INVESTIGACIÓN
Noviembre de 2024: pentest con agentes LLM, sospecha de puerta trasera en RPKI, IoT
Supply chainOT and industrial securityRansomware
Noviembre de 2024 muestra agentes LLM capaces de automatizar un test de penetración y puertas traseras que sacan documentos de sistemas RAG. En infraestructuras, una vulnerabilidad crítica en un validador RPKI podría ser una puerta trasera intencionada. Casi la mitad de las apps que actualizan dispositivos IoT tiene fallos, y un patinete sufre ransomware en la batería.
Archivo: reconstrucción escrita en noviembre de 2026
1. PentestAgent: Incorporating LLM Agents to Automated Penetration Testing
arXiv · Xiangmin Shen, Lingzhi Wang, Zhenyuan Li, Yan Chen et al. · Seguridad de IA y LLM
En breve: Un sistema multiagente basado en LLM automatiza la recogida de información, el análisis de vulnerabilidades y la explotación.
El test de penetración manual es caro y exige competencias escasas. PentestAgent usa varios agentes LLM y generación aumentada por recuperación para aportar conocimiento de pentest al modelo y automatizar reconocimiento, análisis de vulnerabilidades y explotación, con poca intervención humana. Se evalúa con un benchmark completo de escenarios.
Por qué importa. La automatización que abarata las pruebas para las empresas abarata también los ataques.
2. Data Extraction Attacks in Retrieval-Augmented Generation via Backdoors
arXiv · Yuefeng Peng, Junda Wang, Hong Yu, Amir Houmansadr · Seguridad de IA y LLM
En breve: Una puerta trasera insertada en el ajuste fino hace que un sistema RAG filtre literalmente los documentos de su base de conocimiento.
La extracción por prompt injection falla con modelos menos obedientes. Los autores envenenan en cambio una pequeña parte de los datos de ajuste fino: integrado en un RAG, el modelo comprometido filtra documentos al recibir un disparador. Con un 5% de datos envenenados en Gemma-2B-IT, la extracción literal se logra en el 94,1% de los casos.
Por qué importa. Un modelo de terceros ya comprometido puede exponer los documentos de la empresa conectados a él, sin señales evidentes.
3. Poster: From Fort to Foe: The Threat of RCE in RPKI
ACM Conference on Computer and Communications Security · Oliver Jacobsen, Haya Schulmann, Niklas Vogel, Michael Waidner · Seguridad de IA y LLM
En breve: Un desbordamiento de búfer en el validador RPKI Fort permite ejecutar código en remoto, con indicios de puerta trasera intencionada.
RPKI protege el enrutamiento de Internet verificando quién puede anunciar qué direcciones. Los autores hallan en Fort una vulnerabilidad de ejecución remota de código, CVE-2024-45237 con puntuación 9,8. El diseño de RPKI facilita la explotación a gran escala y abre la puerta a ataques contra los routers de frontera. El análisis halla indicios de que podría ser una puerta trasera y no un error.
Por qué importa. Un fallo en un componente compartido del enrutamiento puede afectar a muchas redes a la vez: un escenario de cúmulo a tener en cuenta.
4. Update If You Dare: Demystifying Bare-Metal Device Firmware Update Security of Appified IoT Systems
IEEE Transactions on Dependable and Secure Computing · Lei Xue, Yuxiao Yan, Qiyi Tang, Le Yu et al. · Sistemas ciberfísicos e IoT
En breve: De 1.637 apps que gestionan dispositivos IoT, 710 tienen fallos en la actualización del firmware.
Los dispositivos IoT bare-metal, baratos y de bajo consumo, se actualizan por radio mediante una app en el móvil. Los autores analizan juntos firmware y app con BareDFU, una herramienta que automatiza el trabajo. De 1.637 apps IoT, 710 presentan vulnerabilidades en el proceso de actualización, que puede convertirse en un canal para comprometer los dispositivos.
Por qué importa. La actualización es el control que debería reducir el riesgo IoT; si es insegura se convierte en vector de ataque.
5. E-Trojans: Ransomware, Tracking, DoS, and Data Leaks on Battery-powered Embedded Systems
arXiv · Marco Casagrande, Riccardo Cestaro, Eleonora Losiouk, Mauro Conti et al. · Web y móvil
En breve: Cuatro ataques a los patinetes eléctricos Xiaomi, incluido un ransomware que bloquea la batería.
Primera evaluación de seguridad del interior de sistemas embebidos con batería: los patinetes Xiaomi M365 y ES3 y la app Mi Home. La ingeniería inversa revela cuatro fallos de diseño, entre ellos la ejecución remota de código en el sistema de gestión de la batería. De ahí salen cuatro ataques, remotos o de proximidad: ransomware en la batería para extorsionar, rastreo, bloqueo y fuga de datos.
Por qué importa. El ransomware llega a los productos de consumo: un tema para la responsabilidad del fabricante y las flotas compartidas.
6. RanSMAP: Open dataset of Ransomware Storage and Memory Access Patterns for creating deep learning based ransomware detectors
Computers & Security · Manabu Hirano, Ryotaro Kobayashi · Malware y amenazas
En breve: Un conjunto de datos abierto de accesos a disco y memoria para entrenar detectores de ransomware en el hipervisor.
RanSMAP registra con un hipervisor ligero los patrones de acceso a disco y memoria de seis ransomware, siete variantes de Conti y seis aplicaciones legítimas, también en ejecución simultánea, en máquinas con hardware diverso. La detección a este nivel sigue activa aunque las defensas del sistema operativo estén comprometidas. Añadir los accesos a memoria mejora la detección un 2,3%.
