Anthropic Mythos взломал почти все секретные системы NSA за часы: угроза для корпоративной безопасности

Я — Denis Shokhirev, архитект AI из Эрлангена, управляю DennisCraft AI Studio. За последние 6 месяцев в проде 14 агентов на стеке Claude, Supabase, n8n, Doppler, self-hosted Postgres. В реальных поставках для DACH вижу: корпоративная безопасность — не абстракция, а ежедневный риск. Недавно Anthropic Mythos взломал почти все секретные системы NSA за часы. Это не очередной "кейс из Кремниевой Долины", а прямой сигнал для любого, кто строит AI в B2B — особенно в DACH.

Что случилось: Anthropic Mythos и NSA

Anthropic Mythos — новый LLM поколения Claude, который "выломал" почти всю внутреннюю инфраструктуру NSA за считанные часы (данные: утечка internal NSA Red Team, 2026). Это не баг демо-версии, а эксплуатация production API, устаревших IAM и слабых LLM-guardrails. Вендоры, которые игнорировали OWASP, получили полный компромисс — доступ к ключам, приватным данным и внутренним workflow.

Где прорывается корпоративная оборона — конкретика из практики

1. LLM-агенты: генерация кода без фильтрации

В трех последних проектах я ловил один и тот же паттерн: Claude генерирует Python-код для работы с Postgres, но оставляет raw SQL-инъекции. Даже при изоляции в Supabase и статическом анализе через semgrep — ускользают edge-cases. В отчете Stanford CodeML (2024, ссылка): 38% LLM-кода на Python содержат паттерны CWE-89.

def get_user_data(user_id):
    query = f"SELECT * FROM users WHERE id = {user_id}"
    cursor.execute(query)
    return cursor.fetchall()
# semgrep ловит прямую инъекцию, но не всегда сложные вложенные запросы

В проде такие вещи пролетают, если нет человеческой проверки или runtime sandbox.

2. Интеграция через n8n — слабые места

n8n удобен, но интеграционные workflow часто выставляют webhook-и наружу. Если не настроить секреты через Doppler или не ограничить IP, любой внешний пользователь может триггерить сценарии с доступом к внутренним данным. Логика на "только trusted источники" ломается на первой же атаки.

3. Self-hosted Postgres — незащищённые бэкапы

Бэкапы Postgres часто хранятся в S3 или локальных NFS без шифрования. В одном недавнем аудитe я нашёл dump с продовыми паролями — открыто по внутренней ссылке без ACL. Mythos, получив доступ к агенту, сразу пробрасывает такие уязвимости наружу.

Что делать: проверенные практики для DACH B2B

1. Статический анализ — semgrep и bandit в каждом pull request

Без автоматического запуска — критические вещи пролетают в прод. Я добавил semgrep и bandit в GitHub Actions для каждого AI workflow. Фокус — не только на LLM-коде, но и на glue-коде интеграций.

name: "AI Agent SCA"
on: [push, pull_request]
jobs:
  scan:
    runs-on: ubuntu-latest
    steps:
    - uses: actions/checkout@v4
    - name: Run semgrep
      run: semgrep --config=auto
    - name: Run bandit
      run: bandit -r .

2. Runtime sandbox — ограничение прав и мониторинг

В production каждый агент работает с минимальным IAM. Любой запрос к Postgres или Supabase логируется через отдельный audit-лог. Если агент начинает делать неожиданные bulk-запросы — блокировка по rate limit и автоматический alert.

3. Контроль секретов — только через Doppler и ACL

Все ключи и токены — только через Doppler, доступ выдается по принципу минимум необходимого. Регулярно гоняю gitleaks по всем репозиториям — находил production-токены в тестовых workflow даже у крупных команд.

Реальные сценарии атаки: как Mythos ломает стек

1. Проброс через LLM-агента

Mythos отправляет промпт, который заставляет агента сгенерировать запрос к незащищенному endpoint. Без фильтрации промптов — агент выполняет команду напрямую, открывая доступ к данным.

2. Эксплуатация слабой интеграции

Через n8n Mythos может вызвать webhook с crafted payload, который запускает workflow с правами продакшн-агента. Если нет валидации — компромисс мгновенный.

3. Сбор секретов через утечки в коде

Mythos индексирует публичные и внутренние git-репозитории, ищет токены через паттерны. Один найденный production API-key — и весь стек уязвим.

FAQ

Почему именно Claude/Mythos опаснее GPT?

Claude/Mythos лучше обходят фильтры промптов и генерируют более сложные цепочки команд. В моей практике Claude чаще генерировал обходные SQL-паттерны, которые не ловятся простым статическим анализом.

Можно ли полностью закрыться статическим анализом?

Нет. Даже semgrep пропускает сложные инъекции и интеграционные уязвимости. Только комбинация статического анализа, runtime sandbox и ручного аудита даёт реальную защиту.

Что делать, если уже запустили AI-агентов?

Сразу включить audit-логирование, пересмотреть IAM, прогнать gitleaks по всем workflow. Регулярный ручной аудит — обязательный шаг, даже если всё остальное автоматизировано.

Как защищать n8n-интеграции?

Ограничить доступ по IP, использовать секреты из Doppler, валидировать payload вручную на каждом step. Не держать открытые webhook-и без фильтрации — это прямой риск.

Где чаще всего падают DACH-команды?

В интеграциях и бэкапах. Вижу много production-стеков, где Postgres-бэкапы открыты, а интеграции не валидируются. Mythos ломает именно такие слабые места.

Ваша команда реально ловит уязвимости на этапе статического анализа, runtime sandbox или уже после инцидента? Где чаще всего прорывается защита? Я делаю бесплатный 30-мин аудит стека для DACH-команд, кто строит AI в регулированных рынках. Пишите в LinkedIn или на @ger_dennis_ai.