Mengotomatiskan Konstruksi Attack Graph untuk Pentesting Agentic: Menuju Perburuan Kerentanan Neuro-Simbolik

Pipeline semi-otomatis yang menerjemahkan bukti pemindai menjadi predikat MulVAL dan aturan Datalog berbantuan LLM untuk penalaran jalur serangan yang dapat diaudit

Oliver Stevanovic; Jasmin Wachter· 2026· DOI 10.48550/arXiv.2609.15523

Masalah inti

Attack graph logika yang berbasis pada keluaran pemindai menyediakan penalaran jalur serangan yang eksplisit dan dapat diaudit, yang tidak dimiliki oleh agen berbasis LLM. Namun, mengintegrasikan kerangka simbolik seperti MulVAL ke dalam alur kerja keamanan kontemporer atau pipeline agentic memerlukan penerjemahan bukti pemindai menjadi fakta awal, dan pembuatan aturan spesifik domain. Penulis mengatasi masalah interoperabilitas ini dengan menyajikan pipeline semi-otomatis dan menunjukkan kelayakannya dalam studi kasus keamanan web. Motivasi utamanya adalah menggabungkan kekuatan AI neuro-simbolik: pengenalan pola dan fleksibilitas LLM dengan inferensi simbolik yang ketat dan dapat dijelaskan seperti MulVAL/XSB. Karya ini bertujuan menjembatani kesenjangan antara keluaran pemindai mentah dan konstruksi attack graph formal, sehingga memungkinkan perburuan kerentanan yang lebih transparan dan terverifikasi dalam skenario pentesting agentic.

Setiap tugas menghasilkan setidaknya satu graph yang mencapai tujuan. Pipeline ini mencapai cakupan kerentanan ground-truth rata-rata 53,7%, dengan 51,9% tugas mencapai cakupan penuh. Tingkat jalur noise rata-rata adalah 83,9%, yang menunjukkan proporsi tinggi jalur yang tidak sesuai dengan kerentanan aktual. Waktu end-to-end median adalah 24,9 detik, dengan penalaran MulVAL memakan waktu 2,7 detik. Hasil ini menunjukkan bahwa pipeline ini layak dan praktis dari segi waktu proses untuk alur kerja agentic. Namun, cakupan predikat, cakupan aturan, dan presisi jalur tetap menjadi faktor pembatas. Tingkat jalur noise yang tinggi menunjukkan bahwa meskipun sistem dapat menghasilkan attack graph, banyak jalur yang semu, yang dapat menghambat kinerja agen hilir jika tidak difilter.

Attack graph logika yang berbasis pada keluaran pemindai menyediakan penalaran jalur serangan yang eksplisit dan dapat diaudit, yang tidak dimiliki oleh agen berbasis LLM. Namun, mengintegrasikan kerangka simbolik seperti MulVAL ke dalam alur kerja keamanan kontemporer atau pipeline agentic memerlukan penerjemahan bukti pemindai menjadi fakta awal, dan pembuatan aturan spesifik domain. Penulis mengatasi masalah interoperabilitas ini dengan menyajikan pipeline semi-otomatis dan menunjukkan kelayakannya dalam studi kasus keamanan web. Motivasi utamanya adalah menggabungkan kekuatan AI neuro-simbolik: pengenalan pola dan fleksibilitas LLM dengan inferensi simbolik yang ketat dan dapat dijelaskan seperti MulVAL/XSB. Karya ini bertujuan menjembatani kesenjangan antara keluaran pemindai mentah dan konstruksi attack graph formal, sehingga memungkinkan perburuan kerentanan yang lebih transparan dan terverifikasi dalam skenario pentesting agentic.

Pipeline yang diusulkan terdiri dari tiga tahap utama: (1) mengurai temuan dari Trivy, Semgrep, dan Nmap menjadi predikat MulVAL; (2) menggunakan proses berbantuan LLM untuk membangun aturan Datalog spesifik domain yang menghubungkan bukti yang dapat dideteksi pemindai dengan teknik serangan; dan (3) melakukan inferensi simbolik dengan MulVAL/XSB untuk menghasilkan jalur serangan terstruktur. Pipeline ini semi-otomatis, artinya pengawasan manusia dapat dilibatkan dalam validasi aturan. LLM membantu menerjemahkan deskripsi bahasa alami tentang kerentanan menjadi aturan Datalog formal, sehingga mengurangi upaya manual. Arsitekturnya dapat direpresentasikan sebagai berikut:

Studi ini menyoroti potensi pendekatan neuro-simbolik untuk konstruksi attack graph otomatis, tetapi juga mengungkap tantangan signifikan. Cakupan rata-rata 53,7% menunjukkan bahwa sekitar setengah dari kerentanan ground-truth tertangkap, sehingga masih ada ruang untuk perbaikan dalam cakupan predikat dan aturan. Tingkat jalur noise 83,9% sangat mengkhawatirkan, karena menyiratkan bahwa mayoritas jalur yang dihasilkan tidak berguna, yang dapat membebani analis atau agen. Penulis menyarankan langkah selanjutnya termasuk validasi aturan semantik dan perbandingan tingkat agen untuk pentesting yang dipandu graph. Integrasi LLM untuk pembuatan aturan menjanjikan tetapi memerlukan validasi untuk memastikan kebenaran dan kelengkapannya. Kinerja waktu proses (median 24,9 detik) dapat diterima untuk banyak alur kerja agentic, tetapi optimasi lebih lanjut mungkin diperlukan untuk aplikasi real-time. Secara keseluruhan, karya ini memberikan fondasi untuk menggabungkan penalaran simbolik dengan agen berbasis LLM, tetapi diperlukan lebih banyak penelitian untuk meningkatkan presisi dan cakupan.

Praktisi dan peneliti ilmu komputer

Membuka konten member…