Anthropic‑NSA கூட்டணி: Mythos‑ன் AI தாக்குதல் கருவி வெளிப்பாடு

முக்கிய புள்ளிகள்#

• Anthropic சுமார் ஆறு எஞ்சினியர்களை NSA‑யில் நேரடியாக ஒதுக்கியுள்ளது, Mythos‑ன் தாக்குதல் சைபர் மிஷன்களை வேகமாகப் பண்ண.
• Mythos பெரிய‑மாதிரி மொழி (LLM) அடிப்படையில் ரியல்டைம் எக்ஸ்ப்ளாய்ட் உருவாக்கம் செய்யும், CVE‑யை 5 நிமிடத்திற்குள் ஆயுதமாக மாற்றும்.
• இந்த அமெரிக்க கருவி இந்தியா மீது மறைமுக தாக்கம் – AI‑ஆல் உருவாக்கப்படும் புதிய எக்ஸ்ப்ளாய்ட்கள் அதிகம் வரும், அதற்காக Zero‑Trust மற்றும் AI‑defence வலுப்படுத்த வேண்டும்.
• Indian நிறுவனங்கள் உடனே LLM‑ஆதாரமான பாதுகாப்பு தீர்வுகளை மதிப்பாய்வு செய்து, பைட்ச்‑மேனேஜ்மெண்ட் சுழற்சியை 48 மணி நேரத்திற்குள் முடிக்க வேண்டும்.

தொடக்கக் கூட்டு – என்ன நடந்தது?#

நீங்கள் ஒரு திரைப்படம் பார்க்கிறீர்கள், ஆனால் அந்தக் கதாபாத்திரம் ஒரு AI நிறுவனத்தில் வேலை செய்கிறது, அது NSA‑யின் ரகசிய ஹாக்கிங் ரூம் இல் உட்கார்ந்து கோடு எழுதுகிறது. அந்த AI நிறுவனம் Anthropic, மற்றும் அவர்கள் வெறும் ஆலோசனை மட்டுமல்ல – ஆறு சிறப்புப் பயிற்சியாளர்கள் (forward‑deployed engineers) NSA‑யில் உட்கார்ந்து Mythos‑ன் டெப்லாய்மெண்ட் வேலைகளை செய்து வருகிறார்கள்.

Mythos என்பது சாதாரண ஸ்கேனர் இல்லை. இது ஒரு LLM‑ஐ (Large Language Model) பயன்படுத்தி குறைபாடு (vulnerability) புரிந்து, அதற்கான முழுமையான எக்ஸ்ப்ளாய்ட் (payload) உருவாக்கும். அதாவது, ஒரு புதிய CVE (Common Vulnerabilities and Exposures) கண்டுபிடிக்கும் போதே, அந்த AI சில நிமிடங்களில் இயக்கக்கூடிய கோட்‑ஸ்னிப்பெட்டைக் கொடுக்கிறது. இதை NSA‑யின் உளவியல் குழு நேரடியாகப் பயன்படுத்த முடியும். இப்போது, அந்த AI‑எஞ்சினியர்கள் NSA‑யின் பாதுகாப்பான நெட்வொர்க்‑இல் எதையும் வெளிப்படுத்தாமல், மாதிரி (model)‑ஐப் பயிற்சி, அப்டேட், மற்றும் பாதுகாப்பு விதிகளை (guardrails) கையாள்கிறார்கள்.

வரலாறு – எப்படித் துவங்கினோம்?#

LLM‑கள் 2022‑ல் குறியீடு எழுதத் தொடங்கியதிலிருந்து, Anthropic போன்ற நிறுவனங்கள் “Safety‑first” என்ற கொள்கையுடன் மாடல்களை உருவாக்கின. அதே நேரத்தில், NSA தனது சைபர்‑வார் ரெஸ்பான்ஸை AI‑அடிப்படையில் மாற்ற முடிவு செய்து, 2024‑ல் “AI‑first” ஸ்ட்ராட்டஜியை அறிவித்தது. அந்த ஸ்ட்ராட்டஜியின் கீழ், ஒவ்வொரு சைபர்‑கில்ல்‑செயின் (recon → exploit → post‑exploitation) படியிலும் AI‑ஐ பயன்படுத்த முடிவு செய்யப்பட்டது.

2025‑ல், NSA‑யின் உள்ளகப் ப்ரோட்டோடைப் லாப் ஒன்றில் LLM‑கள் CVE‑ஐ 2‑3 நாட்களில் கண்டறிந்து, எக்ஸ்ப்ளாய்ட் பரிந்துரைகள் வழங்க முடிந்தது. ஆனால், அந்த மாடல்களை பாதுகாப்பாக, வேகமாக, மற்றும் குறிப்பிட்ட இலக்கு‑சட்டங்களில் (target‑list) மட்டுமே பயன்படுத்துவது சிக்கலாக இருந்தது. Anthropic‑ன் எஞ்சினியர்கள் அந்த பாதுகாப்பு முறை, மாடல்‑நிர்வாகம், மற்றும் CI/CD பைப்‑லைன்‑ஐ NSA‑யின் தனிப்பட்ட சூழலில் ஒருங்கிணைத்தனர்.

