Nightcrawler: تبدیل گوشی‌های اندرویدی به عامل‌های خودمختار تست نفوذ

تصور کنید یک گوشی موبایل را در محیطی رها کنید تا بدون هیچ دخالت انسانی، تمام حفره‌های امنیتی شبکه را پیدا کرده و گزارش نهایی را تحویل دهد. این دیگر یک سناریوی تخیلی نیست؛ ابزاری به نام Nightcrawler حالا می‌تواند یک گوشی OnePlus 8 را به یک حسابرس امنیتی کاملاً خودمختار تبدیل کند. طبق اعلام توسعه‌دهندگان، این ابزار در ۳ آگوست ۲۰۲۶ منتشر شد و اجازه می‌دهد کاربر دستگاه را در یک شبکه قرار داده و سپس آن را ترک کند تا هوش مصنوعی به‌صورت محلی میزبان‌ها را شناسایی کرده و گزارش تست نفوذ (Pentest) را تولید کند.

این رویکرد «جعبه استقرار» (Drop Box) که در آن دستگاهی برای تست خودمختار در یک شبکه هدف رها می‌شود تا عملیات را به‌طور مستقل پیش ببرد، بخشی از روند گسترده‌تری در ارکستراسیون محلی هوش مصنوعی برای وظایф تخصصی است. همان‌طور که در تحلیل قبلی ما درباره‌ی اینکه چگونه MyZubster از هوش مصنوعی محلی برای اتوماسیون جایزه‌های باگ متن‌باز استفاده می‌کند اشاره کردیم، انتقال منطق پردازشی از محیط دسکتاپ به لبه‌های سخت‌افزاری موبایل در حال شدت یافتن است. Nightcrawler دقیقاً همین مسیر را طی کرده و منطق تحلیل را از محیط‌های سنبه به سخت‌افزاری بسیار محدود در لبه شبکه آورده است.

این سیستم تنها به دنبال پورت‌های باز نمی‌گردد، بلکه بر اساس نتایج به‌دست‌آمده، تصمیم می‌گیرد که کدام اکسپلویت (Exploit) را در مرحله بعد امتحان کند. این قابلیت از طریق مدل LFM2.5-1.2B-Instruct-Heretic محقق شده است. این مدل یک مدل زبانی کوچک (SLM) با ۱.۲ میلیارد پارامتر است که به‌طور ویژه برای اجرا روی پردازنده گرافیکی Adreno 650 از طریق OpenCL بهینه شده است. بر اساس مستندات گیت‌هاب، این سیستم برای فرار از شناسایی توسط سامانه‌های تشخیص نفوذ (IDS/IPS)، از استراتژی «انسان صبور» استفاده می‌کند؛ یعنی به‌جای اسکن سریع و پرتصادفی که امضاهای شبکه را «پرصدا» می‌کند، عملیات را در طول چندین ساعت پخش کرده و میزبان‌ها را به‌صورت چرخشی هدف قرار می‌دهد تا هر بار تنها یک اقدام واحد انجام شود. این رویکرد باعث می‌شود شناسایی آن توسط ابزارهای نظارتی شبکه بسیار سخت‌تر شود.

معماری فنی و لایه‌های حفاظتی

مغز این عامل در یک حلقه مداوم عمل می‌کند: ابتدا یک هدف را انتخاب می‌کند (با استفاده از یک سیستم انتخاب تصادفی وزنی که در آن ۷۰٪ میزبان‌های با پورت‌های شناخته‌شده و ۳۰٪ اکتشافات جدید اولویت دارند)، سپس زمینه‌ای (Context) از حافظه میزبان و مشاهدات شبکه می‌سازد و در نهایت از مدل زبانی (LLM) درخواست یک فرمان خاص را می‌کند. مدل در پاسخ، هم «استدلال» (Reasoning) پشت تصمیم خود و هم «فرمان» (Command) لازم برای اجرا را تولید می‌کند.

