从漏洞发现到攻击链重构的范式转变
传统威胁情报工作流依赖于人工逆向工程与样本分析，安全研究员需要逐行审计代码或调试二进制文件以理解攻击路径。Anthropic 于 2026 年 4 月发布的 Project Glasswing 及其核心模型 Claude Mythos Preview，展示了 AI 自主完成攻击链重构的可能性 —— 该模型在数周内发现了数千个零日漏洞，覆盖所有主流操作系统与浏览器，其中包括潜伏 27 年的 OpenBSD TCP SACK 实现缺陷和 16 年历史的 FFmpeg H.264 编解码器漏洞。
这一能力跃迁的核心在于攻击链自动化重构：Mythos Preview 不仅能够识别孤立漏洞，更能自主链接多个弱点形成完整利用路径。例如，在 Linux 内核测试中，模型独立发现并通过链式组合多个漏洞（包括 KASLR 绕过、越界读写、堆喷射等原语），最终构造出从普通用户到 root 权限的完整提权链。这种从 "单点漏洞识别" 到 "全链路利用构造" 的跨越，标志着威胁情报工程方法的根本性变革。
工程化漏洞发现框架
Project Glasswing 采用了一套标准化的Agentic Scaffold架构来支撑规模化漏洞挖掘。该框架的核心组件包括：
隔离执行环境：每个测试任务运行在独立容器中，与互联网及其他系统隔离，仅暴露待测项目的源代码与编译产物。这种设计既保障了测试安全性，也为 AI 提供了可控的代码交互环境。
智能文件优先级排序：为避免在数百万行代码中盲目扫描，系统首先让模型评估每个文件的漏洞可能性（1-5 级评分）。1 级文件仅包含常量定义，5 级文件则处理网络输入或用户认证逻辑。这种分级机制使计算资源集中于高风险代码路径，显著提升发现效率。
自动化验证管道：所有疑似漏洞通过 Address Sanitizer 等工具进行验证，确保崩溃可被复现。在针对 Mozilla Firefox 的测试中，模型提交的 112 个漏洞报告经 ASan 验证后全部确认为真实漏洞，零误报。
人机协同分级披露：发现的高危漏洞首先由人工安全专家进行严重性复核，再按协调漏洞披露（CVD）流程提交给维护者。当前统计显示，模型对漏洞严重性的评估与人工专家的一致性达 89%，98% 的案例偏差不超过一个等级。
攻击链重构的技术路径
Mythos Preview 的攻击链重构能力体现在其对漏洞原语（Exploit Primitives）的组合运用。以 Linux 内核本地提权为例，模型展示了典型的多阶段攻击构造：
阶段一：信息泄露原语。利用越界读漏洞获取内核内存布局信息，绕过 KASLR（内核地址空间布局随机化）防护。KASLR 通过随机化内核代码与数据地址阻止盲写攻击，但通过读取特定内核结构（如中断描述符表），攻击者可计算出内核基址。
阶段二：内存损坏原语。结合 UAF（Use-After-Free）或堆溢出漏洞获得可控的内存写能力。模型利用跨缓存回收（Cross-Cache Reclaim）技术，通过精心设计的内存分配 / 释放序列，将目标对象替换为攻击者控制的数据。
阶段三：权限提升原语。通过覆盖任务结构体中的凭证信息（cred 结构）或劫持函数指针实现提权。在一个案例中，模型构造了伪造的 qdisc 调度器对象，使其被内核解释为特权凭证结构，最终通过commit_creds()调用获得 root 权限。
这种分阶段、可组合的漏洞利用方法论，使得 AI 能够像人类专家一样 "堆叠" 多个低危弱点以达成高危后果。
浏览器沙箱逃逸的复杂链构造