விவரங்கள் – Mythos எப்படி வேலை செய்கிறது?#

Mythos மூன்று முக்கிய பகுதிகளால் ஆனது:

1. LLM கோர்: Anthropic‑ன் தனிப்பட்ட மாடல், Claude‑2 அளவுக்கு பெரியது, ஆனால் கோடு, எக்ஸ்ப்ளாய்ட்‑ஃப்ரேம்வொர்க் (Metasploit), மற்றும் NSA‑யின் பழைய ஆபரேஷன்‑பிளேபுக்‑களில் பயிற்சி பெற்றது.
2. எக்ஸ்ப்ளாய்ட் ஜெனரேட்டர்: LLM‑இன் பாஸ்ட்‑டெக்ஸ்ட் (text) வெளியீட்டை ஷாண்ட் (sandbox)‑இல் கம்பைல் செய்து, Windows, Linux, IoT‑க்கு இயங்கும் பைனரிகள் உருவாக்கும்.
3. சேஃப்டி & Attribution லேயர்: ஒவ்வொரு கோடும் வெளியீட்டிற்கு முன், இலக்கு‑சட்டம், சிவில்‑இம்பாக்ட், மற்றும் ஆடிட்‑லாக் ஆகியவற்றைச் சரிபார்க்கும் விதிகள் இயக்கப்படும்.

ஒரு analyst CVE‑யை அல்லது target‑code‑ஐ Mythos‑க்கு கொடுப்பார். LLM‑ம் அந்த குறைபாட்டை புரிந்து, exploit‑step‑by‑step திட்டம் வழங்கும். ஜெனரேட்டர் அவற்றை executable script‑ஆக மாற்றும், மேலும் முழு சைகிள் 5 நிமிடத்திற்குள் முடியும். Anthropic‑ன் எஞ்சினியர்கள் இந்த “எதிகல் ஃபென்ஸ்” (ethical fence)‑ஐ பராமரித்து, மாடல்‑இனை பாதுகாப்பான CI/CD‑யில் புதுப்பிக்கிறார்கள் – எங்கும் புல்லெட்‑ப்ரூஃப் (bulletproof) இல்லை, ஆனாலும் மிகவும் பாதுகாப்பாக.

இந்தியா மீது தாக்கம் – எதற்கு கவலை?#

Mythos‑ன் கருவி நேரடியாக இந்தியாவுக்கு கிடையாது, ஆனாலும் AI‑ஆல் உருவாக்கப்படும் எக்ஸ்ப்ளாய்ட்களின் வேகம் உலகளாவியமாக உயர்கிறது. இந்தியா‑யின் முக்கிய‑அமைப்புகள் – வங்கிகள், டெலிகாம், எரிசக்தி – இப்போதும் பைட்ச்‑மேனேஜ்மெண்ட் சுழற்சியை 2‑3 வாரம் வரை எடுத்துக் கொள்கின்றன. AI‑இன் உதவியால், அவை 48 மணி நேரத்திற்குள் (அல்லது அதற்கு குறைவாக) புது CVE‑யை ஆயுதமாக மாற்ற முடியும்.

இதற்கு எதிராக, இந்திய நிறுவனங்கள் செய்ய வேண்டியது:

• AI‑based anomaly detection‑ஐ மெயில்‑கேட்‌வேயில் இயக்கி, code‑like attachment‑களை கண்டறிய.
• Zero‑Trust நெட்வொர்க் (அதாவது, ஒவ்வொரு உள்ளக ரிக்வேஸ்ட்‑க்கும் authentication).
• பைட்ச்‑மேனேஜ்மெண்ட் சுழற்சியை 48 மணி நேரத்திற்குள் முடிக்கும் automation‑ஐப் பயன்படுத்த.
• AI‑defence தீர்வுகளை (எ.கா. Darktrace, Palo Alto Cortex XDR) புதுப்பித்து, LLM‑generated code pattern‑களை கண்டறிய.

MeitY (மின்சாதனத் தகவல் தொடர்பு அமைச்சகம்) AI‑augmented cyber‑weapons‑க்கு விதிமுறைகளை உருவாக்கும் திட்டம் கொண்டுள்ளது. இது AI‑driven threat intelligence‑ஐ கட்டாயம் அறிக்கை செய்யும், மற்றும் LLM‑based security tools‑க்கு licence‑system‑ஐ அறிமுகப்படுத்தும் வாய்ப்பு.

