Всем привет!

Меня зовут Глеб Санин, аналитик данных R&D-лаборатории Центра технологий кибербезопасности ГК «Солар». В этой статье я попробовал разобраться, поможет ли ИИ в решении заданий на CTF-турнирах и с какими ограничениями можно столкнуться в моменте.

О будущем использовании ИИ в CTF, как улучшить взаимодействие человека и «машины» и об этике использования ChatGPT подискутируем в комментариях.

ИИ поехали...

Формат Capture the Flag (СTF) стремительно набирает популярность в киберучениях. Например, мы в «Солар» проводим ряд киберучемпионатов в таком формате. Например, международный турнир «Солара» в Таиланде,  в котором приняли участие около 400 местных ИБ-специалистов, или партнерские соревнования вместе с Beeline Кыргызстан, в которых за победу бились 200 игроков.

Чаще всего на CTF выносят задания криптографии, реверс-инжинирингу, эксплуатации уязвимостей, веб-безопасности, стеганографии. Усложнение задач на CTF требует новых, более эффективных методов. Например, задания в некоторых категориях отнимают часы, а то и дни. Неслучайно, участники пытаются использовать автоматические и полуавтоматические инструменты, чтобы ускорить выполнение этапа.

Афанасий Клюнков, менеджер департамента «Киберполигон», ГК «Солар»:

В международном киберчемпионате в формате CTF, который мы организовали
в 2024 году, некоторые участники использовали различные нейросети для оперативного решения кейсов. Но стоит учитывать, что в условиях соревнований
на киберполигоне,  задачи, вынесенные на CTF, закладываются внутри инфраструктуры. Это серьезно осложняет поиск решений в открытых источниках
и с помощью различных ИИ-инструментов. ИИ способен помочь в декомпозиции найденной части решения, но не поможет в решении полноценных кейсов.

LLM, или большие языковые модели,  которые обучены на больших объемах данных, способны генерировать текстовые ответы на различные вопросы. В этом статье рассмотрим разные версии ChatGPT для решения задач в соревнованиях CTF, так как правильное использование LLM может существенно помочь в ходе турнира.

Для исследования мы используем различные версии ChatGPT от OpenAI: GPT-o1-preview GPT-4o, GPT-4, а также GigaChat от Сбера и локально развернутая версия Llama 3.1.

Для начала сравним даты выпуска моделей:

GPT o1-preview  - наиболее актуальная модель, поэтому от нее самые большие ожидания.

В качестве одного из испытаний мы выбрали CTF-соревнование Google Capture The Flag 2024 (ссылка). На этом соревновании представлены 5 категорий: misc, crypto, pwn, reversing, web:

• Misc (Miscellaneous): Задачи, не связанные напрямую с ИБ, но требующие критического мышления и творчества. Это может быть решение головоломки, а также задачи, требующие знаний об истории, культуре или других гуманитарных направлений.

• Crypto (Криптография): Задачи, связанные с криптографией, включая шифрование, дешифрование, атаки на криптосистемы, работу с шифрами и ключами.

• Pwn (Exploitation): Задачи, связанные с эксплуатацией уязвимостей ПО, включая finding и patching уязвимостей, а также эксплуатацию уязвимостей для получения привилегий или получения «флага».

• Reversing (Реверс-инжиниринг): Задачи, связанные с анализом двоичных файлов, включая декompилирование, дешифрование и анализ двоичных данных для выявления скрытых функций или «флага».

• Web (Веб-инженерия): Задачи, связанные с веб-разработкой и веб-сайтами, включая инъекции SQL, атака на CSRF, XSS, анализ веб-страниц и получение «флага» через веб-сайт.

Для начала попробуем решить задачу PYSTORAGE из категории MISC

Первая тестируемая модель – Llama 3.1, сформирован запрос:

И далее код из самой задачи, модель анализировала и около через 30 секунд выдала:

Данные советы не подошли, запросы, которые писала Llama, не привели к «флагу».
После уточнения задачи Llama стала писать один и тот же ответ, ожидая какого-то ответа:

Таким образом, решить эту задачу через Llama 3.1 не удалось за затраченное время около 20 минут и примерно 10 итераций диалога.

Эта же задача для GPT-4o:

После долгого «общения» и следования инструкция от GPT-4o так и не удалось прийти к ответу. Хотя модель смогла проанализировать код и предложить возможные решения, но они не привели к решению задачи.

GigaChat предложил использовать брутфорс, чтобы получить пароль авторизации:

Брутфорс пароля может занять года, поэтому этот вариант решения точно не является правильным. Далее после разговора было предложено другое решение:

Получается, что GigaChat не смог распознать уязвимость в коде и предложить корректный вариант обхода. Возможно, эта задача оказалась слишком сложной для нейросетей.
Следующие задачи будут проще и ход решения будет описан более кратко.

