KI-Modellketten nutzen Zero-Day-Exploits in Chrome, Safari und Linux-Kerneln

Forscher nutzten ein nicht veröffentlichtes internes KI-Modell, um kritische Sicherheitslücken in weit verbreiteter Software wie Chrome, Safari, Android, Windows und Linux zu identifizieren und auszunutzen. Die am 27. Oktober 2026 veröffentlichten Ergebnisse demonstrieren die Fähigkeit des Modells, komplexe, mehrstufige Angriffsketten zu konstruieren, die zu Remote-Code-Ausführung oder Datendiebstahl mit wenig bis keiner Nutzerinteraktion führen.

Was passiert ist

Das Forschungsteam setzte einen spezialisierten KI-Agenten ein, um einige der sicherheitskritischsten Softwareprodukte der Welt zu auditieren. Das Modell generierte erfolgreich fünf unterschiedliche Exploit-Ketten, die auf Browser und Betriebssysteme abzielten. Es handelte sich dabei nicht um isolierte Fehler, sondern um koordinierte Sequenzen von Schwachstellen, die mehrere Verteidigungsebenen wie Memory-Sandboxes und Address Space Layout Randomization (ASLR) umgingen. Jeder Fund wurde über koordinierte Offenlegungsprotokolle für Schwachstellen an den jeweiligen Anbieter gemeldet, sodass Zeit für Patches blieb, bevor öffentliche Details bekannt gegeben wurden.

In Google Chrome produzierte das Modell einen One-Click-Remote-Code-Execution-Exploit auf macOS. Er kombinierte einen Heap-Corruption-Bug in der V8-JavaScript-Engine mit einer Sandbox-Escape über eine Race Condition in CacheStorage und einem Use-After-Free-Fehler in der FedCM-Anmeldenfunktion. Diese Kette ermöglichte die Ausführung beliebigen Codes außerhalb der Browser-Sandbox. Ähnlich konstruierte die KI in Apple Safari einen datenbasierten Angriff, der die Same-Origin-Policy umging. Durch Ausnutzung einer Use-After-Free-Schwachstelle in JavaScriptCore und unter Ausnutzung von Schwächen in der Gigacage-Memory-Isolation erhielt das Modell Lese-/Schreibzugriff auf sensible Browserdaten wie Cookies und Verlauf, ohne beliebigen Code auszuführen.

Der Umfang ging über Browser hinaus auf mobile und Desktop-Betriebssysteme. Auf Android verknüpfte das Modell drei Schwachstellen, um den Sperrbildschirm eines Pixel 9 zu umgehen, was die Datenextraktion per USB ohne Nutzerüberprüfung ermöglichte. Unter Windows identifizierte es einen Remote-Denial-of-Service-Fehler in der HTTP/3-QUIC-Implementierung durch Analyse von Binärcode. Schließlich legte das Team eine Zero-Click-Remote-Code-Execution-Schwachstelle im Netzwerk-Stack des Linux-Kernels offen, bei der eine Race Condition Angreifern erlaubte, Befehle als Root auszuführen.

Wie es funktioniert

Die KI scannte nicht einfach nach bekannten Mustern; sie führte tiefgreifende Schlussfolgerungen und Variantenanalysen durch. Für proprietäre Software wie Windows nutzte das Modell Reverse-Engineering-Tools, um Binärdateien zu dekompilieren, Logik in C zu rekonstruieren und sie mit dem beobachteten Verhalten zu vergleichen, um Abweichungen zu finden. Für Open-Source-Komponenten analysierte es den Quellcode direkt. Das System setzte eine Plattform von parallelen Scanning-Agenten ein, die jeweils unterschiedliche Strategien verwendeten, wie reine Abdeckungsprüfungen, zielbasierte Bedrohungsmodellierung oder spezifische Suche nach Exploit-Primitiven.

Ein Schlüsselmechanismus war die Fähigkeit des Modells, disparate Schwachstellen zu verketten. Im Fall des Linux-Kernel-Exploits besiegte die KI zunächst KASLR, indem sie Kernel-Pointer durch einen durch eine Race Condition verursachten Überlesefehler leckte. Dann nutzte sie denselben zugrunde liegenden Use-After-Free-Bug, um einen Buffer zu überlaufen und einen Callback-Pointer zu überschreiben. Dies ermöglichte es dem Angreifer, den Kontrollfluss zu entführen und eine Payload auszuführen, die im Kernel-Speicher vorbereitet war. Der Prozess stützte sich auf Test-Time-Compute-Scaling, wobei das Modell seinen Ansatz iterativ verfeinerte, bis es einen funktionierenden Proof of Concept erstellte.

