81 nye CVE-er i mobilkjerner – 58 allerede lappet etter AI-funn

Forskerne bak NTUs iFinder-pipeline, som kjører på Claude Opus 4.5, oppga at presisjonen steg fra 28 til 75 prosent sammenlignet med direkte prompting.

Illustrasjon: et korrodert metallgitter der de fleste små hull er tettet med ferske sveisearr, mens enkelte fortsatt står åpne – et bilde på AI-drevet oppdagelse og lukking av sårbarheter.
Illustrasjon
Gi artikkelen

81 nye CVE-er i mobilkjerner – 58 allerede lappet etter AI-funn

Forskerne bak NTUs iFinder-pipeline, som kjører på Claude Opus 4.5, oppga at presisjonen steg fra 28 til 75 prosent sammenlignet med direkte prompting. Detaljene hviler foreløpig på Computer Weeklys rapportering, ikke den underliggende Usenix-artikkelen.

Forskere ved Nanyang Technological University (NTU) i Singapore har bygget et verktøy drevet av en gruppe AI-agenter som fant 84 sårbarheter i åpen kildekode-programvare som styrer kjernen i 4G- og 5G-mobilnett. Funnene ble presentert forrige måned på det 35. Usenix Security Symposium i Baltimore, ifølge Computer Weeklys rapportering 22. september 2026.

Tallene bak funnene er konkrete: Sårbarhetene er spredt over sju åpen kildekode-implementasjoner, blant dem Open5GS, Free5GC og OpenAirInterface. Utviklerne bak prosjektene har bekreftet 83 av dem, 81 har fått CVE-identifikatorer, og 58 er allerede lappet. For operatører og leverandører av mobilkjerner er det dermed en konkret vedlikeholdsoppgave allerede på bordet.

Feilen som betyr mest

Den alvorligste sårbarheten tillater en angriper å omdirigere en abonnents internetttrafikk til en egen server. Feilen sitter i user plane function (UPF), komponenten som videresender abonnenttrafikk i et 5G-nett. UPF verifiserte ikke at pakkedeteksjonsregel-ID-ene i en innkommende øktmodifikasjonsforespørsel var unike. En angriper kan i prinsippet injisere en duplikatregel med høyere prioritet og dermed sende ofrets opplinktrafikk til seg selv i stedet for til internett.

Forskerteamet jobbet med en bransjepartner – som ikke er navngitt – for å gjenskape denne øktkapringsfeilen i to kommersielle 5G-kjerner i kontrollerte testmiljøer. Funnene gjelder dermed ikke bare åpen kildekode, men programvare av samme type som brukes i kommersielle nett.

Lin Ziyu, doktorgradsstudent ved NTU og studiens førsteforfatter, beskrev worst case for Computer Weekly: «I et verste fall kunne en angriper lure mobilnettet til å sende en brukers internetttrafikk rett til angriperens server, slik at de kan overvåke ofrets data i hemmelighet», sa han (Computer Weekly). Kryptering gir begrenset beskyttelse, ifølge rapporteringen, fordi pakkestørrelse, sekvens og timing likevel kan avsløre sensitiv informasjon.

Slik fungerer iFinder

Verktøyet, kalt iFinder, reviderer kjernenettverkskode mot 3GPP-spesifikasjonene som definerer hvordan mobilnett skal oppføre seg. Pipelinen består av fire agentroller:

  1. Forberedelse: Én agent forbereder 3GPP-dokumentene og deteksjonsmønstrene som resten av pipelinen arbeider ut fra.
  2. Kodesamsvar: En andre agent leter etter treff på disse mønstrene i kildekoden.
  3. Vurdering: En tredje agent vurderer hver sårbarhetskandidat for å skille reelle funn fra ren mistanke.
  4. Utnyttelse: En fjerde agent bygger et proof-of-concept-utnyttelse, kjører det i et testmiljø og reviderer det basert på logger til det fungerer – eller forsøkene tar slutt.