برای جلوگیری از حملات غیرمجاز به اهداف خارج از محدوده یا تخطی از قواعد درگیری (ROE)، Nightcrawler یک سیستم حفاظتی دو لایه را پیاده‌سازی کرده است:

• پراکسی محدوده (Scope Proxy): یک لایه اختصاصی که هر فرمان را پیش از اجرا با فایل config.yaml تطبیق می‌دهد. این لایه تضمین می‌کند که تمام اقدامات پیش از اجرا در محدوده تعریف‌شده باقی بمانند.
• فیلتر فرمان (Command Filter): یک لیست سیاه (Blocklist) که مانع از رسیدن فرمان‌های تخریبی به شبکه می‌شود تا از آسیب احتمالی به زیرساخت هدف جلوگیری شود.

اجرای ابزارها توسط یک Kali MCP Server مدیریت می‌شود که از پروتکل زمینه مدل (Model Context Protocol یا MCP) به عنوان یک رابط استاندارد برای استفاده از ابزارها توسط هوش مصنوعی بهره می‌برد. این پروتکل به هوش مصنوعی یک جعبه‌ابزار از ابزارهای استاندارد صنعتی مانند nmap ،curl و smbclient ارائه می‌دهد. با این حال، استفاده از این استاندارد بدون تدابیر امنیتی دقیق می‌تواند مخاطره‌آمیز باشد، به‌طوری که برخی گزارش‌ها حاکی از وجود حفره‌های امنیتی شدید در ۲۵٪ از استقرارهای پروتکل MCP است. تمام داده‌های مربوط به مأموریت، شامل میزبان‌ها، آسیب‌پذیری‌ها و اعتبارنامه‌ها (Credentials)، به‌صورت محلی در یک پایگاه‌داده SQLite ذخیره می‌شوند.

قابلیت‌های خودمختار و مکانیزم‌ها

Nightcrawler به‌جای تکیه بر اسکریپت‌های ساده، از یک موتور استدلالی برای پیمایش شبکه از طریق یک ماشین وضعیت (State Machine) با مراحل مشخص استفاده می‌کند (شناسایی $
ightarrow$ برشماری $
ightarrow$ بهره‌برداری $
ightarrow$ گزارش‌دهی). ویژگی‌های کلیدی این ابزار عبارتند از:

• حالت نفوذ WiFi: یک خط لوله خودمختار برای شکستن WPA2 (با الهام از Pwnagotchi) که نیازمند یک آداپتور USB WiFi خارجی (پیشنهاد شده: Ralink RT3572) و یک کرنل سفارشی با MAC80211 برای فعال‌سازی حالت Monitor است.
• تطبیق آسیب‌پذیری: یک پایگاه‌داده آگاه از نسخه شامل ۲۴,۹۵۶ ورودی CVE که به عامل اجازه می‌دهد نسخه‌های نرم‌افزاری شناسایی‌شده را با اکسپلویت‌های شناخته‌شده تطبیق دهد.
• پلی‌بوک‌های حمله: ۲۷ زنجیره حمله چندمرحله‌ای که می‌توانند LLM را دور بزنند و در صورت برقراری شرایط خاص، به‌طور خودکار اجرا شوند.
• اکتشاف غیرفعال: ضبط پس‌زمینه با استفاده از tcpdump برای شناسایی پخش‌های mDNS، NBNS، DHCP و ARP جهت نقشه‌برداری از دستگاه‌ها بدون ارسال بسته‌های فعال.
• منطق خودبهبودی: به دلیل اینکه مدل ۱.۲ میلیاردی نرخ موفقیت فرمان ذاتی حدود ۵۰٪ دارد، عامل از مکانیزم تشخیص زباله (ریست پس از ۵ شکست)، تشخیص داده‌های تکراری برای تنوع‌بخشی، و یک سیستم توقف زمانی ۵ دقیقه‌ای برای تشخیص «گیر کردن» (Stuck Detection) استفاده می‌کند.
• پشتیبانی از شبکه‌های متعدد: داده‌ها برای هر شبکه مجزا هستند و عامل با استفاده از میزبان‌های کلید-MAC، در برابر تغییرات DHCP مقاوم است و می‌تواند در شبکه‌های مختلف بقا یابد.

