"Computer use" वाले AI agent अब मिनटों में malware का विश्लेषण करते हैं: DFIR के लिए क्या बदलता है
वर्षों तक malware analysis को automate करने की एक कीमत थी: हर टूल को किसी API के इर्द-गिर्द फिर से बनाना। Computer use वाले AI agent अब यह कीमत हटा रहे हैं। हर टूल के लिए अलग integration की जगह, agent स्क्रीन के screenshots देखता है, निर्णय लेता है, और mouse तथा keyboard चलाता है — वही debugger और disassembler चलाते हुए जो एक human analyst किसी isolated lab में चलाता।
असल में क्या बदलता है
हर security operation जिसने reverse engineering को automate करने की कोशिश की, उसी दीवार से टकराई। Sandbox के पास API होते हैं, कुछ disassembler में scripting होती है, पर analyst का असली workflow एक दर्जन GUI टूल्स में बसता है, हर एक की अपनी आदतें। इन्हें जोड़ने का मतलब है महीनों का integration code जो अगली version पर टूट जाता है, और सिर्फ GUI वाले टूल pipeline में कभी नहीं आते।
Computer use इस तर्क को उलट देता है: integration की सतह अब स्क्रीन खुद बन जाती है। अगर कोई टूल एक window बनाता है, तो agent उसे चला सकता है। कुछ भी दोबारा नहीं लिखा जाता, और analyst का काम plumbing बनाने से हटकर report की समीक्षा करने पर आ जाता है।
परीक्षण का उदाहरण
एक हालिया परीक्षण में, एक agent ने browser tab में दिख रहे FlareVM lab के भीतर loaders और SystemBC जैसे proxy के live samples पर काम किया। लगभग 15 मिनट में उसने obfuscated configuration, binaries में embedded passwords और महत्वपूर्ण execution behaviour निकाल लिया। यह एक practitioner का परीक्षण है, कोई benchmark नहीं, पर यह इस बात का भरोसेमंद संकेत है कि यह क्षमता किस दिशा में जा रही है।
DFIR और SOC टीमों के लिए क्या बदलता है
अधिकांश incident response engagements ऐसे binaries का ढेर छोड़ जाते हैं जिन्हें पूरी तरह reverse करने का समय किसी के पास नहीं होता। एक पहला pass जो मिनटों में configuration, C2 details और credentials निकाल दे, छोटी टीम के लिए "पूर्ण विश्लेषण" का अर्थ बदल देता है। इंसान operator से reviewer बन जाता है: निष्कर्षों को सत्यापित करने में उतनी ही विशेषज्ञता लगती है जितनी उन्हें बनाने में, साथ में भरोसे की जगह जाँच का अनुशासन।
नकल करने से पहले guardrails
जो agent malware lab के भीतर click कर सकता है, वही agent वह है जिससे malware बात भी कर सकता है। नीचे दी बातों को सुधार नहीं, बल्कि पूर्वशर्त मानें:
- Lab को production और internet से अलग रखें, और हर sample के बाद snapshot revert करें।
- हर decoded string को agent पर लक्षित संभावित prompt injection मानें।
- Session में कोई credentials न छोड़ें: agent compromise हो तो असर की सीमा एक ही VM रहे।
- कोई भी IOC blocklist या client तक पहुँचने से पहले human sign-off अनिवार्य रखें।
- सब कुछ record करें: screen और action log, ताकि यह दिखे कि वह कहाँ गलत हुआ।
इस pipeline में कोई भी model डालने से पहले उसकी जाँच करें। मुफ़्त Model Risk Scanner असली repository metadata को supply-chain संकेतों के लिए पढ़ता है, और AI Dependency Scanner libraries तथा packages की surface का audit करने में मदद करता है, इससे पहले कि आप उन पर भरोसा करें।
अक्सर पूछे जाने वाले प्रश्न
Malware analysis में computer use क्या है?
यह AI agent की एक क्षमता है जिसमें model desktop के screenshots देखता है, तय करता है कि क्या करना है, और mouse तथा keyboard input भेजता है। इससे वह किसी lab VM के भीतर वही टूल्स — debugger, disassembler, monitors — चला सकता है जो एक analyst उपयोग करता है, बिना हर टूल के लिए API की आवश्यकता के।
क्या malware lab के भीतर AI agent को चलाना सुरक्षित है?
केवल guardrails के साथ: lab production और internet से isolated हो, session में कोई मूल्यवान credentials न हों, हर decoded string को संभावित injection माना जाए, कोई भी IOC प्रकाशित होने से पहले human sign-off हो, और सभी actions record किए जाएँ।
DFIR के लिए computer use, API integrations से बेहतर क्यों है?
API-आधारित automation को हर टूल के लिए अलग glue code चाहिए और वह सिर्फ GUI वाले टूल्स तक पहुँच ही नहीं पाता। Computer use स्क्रीन को ही integration surface बना देता है, इसलिए जो भी टूल एक window बनाता है वह बिना अतिरिक्त code के दायरे में आ जाता है।