Før funnene ble rapportert til vedlikeholderne, gikk de gjennom menneskelig gjennomgang. Hele pipelinen kjører på Anthropics modell Claude Opus 4.5.

Tallene som viser gevinsten

Det sentrale spørsmålet for alle som vurderer slike verktøy er om agentstrukturen faktisk bidrar, eller om en godt promptet modell klarer det samme. Forskerne testet dette mot 22 kjente sårbarheter. Med direkte prompting – samme deteksjonsmønstre gitt rett til modellen – ble åtte av feilene oppdaget, med 56 falske positive, tilsvarende 28 prosent presisjon. iFinder fanget opp 15 av de 22, med 12 falske positive – en presisjon på 75 prosent.

Utnyttelsesagenten viste et enda tydeligere sprang: Den skrev fungerende utnyttelser for 19 av de 22 kjente feilene, mot åtte for modellen alene. Arbeidende utnyttelser er det sterkeste beviset på at en sårbarhet er reell, så dette er ikke bare et spørsmål om flere varslag.

Forskjellen i falske positive – 12 mot 56 – antyder en mulig mekanisme bak gevinsten: Vurderingsagenten og utnyttelsesagentens krav om et fungerende proof-of-concept ser ut til å siler ut varslag som ellers ville ende som støy hos overbelastede vedlikeholdere. Dette er en tolkning av tallene, ikke noe forskerteamet selv er sitert på.

Rotårsaken: tillit mellom nettverksfunksjoner

Nesten alle de 84 sårbarhetene stammer fra samme problem, ifølge Wang Xiaofeng, professor ved NTUs College of Computing and Data Science (CCDS) og en av prosjektlederne sammen med Dong Wei: Kjernefunksjoner aksepterer meldinger fra hverandre uten verifisering. Dette er en arv fra tiden da kjernenettet sto i et fysisk isolert miljø, der man kunne stole på at meldinger kom fra eget utstyr.

Det betyr at feilene ikke fremstår som isolerte programmeringsglipper, men som et systemisk mønster – og ifølge rapporteringen ser noen av 5G-feilene ut til å være arvet fra 4G-kode. Verktøy som søker mot spesifikasjoner i stedet for etter kjente feilsignaturer kan derfor finne varianter av samme mønster på tvers av implementasjoner.

Wangs anbefaling til mobiloperatører er enkel: arbeid med de publiserte CVE-ene. «Hvis problemene vedvarer, vil motstandere utnytte disse sårbarhetene», sa han til Computer Weekly (Computer Weekly).

Åpne spørsmål

Flere forbehold bør følge med tallene. Denne saken hviler på Computer Weeklys rapportering og sitater; den underliggende Usenix-artikkelen er ikke konsultert, så tallene som 84 sårbarheter og presisjonsgevinsten er ikke uavhengig verifisert. Bransjepartneren som gjenskapte kapringsfeilen i de kommersielle kjernene er ikke navngitt, og det er usikkert hvilke fire implementasjoner utover Open5GS, Free5GC og OpenAirInterface som ble testet. Det er også uklart om de 22 kjente feilene som ble brukt til å kalibrere pipelinen inngår i de 84, eller er separate – og hvordan deteksjonsmønstrene ble utviklet, er ikke detaljert i kildene. Prosjektet er finansiert av Cyber Security Agency of Singapore under landets nasjonale forsknings- og utviklingsprogram for cybersikkerhet.

Disse spørsmålene endrer likevel ikke hovedbildet: Et agentbasert verktøy, evaluert mot en kjent referansesamling med dokumentert presisjonsgevinst, har funnet reelle feil i programvare som mobilnett faktisk er bygget på – og mesteparten av lappearbeidet gjenstår.

Få de viktigste AI-nyhetene i innboksen

Nyheter, analyser og verktøy samlet for deg.