سخت‌افزار و عملکرد

اجرای یک هوش مصنوعی پیشرفته روی گوشی نیازمند یک پشته سخت‌افزاری دقیق است. سیستم به یک گوشی اندرویدی با دسترسی روت Kali NetHunter از طریق Magisk نیاز دارد. در تست‌های انجام شده روی OnePlus 8 (اسنپ‌دراگون ۸۶۵)، مدیریت حافظه بسیار حیاتی است: مدل ۱.۲ میلیاردی حدود ۱.۳ گیگابایت رم مصرف می‌کند و اندروید حدود ۴ گیگابایت، که باقی‌مانده از رم ۱۲+ گیگابایتی برای ابزارهای امنیتی باقی می‌ماند.

عملکرد GPU از طریق OpenCL روی Adreno 650 مدیریت می‌شود و بسته به کوانتش (Quantization) مدل متفاوت است:

• LFM2.5-1.2B (Production - Q8_0): سرعت پرامپت ۱۱۵ توکن در ثانیه؛ سرعت تولید ۱۳ توکن در ثانیه.
• Qwen3.5-0.8B (Q8_0): سرعت پرامپت ۳۰.۵ توکن در ثانیه؛ سرعت تولید ۶.۳ توکن در ثانیه.
• Qwen3.5-4B (Q4_0): سرعت پرامپت ۱۰.۱ توکن در ثانیه؛ سرعت تولید ۲.۰ توکن در ثانیه.

یک چالش بزرگ، محدودیت باتری اندروید (Battery Throttling) است که می‌تواند عملکرد GPU را تا ۶ برابر کاهش دهد. توسعه‌دهندگان یک دیمون (Daemon) برای مدیریت GPU طراحی کرده‌اند که حداکثر توان را تحمیل می‌کند و تنها زمانی که باتری به ۱۵٪ یا کمتر برسد، به‌طور خودکار سرعت را کاهش می‌دهد. برای کاربرانی که به قدرت پردازشی بیشتری نیاز دارند، سیستم امکان انتقال پردازش (Offload) به یک NVIDIA AGX از طریق Tailscale را فراهم کرده است. این قابلیت مدیریت از راه دور، یادآور نوآوری‌هایی است که در طراحی لایه‌های کنترل راه دور برای عامل‌های خودکار مانند Claude Code دیدیم تا دسترسی به ابزارهای اتوماسیون بهینه‌تر شود.

استقرار و کنترل

استقرار با اجرای INSTALL.sh و راه‌اندازی llama-server آغاز می‌شود (که حدود ۵ دقیقه پس از بوت زمان می‌برد). کاربران می‌توانند از طریق اسکریپت scripts/run-36h.sh یا یک توالی دستی شامل kali-server-mcp ،scope_proxy.py و webui-daemon سیستم را اجرا کنند.

پیکربندی از طریق config.yaml به کاربران اجازه می‌دهد شناسه درگیری (مثلاً CLIENT-YYYY-XXX) را تعیین کنند، پورت‌های خاص SCADA/ICS (مانند ۵۰۲ و ۵۰۳) را استثنا کنند و حداکثر زمان اجرا را تنظیم نمایند. قابلیت تشخیص محدوده دینامیک به عامل اجازه می‌دهد در هنگام استارت‌آپ، ساب‌نت فعلی را از wlan0 بخواند، به این معنی که هنگام جابجایی بین شبکه‌ها، نیازی به تغییر دستی پیکربندی نیست.

برای مدیریت این عملیات، سیستم یک داشبورد وب در پورت ۸۸۸۸ ارائه می‌دهد که شامل موارد زیر است:

• فید زنده: نمایش لحظه‌ای هر تصمیم و فرمان عامل.
• نقشه شبکه: یک گراف تعاملی (Force-directed graph) برای جابجایی، زوم و مشاهده ارتباطات.
• کارت‌های میزبان: خلاصه‌های قابل کلیک از پورت‌ها، سرویس‌ها و تگ‌های CVE.
• کنترل‌های C2: قابلیت ستاره‌دار یا لیست سیاه کردن میزبان‌ها، اجبار به تغییر فاز یا تزریق فرمان‌های دستی.
• رابط کاربری آفلاین: یک چهره متحرک به سبک Pwnagotchi برای نظارت بر حملات WiFi.