在浏览器安全领域，Mythos Preview 展示了更为复杂的攻击链构造能力。现代浏览器采用多层防御：渲染进程沙箱、JIT 编译器硬化、操作系统级隔离等。模型通过链接四个独立漏洞，构造了从 JavaScript 执行到操作系统内核控制的完整逃逸链：
- JIT 堆喷射：利用 JIT 编译器的动态代码生成特性，在内存中布置可预测的机器指令布局
- 渲染器进程突破：通过类型混淆或越界访问获得渲染进程的任意代码执行
- 沙箱逃逸：利用 IPC 机制或内核驱动漏洞突破浏览器沙箱边界
- 本地提权：链接操作系统内核漏洞获得系统级控制权
这种多阶段攻击链的自动化构造，意味着防御方需要重新审视基于 "摩擦式" 缓解措施（如 ASLR、堆栈保护）的安全策略 —— 当 AI 能够快速遍历大量组合可能性时，仅依赖增加攻击难度的防御手段可能不再充分。
防御规则生成的工程实践
从威胁情报到防御规则的转化，Project Glasswing 提供了可落地的工程参考：
基于代码模式的静态规则：针对已识别的漏洞类别（如整数溢出、越界访问、UAF），生成对应的静态分析规则或代码审查清单。例如，针对 OpenBSD SACK 漏洞中的有符号整数溢出，可建立 "TCP 序列号运算需显式检查溢出" 的编码规范。
运行时检测策略：针对攻击链中的关键原语，设计监控点与告警阈值。例如，监控内核中异常的内存分配模式（跨缓存回收行为）、或浏览器进程中可疑的 JIT 代码生成频率。
补丁优先级算法：结合漏洞可利用性评分（Exploitability Score）与资产重要性，自动化生成补丁部署优先级队列。模型对漏洞严重性的高一致性评估，为自动化分级提供了数据基础。
威胁狩猎查询：基于攻击链特征构造检测查询，如 "同一源 IP 在短时间内触发多个不同服务的异常行为" 可能指示自动化漏洞扫描活动。
对防御方的实践建议
Project Glasswing 的发布揭示了 AI 辅助攻击能力正在快速平民化。对于防御团队，以下工程实践值得优先采纳：
缩短补丁周期：N 日漏洞（已披露但未广泛修复的漏洞）到可利用代码的转化时间已从数周压缩至数小时。启用自动更新、将 CVE 修复的依赖升级视为紧急任务而非例行维护，成为降低暴露窗口的关键。
前置化漏洞发现：即使当前公开模型尚不具备 Mythos 级别的利用构造能力，其漏洞发现能力已足够实用。在 CI/CD 管道中集成 AI 代码审计，可在部署前捕获大量潜在弱点。
重构纵深防御策略：评估现有缓解措施是否属于 "仅增加摩擦"（如某些堆栈保护变体）而非 "硬性屏障"（如 KASLR、W^X）。针对 AI 辅助攻击者，后者更具防御价值。
自动化事件响应：随着漏洞披露量激增，人工处理将不堪重负。模型应承担起告警分级、事件摘要、证据收集等技术性工作，使人类分析师聚焦于决策与溯源。
结语
Project Glasswing 展示的不仅是 AI 在漏洞研究中的能力边界，更是威胁情报工程方法的演进方向 —— 从人工逆向到自动化攻击链重构、从孤立 IoC 到漏洞原语组合分析、从被动响应到前置化防御规则生成。这一转变要求安全团队重新设计工具链、流程与人员技能结构。正如项目公告所言："攻击窗口已经崩塌 —— 过去需要数月的过程现在可能在几分钟内发生。" 防御方的应对速度，将决定 AI 驱动安全时代的最终格局。
参考来源
- Anthropic Project Glasswing 官方公告 (anthropic.com/glasswing)
- Claude Mythos Preview 技术报告 (red.anthropic.com/2026/mythos-preview/)
内容声明：本文无广告投放、无付费植入。
如有事实性问题，欢迎发送勘误至 i@hotdrydog.com。