Задачи из категорий Misc (Miscellaneous), Crypto, Pwn, Reversing, Web
Ссылка на задачи

Пример задач из категории Crypto и ссылки на задачи:

• Задача Crypto 1

• Задача Crypto 2

• Задача Crypto 3

Таблица, приведенная ниже, отражает название нейросетей, номера задачи, получен  ли корректный ответ, а также время, которое потребовалось нейросети, чтобы дойти до правильного ответа (если он получен) или время, за которое до правильного ответа дойти не удалось.

 В категории Crypto только GPT-4o показал хороший результат, остальные нейросети не справились совсем. Llama3.1 «сошла с ума» и повторяла разные предложения в одной задаче, и не смогла сложить двоичный код в другой задаче:

Mistral ai решил первую задачи почти правильно, ошибившись в ответе почему-то на единицу. То есть он корректно определил тип ширования в первой задаче, но неверно дешифровал само сообщение, добавав к последней цифре единицу, что очень странно.

GigaChat отказалась помогать с решением первой и второй задачи, сославшись на свои правила:

А вот с третьей задачей решила помочь и предоставила код, который, как было написано, решил бы эту задану. Но ни он, ни два исправления в нем к правильному ответу не привели.
Подбор заданий затруднен тем, что множество задач содержат какие-то файлы, но не все нейросети поддерживают загрузку файлов или только специфические расширения (docs, pdf).

Поэтому задача состоит в том, чтобы найти задания, которые будут нетривиальные и при этом не содержать файлы. Хотя для некоторых категорий задач придется использовать только те нейросети, которые поддерживают загрузку файлов. GPT-4o имеет поддержку файлов, поэтому протестировали решение задач с помощью этой нейросети.

Перейдем к категории Stegano

Ссылка на задачу

Задача заключается в том, чтобы найти пять «флагов» в одном  файле docx. Задание выглядит так:

Выглядит запрос так:

После длительного общения удалось получить большинство «флагов», хотя и GPT4-o самостоятельно и быстро смог найти только первый «флаг», он был скрыт в самом документе и имел такой же цвет, как и страница. Таким образом, чтобы найти «флаг», нужно было перекрасить все содержимое страницы в другой цвет шрифта или поменять заливку страницы.
Около 15 минут нейросеть не могла найти ничего, кроме одного «флага». После небольшой подсказки (достаточно очевидной), которая была дана после 15 минут неуспешных попыток нахождения флага, модель GPT4-o достигла прогресса:

После продолжительного общения был отправлен запрос на подведение результатов этой задачи. Следующий ответ сгенерирован ChatGPT.

В целом, процесс занял около 40-50 минут, включая анализ различных типов данных и скрытых файлов в архиве rwby.docx.

Таким образом, GPT-4o смогла найти 4 из 5 «флагов» к нетривиальному заданию, что можно считать очень хорошим результатом.  Модель самостоятельно распаковала docx файл в архив и проанализировала все файлы. Более того, один из «флагов» был записан текстом в картинке, то есть нейросеть смогла перевести текст, нарисованный на картинке, которая скрыта в файле docx.  

Данные задачи тестировались только на GPT-4o, так как Llama, установленная локально, не умеет читать файлы, как и mistral.ai.

Выводы

Наше исследование выявило, что у различных моделей нейронных сетей, включая Llama 3.1, GigaChat и GPT-4o, существуют ограничения при решении задач CTF.

При этом среди протестированных моделей GPT-4o продемонстрировала более высокую производительность, решив задачи средней сложности (далеко не с первого раза и с подсказками).  Модель помогла решить две из трех криптографических задач и четыре из пяти стеганографических «флагов».

А модели Llama 3.1 и GigaChat испытывали трудности, часто не давая правильных решений, требуя обширного вмешательства человека или отказываясь решать задачи из-за политики безопасности.В целом, нейронные сети не совсем эффективны для решения сложных и разнообразных задач CTF. Несмотря на возможности ИИ, человеческий опыт по-прежнему незаменим.

При этом стоит обратить внимание на этику использования ИИ в CTF, так как использование таких инструментов может потенциально подорвать справедливость и непредвзятость при оценке результатов игроков. 

Ссылки на полезные источники:

1.      https://ru.wikipedia.org

2.      https://giga.chat/

3.      https://capturetheflag.withgoogle.com/

4.      https://ctftime.org/

5.      https://crypto-kids20.forkbomb.ru/tasks