உண்மையான பயன்பாட்டு எடுத்துக்காட்டு & பாதுகாப்பு ஸ்டெப்‑பை‑ஸ்டெப்#

ஒரு இந்திய டெலிகாம் நிறுவனத்தை எடுத்துக்கொண்டால்:

1. Recon: ஒரு ஹேக்கர் பழைய OpenSSL‑ஐ (1.1.1k) வெளிப்படுத்தும் VPN‑ஐ ஸ்கேன் செய்கிறார்.
2. Exploit Generation: பொது LLM‑க்கு prompt – “Generate RCE exploit for CVE‑2023‑4444 on OpenSSL 1.1.1k.” – சில நிமிடங்களில் payload கிடைக்கும்.
3. Delivery: அந்த payload phishing mail‑ல் “maintenance update” என்று இணைக்கப்படுகிறது.
4. Post‑Exploitation: நெட்வொர்க்‌இல் lateral movement‑க்கு AI‑assisted tool‑கள் பயன்படுத்தப்படும்.

இதைத் தடுக்கும் படிகள்:

1. மெயில்‑கேட்‌வேயில் AI‑based anomaly detection சேர்த்து, code‑like attachment‑களை flag செய்ய.
2. Critical services‑இல் RASP (Runtime Application Self‑Protection) இயக்கு, அறியாத binary‑களை execution‑இல் தடுக்க.
3. Threat‑intel feed‑களை real‑time‑இல் feed‑செய்ய, underground forums‑இல் புதிய AI‑exploit code‑களை கண்காணிக்க.
4. Red‑team‑exercise‑களை LLM‑generated exploit‑களுடன் நடத்தி, Defence‑team‑க்கு கை‑திறன் பயிற்சி கொடுக்க.

இந்தப் படிகள் attack‑window‑ஐ 70% குறைக்கும், மேலும் AI‑generated தாக்குதல்களை கண்டறிய உதவும்.

ஒப்பீடு & மாற்று வழிகள்#

Mythos‑க்கு போட்டியாளர்கள்:

• Google DeepMind‑Cyber: vulnerability discovery‑இல் மையம், ஆனால் exploit generation‑இல் குறைவு.
• OpenAI Codex‑RedTeam: code‑generation‑இல் திறன், ஆனால் safety guardrails‑இல் பலவீனமாக.
• iFlytek Cyber (China): “zero‑day AI hunter” என்று வாதிக்கிறது, ஆனால் வெளிப்படைத்தன்மை இல்லை.

Mythos‑ன் பலம்:

• End‑to‑end pipeline – CVE → payload.
• Anthropic‑ன் safety‑first guardrails.
• NSA‑யின் classified infra‑இல் நேரடி ஒருங்கிணைப்பு.

தவிர் புள்ளிகள்:

• ரகசியம் – பொதுவாக benchmark கிடையாது.
• பெரிய compute தேவை – சிறிய நாடுகள் அல்லது குழுக்கள் இதை replicate செய்ய கடினம்.
• மாடல் லீக் ஆனால், weaponisation‑இன் அபாயம்.

இந்திய பாதுகாப்புத் துறைக்கு, திறந்த‑மூல LLM‑களை (GitHub Copilot, HuggingFace) பயன்படுத்தும் எதிரிகளின் முறைமையை கவனித்து, அதற்குப் பொருத்தமான defence‑stack‑ஐ கட்டமைக்க வேண்டும்.

TamilTech‑ஓட கருத்து & எதிர்காலம்#

Anthropic‑NSA கூட்டணி ஒரு பெரிய அலாரம். AI இப்போது ரகசிய ஆயுதம் மட்டுமல்ல, அது அரசு‑தோற்ற cyber‑war‑tool‑களின் மையமாக மாறி வருகிறது. Private AI firms இப்போது நேரடியாக intelligence‑agency‑களில் உட்கார்ந்து, தங்கள் மாடல்களை weaponise செய்கிறார்கள் – இது “commercial‑military‑convergence”‑ன் புதிய அத்தியாயம்.

இந்திய பார்வையில், நம்மை கவலைப்பட வேண்டியது இரண்டு விஷயங்கள் – முதல், AI‑generated exploit‑கள் எங்கள் critical infra‑இல் தாக்கம் செலுத்தும் நேரம் குறையுது; இரண்டாவது, இந்திய அரசு AI‑driven cyber‑weapons‑க்கு சட்ட‑வடிவமைப்பை அமைக்க வேண்டிய அவசியம். MeitY‑யின் வரவிருக்கும் guidelines‑ஐ நெருங்கி பார்க்கவும், மேலும் AI‑defence ஸ்டார்ட்அப்‑களை (like NXT‑AI Security) ஆதரித்து, “Mythos‑India” போன்ற ஒரு உள்ளூர்த் தீர்வை உருவாக்கலாம்.

எதிர்காலம்? மேலும் AI‑based cyber‑tools வெளிப்படும், மற்றும் அவற்றின் misuse‑ஐத் தடுக்க policy‑level‑இல் துரித நடவடிக்கைகள் தேவை. NSA‑யின் இந்த கூட்டணி, உலகம் முழுவதும் AI‑driven cyber‑race‑க்கு ஒரு முன்னோடி சுட்டியை அமைக்கிறது – நாம் அதனை கவனித்து, பாதுகாப்பாகப் பதிலளிக்க வேண்டும்.