WebMaze desvia scanners de vulnerabilidade baseados em LLM para mundos de isca sem afetar a aplicação real
Pesquisadores apresentam o WebMaze, uma defesa que combate o uso crescente de scanners de vulnerabilidade web baseados em LLM — que automatizam e tornam mais eficazes ataques contra aplicações — embutindo armadilhas acopladas à funcionalidade real de páginas legítimas e redirecionando o scanner para mundos de isca interativos gerados a partir das próprias views da aplicação. Em testes contra 12 aplicações web e três scanners LLM distintos, páginas de isca representaram em média 93% das páginas visitadas por execução, e os scanners continuaram explorando predominantemente as iscas mesmo quando informados explicitamente sobre o mecanismo de decepção e instruídos a evitá-las.
O ponto de partida do trabalho é reconhecer uma mudança concreta na natureza do risco: scanners de vulnerabilidade web que usam LLMs para decidir o que explorar e como interpretar respostas tornam ataques automatizados muito mais eficazes do que ferramentas de varredura tradicionais baseadas em regras fixas, porque conseguem entender semântica de páginas, adaptar estratégias de exploração dinamicamente e perseguir pistas ambíguas da mesma forma que um analista humano faria — só que em escala e velocidade automatizadas. Isso torna a IA, neste caso, diretamente a ferramenta do atacante, e motiva uma defesa pensada especificamente contra esse tipo de adversário.
Os autores primeiro estudam sistematicamente seis scanners baseados em LLM existentes, mapeando como cada um coleta informação (que elementos da página observam, que respostas usam como sinal) e como escolhe a próxima ação a explorar. A partir desse entendimento, o WebMaze constrói armadilhas 'acopladas à funcionalidade' — ou seja, embutidas em componentes genuínos da aplicação de forma que se misturam ao comportamento real, em vez de serem páginas obviamente falsas isoladas — e, a partir delas, expõe pontos de entrada para mundos de isca interativos construídos reaproveitando as próprias views já existentes da aplicação, de modo que a exploração continue parecendo produtiva e coerente para o scanner atacante.
Os resultados experimentais são expressivos: em 12 aplicações web reais testadas contra três scanners LLM diferentes, sob a configuração padrão em que o scanner não tem conhecimento prévio da decepção, páginas de isca representaram em média 93% de todas as páginas distintas requisitadas por execução — ou seja, o scanner gasta a vastíssima maioria do seu orçamento de exploração dentro do labirinto artificial, não na aplicação real. Mais notável ainda: mesmo quando os pesquisadores informam explicitamente o scanner sobre a existência do mecanismo de decepção e instruem o modelo a evitar páginas de isca, ele continua explorando predominantemente as iscas, sugerindo que a camuflagem funcional é robusta mesmo contra um adversário que sabe, em tese, que está sendo enganado.
Na prática, o trabalho inverte a lógica comum de defesas de deception (honeypots), que costumam isolar completamente o ambiente de isca da aplicação real e por isso são relativamente fáceis de distinguir por um atacante atento; o requisito de design do WebMaze — preservar a funcionalidade genuína intacta enquanto desvia o scanner — é o que torna a decepção difícil de detectar e, por isso, mais eficaz especificamente contra adversários automatizados por LLM, que avaliam coerência e plausibilidade da exploração de forma mais sofisticada que scanners tradicionais. Isso aponta para uma categoria nova de defesa, pensada desde o início para o perfil de reconhecimento e julgamento de um atacante de IA, e não apenas para bloquear assinaturas de varredura conhecidas.