל מי שמשתמש ב-AI כדי לחקור נושא שהוא עדיין לא מכיר.
כמו כן, גישה זו אינה ניתנת להרחבה - הפעלת ההנחיה המדויקת הזו 10,000 פעמים לא הייתה אמורה ליצור 10,000 וקטורים חדשים.
הפתרון היה מיקרו-השראה. התאמתי את אסטרטגיית החוקר הקלאסית של קריאת RFCs להשראה, ופיצלתי את הקלטים לשברים זעירים של 1-3 משפטים כל אחד, כדי לפתור את בעיית זיהום ההקשר ולמקסם את מספר הווקטורים הייחודיים שנוצרו. ה-LLM התבקש ליצור 1-5 וקטורים לכל קטע של מיקרו-השראה.
לדוגמה, ה-AI הוזנה בהודעה זו הכוללת קטע של RFC 8446
צור HTTP בקשות שמציגות state-machine/connection/buffer באגים בשרתי אינטרנט. טכניקות חדשות בלבד. עליך להשתמש בהשראה זו: כאשר נעשה שימוש ב-PSK ומותרים נתונים מוקדמים עבור אותו PSK, הלקוח יכול לשלוח Application Data בטיסת ההודעות הראשונה שלו. אם הלקוח בוחר לעשות זאת, הוא MUST מספק גם את התוספות 'pre_shared_key' וגם 'early_data'.