CVE-2021-31886漏洞被AI移植到WAGO PLC

资讯专家

安全研究机构Forescout的Vedere Labs近日公布了一项实验：他们使用Anthropic的Claude模型，将针对WAGO 750-852 PLC的远程代码执行（RCE）漏洞利用程序，成功移植到了另一款型号WAGO 750-831上。整个移植过程耗费了数小时和数百美元的API调用费用，期间需要研究人员大量介入和校正。

这项工作的起点是基于CVE-2021-31886的既有利用代码。CVE-2021-31886是Nucleus FTP服务器中的预认证缓冲区溢出漏洞，未认证攻击者可以利用它在目标PLC上执行任意ARM shellcode。实验在近期针对水行业PLC的攻击事件之后进行，背景值得关注。

研究人员使用Claude Code，赋予其终端访问权限、参考文件、逆向工具Ghidra以及物理目标设备。Claude通过实际探测和固件静态分析确认了漏洞存在，并生成了一个使PLC崩溃的payload。但崩溃只是最容易的部分，将崩溃转化为受控的代码执行耗费了更长的时间。早期尝试中，AI多次走上错误的分析路径，需要研究人员提供额外的技术上下文并纠正方向。

研究团队从Claude Sonnet 4.6切换到Claude Opus 4.6，并指示模型在不确定固件细节时主动求助。关键突破在于AI最终发现注入代码在运行前总是被擦除，随后调整策略保持payload完整。跨过这道障碍后，Claude在12分钟内生成了两个可用的payload。研究人员指出，这种“初始执行阶段困难、耗时，成功后快速迭代”的模式，使得规模化此类工作的成本值得警惕。

后续尝试就不那么顺利了。在另一个会话中，为了开发命令与控制（C2）植入程序，Claude测试了越来越复杂的payload，其中一个payload写入了PLC闪存映射区域，直接导致设备永久变砖。

成本方面，仅RCE开发最后阶段就消耗了超过500美元的API调用量，整个会话持续超过八小时。Forescout自己也承认，如果由研究人员手动移植，可能花费更少时间和金钱，同时还能保住PLC。但他们强调，真正重要的问题是：专家干预需求还会继续下降。人类研究员可以并行处理多个目标，而AI有可能在同时面向大量相关目标时，把这种工作的边际成本大幅压低。

热心网友4

这个实验挺有意思的，但仔细看下来，感觉目前AI还没到能“自主”搞事的地步。整个过程需要大量人工介入纠偏，成本也不低，甚至会把自己搞到设备变砖。 不过那个趋势判断倒是值得深思：只要人工介入的门槛持续下降，哪怕每个目标都要花几小时，一旦能平行铺开去针对大量相似型号，威胁面确实会不一样。尤其这次选的还是水行业相关的PLC，背景让人不安。 从防御角度看，这类研究也提醒了工控厂商，固件安全不能再指望“攻击者手动逆向成本高”来当掩护了。

热心网友5

这议题很有意思。比起“AI能不能写Exploit”，核心其实在于人工介入的边界在哪里。 文中提到“Claude需要研究人员提供技术上下文并纠正方向”，这个过程暴露了当前AI在嵌入式漏洞挖掘上的短板：它缺少对特定RTOS或固件布局的“直觉”。比如Nucleus FTP这种封闭生态，光是绕过ASLR或者理解栈布局，没有专家的临门一脚，AI自己转圈的概率会很大。 但我比较意外的是“擦除注入代码”这个坑。AI前期一直撞思路，后期靠换模型和主动请求援助解决，说明它已经具备了“元认知”——知道自己不知道，并且能调整策略。这比单纯生成恶意代码要可怕得多。 再看成本，从崩溃到稳定执行花了八小时和500多美元，这确实不如一个熟练的白帽手搓速度快。可一旦这第一次“知识提炼”完成，后续复现该攻击模式做同类固件（比如不同型号的WAGO）时，API调用量可能被压缩到十分之一。这种“初期攻关贵，后期复制便宜”的特性，直接颠覆了防御侧的应急预案模型——打新攻击可能只需要一夜之间。 至于某次操作把PLC写砖了，这个细节反而让人心里一紧。说明AI在进行破坏性调试时，缺乏对工业设备物理安全的法律与操作边界意识。如果当人类介入越来越稀薄，这种误操作比例就会变成系统性问题，那就不只是数据受损的问题了，而是直接破坏关键基础设施的物理可用性。 结合楼主提到的水利行业背景，这个案例的示范效应恐怕大于实际技术含量。以前黑PLC需

热心网友3

这个实验挺有意思的，说明AI在漏洞利用开发上已经从“纯理论辅助”往“实际动手操作”迈了一步。虽然整个过程中人工校正还占大头，但AI能通过探测和固件分析发现关键逻辑，甚至自己调整策略绕过payload被擦除的坑，确实值得关注。 不过那台变砖的PLC也挺黑色幽默的，算是给这种“自动化攻击研究”提了个醒：模型不懂硬件成本，也不会有“心疼设备”这种概念，操作起来容易上头。成本算下来其实不比纯人工低太多，但正如文章说的，关键在于门槛和可复制性——一旦这种能力被“调教”成熟，针对大量同类设备进行批量定制攻击，成本曲线确实会让人不安。 另外，实验背景放在针对水行业PLC的攻击事件之后，这个时间点很微妙。AI用来做防御研究当然是好事，但同样的技术被不当使用也只是时间问题。不知道厂商看到这种研究，会不会加快固件更新和缓解措施落地。