Por qué importa. Una capa de detección bajo el sistema operativo es justo la que queda cuando el ransomware ya ha desactivado el antivirus.
7. Lateral Movement Detection via Time-aware Subgraph Classification on Authentication Logs
arXiv · Jiajun Zhou, Jiacheng Yao, Xuanze Chen, Shanqing Yu et al. · Identidad y autenticación
En breve: Un modelo de grafos detecta el movimiento lateral de los atacantes en los registros de autenticación.
Tras el acceso inicial, los atacantes se mueven por la red interna ocultando sus acciones entre operaciones en apariencia inconexas. LMDetect construye un grafo heterogéneo con los registros de autenticación de los hosts, extrae subgrafos centrados en eventos teniendo en cuenta el tiempo y los analiza con atención local y global. En dos conjuntos de datos reales supera a los métodos existentes.
Por qué importa. Frenar el movimiento lateral es lo que separa una intrusión contenida de un incidente que afecta a toda la red.
8. Translating C To Rust: Lessons from a User Study
arXiv · Ruishi Li, Bo Wang, Tianyu Li, Prateek Saxena et al. · Seguridad de sistemas y software
En breve: Las personas logran traducir código C a Rust seguro; las herramientas automáticas actuales no.
Rust ofrece la seguridad de memoria que C no garantiza. En un estudio con usuarios, los participantes traducen programas C reales a Rust seguro, algo que los mejores traductores automáticos no consiguen. Las estrategias humanas difieren mucho de las de las herramientas y suelen usar abstracciones estáticas de coste cero para la seguridad temporal, uno de los principales costes de otras defensas.
Por qué importa. Migrar a lenguajes seguros elimina toda una clase de vulnerabilidades, pero hoy aún requiere trabajo humano.
9. Quantum-Safe Hybrid Key Exchanges with KEM-Based Authentication
arXiv · Christopher Battarbee, Christoph Striecks, Ludovic Perret, Sebastian Ramacher et al. · Identidad y autenticación
En breve: Un intercambio de claves híbrido y resistente a la computación cuántica que autentica con KEM en lugar de firmas post-cuánticas.
Muckle+ combina material clásico, post-cuántico y de distribución cuántica de claves en una sola clave compartida, pero se autentica con firmas post-cuánticas, aún poco eficientes en redes grandes. Muckle# usa en cambio mecanismos de encapsulamiento de claves para una autenticación implícita, inspirada en KEMTLS, con nuevas técnicas de prueba formal y un flujo de mensajes algo distinto.
Por qué importa. Hace más viable la transición post-cuántica en redes con muchas conexiones, donde las firmas son el cuello de botella.
Las tendencias del mes
Seguridad de IA y LLM
168 artículos del mes sobre este tema
Los agentes LLM entran en la seguridad ofensiva: sistemas multiagente automatizan fases del test de penetración que antes requerían especialistas. En paralelo crece la atención a la cadena de suministro de modelos: una puerta trasera en el ajuste fino convierte un sistema RAG en un canal de fuga de documentos. Juntas, ambas líneas apuntan a ataques más baratos y a un riesgo que llega con los modelos de terceros.
Artículos citados:
- PentestAgent: Incorporating LLM Agents to Automated Penetration Testing
- Data Extraction Attacks in Retrieval-Augmented Generation via Backdoors
Sistemas ciberfísicos e IoT
46 artículos del mes sobre este tema
El hilo del mes son los dispositivos y las infraestructuras fuera del perímetro TI clásico. Casi la mitad de las apps que actualizan dispositivos IoT tiene fallos, un patinete eléctrico puede quedar bloqueado por un ransomware en la batería y un validador RPKI, componente del enrutamiento de Internet, contiene un fallo crítico quizá intencionado. Para quien asegura, son escenarios de responsabilidad del fabricante y de cúmulo en componentes compartidos.
Artículos citados:
- Update If You Dare: Demystifying Bare-Metal Device Firmware Update Security of Appified IoT Systems
- E-Trojans: Ransomware, Tracking, DoS, and Data Leaks on Battery-powered Embedded Systems
- Poster: From Fort to Foe: The Threat of RCE in RPKI
Malware y amenazas
40 artículos del mes sobre este tema
En la defensa, dos trabajos se centran en puntos donde un control cambia el resultado de un ataque. La detección de ransomware en el hipervisor sigue activa aunque el antivirus del sistema esté desactivado. La detección del movimiento lateral en los registros de autenticación puede frenar al atacante antes de que llegue a los sistemas críticos. Son controles que reducen la gravedad del daño, además de la probabilidad del evento.
Artículos citados:
- RanSMAP: Open dataset of Ransomware Storage and Memory Access Patterns for creating deep learning based ransomware detectors
- Lateral Movement Detection via Time-aware Subgraph Classification on Authentication Logs
Cómo se elabora este digest
Este número forma parte del archivo del digest, reconstruido a posteriori. Los artículos del mes se recopilaron de arXiv, del archivo IACR ePrint y de las principales conferencias y revistas de seguridad; en la selección cuentan también las citas recibidas tras la publicación. Un modelo de inteligencia artificial evaluó a los candidatos y redactó los resúmenes, que se basan en los abstracts: para los detalles, prevalece el artículo original.
Artículos del mes evaluados: 1216.