Enhancing Linux Privilege Escalation Attack Capabilities of Local LLM Agents
Di cosa parla
Si esplora come rendere efficaci, su macchine locali, agenti automatici basati su modelli di linguaggio per svolgere test di penetrazione su Linux, in particolare l’escalation di privilegi. Partendo da tracce di esecuzione, gli autori identificano sei tipi ricorrenti di errore e valutano alcune tecniche di ingegneria per correggerli, integrandole in un quadro riproducibile e mostrando che le migliorie colmano gran parte del divario con i servizi cloud; emergono inoltre indicazioni che il vero limite locale è trovare vulnerabilità, non sfruttarle.
Cosa permette di osservare
Permette di esplorare se è praticabile costruire agenti offensivi affidabili che girino solo in locale, quali scelte ingegneristiche (es. migliori istruzioni e auto-analisi) riducono la distanza rispetto ai servizi cloud e cosa questo implica per chi difende i sistemi.
Dalla fonte
Cloud-based Large Language Models (LLMs) can perform autonomous penetration-testing sub-tasks such as Linux privilege escalation, but raise security, privacy, and sovereignty concerns. Locally hosted open-weight models avoid these issues, yet prior work reports that small open-weight models succeed on only 8-16% of standardized privilege-escalation tasks, far below frontier cloud models. This paper is an empirical study of why small models fail at this task and which engineering techniques close the gap. From execution traces we distill six recurring failure modes, map each to an established enhancement technique, and evaluate five (chain-of-thought prompting, retrieval-augmented generation, structured prompting, history compression, and reflective analysis) as reproducible extensions to the open-source hackingBuddyGPT framework. Under a single shared harness and matched conditions, the…