برای حفظ مخفی‌کاری، این داشبورد سرآیند (Header)های nginx را جعل کرده و به هرگونه اتصال که از داخل شبکه هدف منشأ بگیرد، پاسخ ۴۰۴ (پیدا نشد) بازمی‌گرداند تا شناسایی نشود.

نتایج عملیاتی

در تست‌هایی که بیش از ۷۲ ساعت عملیات خودمختار در چندین شبکه مختلف را شامل می‌شد، این عامل ثبات غافل‌گیرکننده‌ای نشان داد. لاگ‌های پروژه نشان می‌دهد که Nightcrawler در هر شبکه بیش از ۳۰ میزبان را شناسایی کرد و بیش از ۲,۰۰۰ فرمان خودمختار را اجرا نمود. این ابزار موفق شد بیش از ۱۰ آسیب‌پذیری را شناسایی کرده و ۶ پلی‌بوک متمایز را بدون دخالت انسان اجرا کند. حافظه عامل نیز در تمام طول فرآیند در محدوده ۳۵ تا ۵۰ مگابایت باقی ماند و هیچ نشانی از نشت حافظه (Memory Leak) دیده نشد.

تحلیل: تغییر رویکرد به سمت هوش مصنوعی مهاجم محلی

Nightcrawler این فرض را تغییر می‌دهد که تست نفوذ خودمختار با کیفیت بالا نیاز به پردازش‌های عظیم یا مدل‌های زبانی ابری دارد. با بهره‌گیری از یک مدل ۱.۲ میلیاردی، این پروژه ثابت می‌کند که استدلال «به اندازه کافی خوب» برای ارکستراسیون ابزارها کفایت می‌کند، به شرطی که با یک ماشین وضعیت قدرتمند و پایگاه‌داده CVE ترکیب شود.

برای متخصصان امنیتی، این بدان معناست که مانع استقرار یک حضور هوشمند و مداوم در شبکه هدف به‌شدت کاهش یافته است. استفاده از پروتکل مدل کانتکست (MCP) نشان‌دهنده آینده‌ای است که در آن عامل‌های هوش مصنوعی تخصصی می‌توانند ابزارها و محیط‌ها را به‌طور یکپارچه تعویض کنند. حیاتی‌ترین نکته، حرکت به سمت هوش مصنوعی «مخفی‌کار اول» است؛ با شبیه‌سازی صبر انسانی (به‌ویژه با استفاده از nmap -T2) و ترکیب شدن با ترافیک پوششی واقع‌گرایانه، شناسایی این عامل‌ها برای سیستم‌های IDS/IPS دشوارتر می‌شود.

گام بعدی شما

• برای تست منطق عامل بدون ریسک برای پایداری شبکه، پروژه را در حالت NC_DRY_RUN=1 اجرا کنید که از یک سرور کالی شبیه‌سازی شده (Mock) استفاده می‌کند.
• مخزن گیت‌هاب را برای به‌روزرسانی‌های مربوط به تنظیم دقیق (Fine-tuning) مدل دنبال کنید؛ توسعه‌دهندگان در حال حاضر هدف‌گذاری کرده‌اند که نرخ انطباق فرمت دستورات را از حدود ۵۰٪ به بیش از ۸۵٪ برسانند.
• پیشرفت‌های آتی بر گسترش پایگاه‌داده CVE فراتر از ۲۴,۹۵۶ ورودی و افزودن پشتیبانی از چیپ‌ست‌های بیشتر USB WiFi متمرکز است.
• بررسی کنید که آیا سخت‌افزار شما از استاندارد MCP برای اتصال ابزارهای امنیتی پشتیبانی می‌کند یا خیر.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره تلاقی مدل‌های زبانی کوچک و سخت‌افزار لبه مراجعه کنید.