Wichtige Details

• Chrome 156 enthält Patches für 62 vom Modell identifizierte CVEs, darunter 13 Sandbox-Escapes und 21 Renderer-Kompromittierungen.
• Der Safari-Exploit umging die Same-Origin-Policy mittels eines datenbasierten Angriffs und vermied so die Notwendigkeit einer Arbitrary-Code-Ausführung.
• Die Umgehung des Android-Sperrbildschirms erforderte physischen USB-Zugang, übersprang jedoch die Pairing-Überprüfung und Dateiübertragungskontrollen.
• Die Windows-Schwachstelle (CVE-2026-33096) ermöglichte das Remote-Crashen von Servern, die auf HTTP/3 lauschen, durch einen Out-of-Bounds-Lesevorgang in der QUIC-Implementierung.
• Die Linux-Kernel-Schwachstelle (CVE-2026-98432) ermöglichte Zero-Click-Root-Zugriff über Multipath TCP und benötigte in Tests etwa 53 Minuten zur vollständigen Ausnutzung.
• Alle Erkenntnisse wurden unter einem 90-tägigen Patch-Fenster plus einer 45-tägigen Offenlegungsverzögerung gemeldet.

Warum es wichtig ist

Diese Forschung signalisiert eine Verschiebung in der Bedrohungslandschaft, in der fortgeschrittene Cyber-Fähigkeiten nicht mehr auf elitäre Spezialistenteams beschränkt sind. KI-Modelle können nun autonom Schwachstellen entdecken und zu funktionierenden Exploits kombinieren, was die Hürde für ausgeklügelte Angriffe erheblich senkt. Für Softwareentwickler bedeutet dies, dass traditionelle Sicherheitsannahmen über die Schwierigkeit, tiefe, verkettete Schwachstellen zu finden, möglicherweise nicht mehr gelten. Die Geschwindigkeit und Tiefe der KI-gestützten Analyse erfordern, dass Verteidiger ihre eigenen Patch- und Testzyklen beschleunigen.

Für Engineering-Leads bedeutet dies, dass statische Analysen und manuelle Code-Reviews gegen KI-augmentierte Gegner nicht ausreichen. Die Fähigkeit dieser Modelle, Variantenanalysen auf bestätigten Erkenntnissen durchzuführen, bedeutet, dass ein einzelner gefundener Bug schnell eine ganze Klasse verwandter Schwachstellen im gesamten Codebase aufdecken kann. Verteidiger müssen ähnliche KI-gestützte Teststrategien übernehmen, um Schritt zu halten, und automatisiertes Scanning in ihre Entwicklungspipelines integrieren, um Probleme zu erfassen, bevor sie in die Produktion gelangen.

Was Sie tun können

• Integrieren Sie KI-gestütztes Security-Scanning in Ihren Pull-Request-Workflow, um Schwachstellen früh im Entwicklungszyklus zu erkennen.
• Implementieren Sie automatisierte Variantenanalysen für jede bestätigte Sicherheitsproblematik, um verwandte Schwächen im gesamten Codebase zu identifizieren und zu patchen.
• Priorisieren Sie das Patching kritischer Infrastrukturkomponenten, insbesondere solcher, die nicht vertrauenswürdigem Input ausgesetzt sind, wie Netzwerk-Stacks und Browser-Engines.
• Nehmen Sie eine Defense-in-Depth-Strategie an, die davon ausgeht, dass Sandbox-Escapes möglich sind, und begrenzen Sie so die Auswirkungen jeder einzelnen Schwachstelle.
• Nehmen Sie an Programmen zur koordinierten Offenlegung von Schwachstellen teil, um einen verantwortungsvollen Umgang mit entdeckten Fehlern sicherzustellen.
• Überwachen Sie Upstream-Patches für Open-Source-Abhängigkeiten, insbesondere in Bibliotheken für Netzwerk- und Speichermanagement, und wenden Sie Updates zeitnah an.