ChainGraph usa grafo Neo4j para dar a agentes de pentest baseados em LLM raciocinio real sobre cadeias de exploracao
Pesquisadores propoem o ChainGraph, um padrao que conecta agentes de IA como Claude Code e OpenAI Codex a um grafo de propriedades Neo4j via Model Context Protocol, permitindo que o raciocinio sobre cadeias de ataque — credenciais, escalonamento de privilegios, movimento lateral — seja armazenado e consultado como grafo, em vez de depender de uma lista plana de achados na janela de contexto do modelo. Em um cenario sintetico de Active Directory multi-floresta baseado no GOAD, tres achados classificados como severidade media isoladamente se tornaram criticos quando o caminho completo até a raiz da floresta foi materializado no grafo, e a metrica de centralidade de intermediacao apontou os melhores pontos para interromper a cadeia.
O argumento central do artigo e que a limitacao hoje atribuida a agentes de IA em pentest — a incapacidade de encadear exploracao de forma realista — nao e uma limitacao do modelo em si, mas da arquitetura que organiza sua memoria: uma janela de contexto trata um engajamento de teste de invasao como uma lista plana de achados, enquanto atacantes humanos (e equipes de red team maduras) pensam em grafos, onde exposicoes isoladas de baixa severidade se tornam catastroficas quando conectadas por relacoes de pre-condicao e pos-condicao.
O ChainGraph materializa essa ideia separando memoria documental (achados em JSON/Markdown, para rastreabilidade humana) de memoria de raciocinio (um grafo Neo4j com nos tipados para achados, passos de ataque, credenciais, ativos e evidencias com registro de proveniencia). Sobre esse grafo, os autores formalizam cinco classes de consulta reutilizaveis em Cypher e Graph Data Science — inferencia do proximo passo, caminho da entrada ao ativo critico, promocao de severidade combinada, proveniencia de evidencia e identificacao de pontos de estrangulamento — alem de uma metrica de severidade de cadeia distinta da severidade local de cada achado.
O resultado do experimento no cenario GOAD (um ambiente de Active Directory multi-floresta usado como padrao em treinamento ofensivo) e ilustrativo do ganho: achados que receberiam classificacao Media em um relatorio tradicional de scanner passam a Critica quando o grafo revela que estao a um ou dois passos do dominio raiz da floresta, e a centralidade de intermediacao (betweenness centrality) aponta exatamente onde um defensor deveria cortar a cadeia para maximo efeito com minimo esforco. Os autores tambem reportam reducao de cerca de 98% na carga de raciocinio (medida em proxy de tokens), porque cada decisao do agente passa a consultar um resultado de grafo pontual em vez de reler todo o historico do engajamento.
Na pratica, isso tem duas leituras simetricas de seguranca: para equipes de red team e pentest, oferece uma forma de dar a agentes de LLM capacidade de raciocinio ofensivo mais proxima da de um operador humano experiente, reduzindo custo e aumentando cobertura de testes de invasao automatizados. Para defensores, o mesmo padrao de grafo de exploracao serve de insumo direto para priorizacao de correcoes — identificar os poucos pontos de estrangulamento que, se corrigidos, quebram a maioria das cadeias de ataque viaveis — tornando a tecnica relevante tanto para quem ataca quanto para quem defende infraestrutura.