Künstliche Intelligenz, aktuell.
Direkt aus den Originalmeldungen.

Cloudflare greift die eigene WAF mit Frontier-KI-Modellen an und findet Lücken

29. September 2026, 15:00Von der KI Nachrichten RedaktionQuelle: Cloudflare
Cloudflare greift die eigene WAF mit Frontier-KI-Modellen an und findet Lücken
Bild: Cloudflare

Cloudflare hat Frontier-KI-Modelle als automatisierte Angreifer auf die eigene Web Application Firewall (WAF) angesetzt und dabei 1.107 Versuche protokolliert. Nach Angaben des Unternehmens wurde die große Mehrheit blockiert, die durchgekommenen Anfragen dienen nun als Grundlage für neue Erkennungsregeln für alle Kunden.

Das Wichtigste in Kürze
  • Cloudflare setzte Frontier-KI-Modelle als automatisierte Angreifer gegen die eigene WAF ein, ohne Zugriff auf Quellcode oder WAF-Regeln.
  • Der Lauf umfasste 45 Szenarien und 1.107 Versuche gegen eine autorisierte Staging-Umgebung eines Kunden.
  • Laut Cloudflare wurde die große Mehrheit der Angriffe blockiert, bei XSS, LFI, SQLi und Log4j nahezu vollständig.
  • Nach manueller Prüfung blieben 49 untersuchenswerte Funde, davon 48 bei CMDi und SSRF.
  • Die Funde fließen in neue Erkennungsregeln ein, und Cloudflare rät Kunden, ihre Software aktuell zu halten.

Warum Cloudflare die WAF mit LLMs getestet hat

Cloudflare zufolge fragen Kunden immer wieder, ob ihre WAF für Frontier-KI-Modelle gewappnet ist. Deshalb wollte das Unternehmen das messen. Die Stärke von LLMs beim Ausnutzen von Anwendungen liege darin, Angriffs-Payloads schneller zu iterieren und zu mutieren, als ein Mensch es könnte. Ein Modell kann Antworten in Echtzeit auswerten und seine Taktik ändern, etwa eine andere Kodierung ausprobieren, die Payload in einem anderen Teil der HTTP-Anfrage senden oder sich der nächsten Schwachstelle zuwenden.

Cloudflare wählte einen dynamischen Ansatz: Das Modell verhält sich wie ein Hacker, der ein laufendes System testet. Das LLM hatte keinen Einblick in Quellcode oder WAF-Regeln und sah nur ausgewählte Daten der HTTP-Antworten. Eine nicht blockierte Anfrage galt als Hinweis für die manuelle Prüfung, nicht als bestätigter Exploit.

So funktioniert die adaptive Schleife

Der Tester geht von bekannten Exploits aus, die die WAF bereits blockiert. Jedes Szenario legt eine Angriffskategorie, eine Stelle in der Anfrage für die Eingabe und eine begrenzte Zahl von Versuchen fest. Die Schleife ruft ein Modell zweimal auf: Ein Vorschlagsaufruf schlägt die nächste Variante vor, ein Prüfaufruf wertet Antwortstatus, ausgewählte Header und den Body aus. Die Schleife endet, wenn Mutationen keine brauchbaren Varianten mehr liefern oder ein fest einprogrammiertes Versuchslimit erreicht ist.

Keiner der beiden Aufrufe erhält Regelausdrücke, Regel-IDs, Details zum WAF Attack Score oder die Information, welche Sicherheitsebene eingegriffen hat. Cloudflare schrieb das System in Python, statt ein vorhandenes Penetrationstest-Werkzeug zu verwenden. Den Versand der Anfragen übernimmt Code, nicht die Modelle. Vor jeder Anfrage prüft er den Ziel-Hostnamen gegen eine Allowlist, deaktiviert Weiterleitungen, protokolliert den Versuch und erzwingt das Versuchslimit. Weil Antworttexte in späteren Prompts auftauchen können, werden sie als nicht vertrauenswürdige Eingabe behandelt. Laut Cloudflare kann keiner der beiden Modellaufrufe eine Regel ausrollen oder die Durchsetzung ändern.

Testaufbau und Ergebnisse

Der Hauptlauf richtete sich gegen eine autorisierte Staging-Umgebung eines Kunden, die durch die WAF von Cloudflare geschützt war. Ein per Allowlist freigegebener Test-User-Agent verhinderte, dass die Kontrollen des Kunden für automatisierten Traffic den Test stoppten, bevor die Anfragen die WAF erreichten. Die Zone blockierte per WAF Attack Score bei Werten von 30 oder darunter und nutzte das vollständige Cloudflare Managed Ruleset sowie das OWASP Core Ruleset auf Paranoia Level 3.

Cloudflare führte 45 Szenarien durch. 44 davon deckten sechs Kategorien ab: Cross-Site-Scripting (XSS), SQL-Injection (SQLi), Command Injection (CMDi), Server-Side Request Forgery (SSRF), Path Traversal bzw. Local File Inclusion (LFI) und Log4j. Das übrige Szenario betraf Log Injection und wird gesondert ausgewiesen. Die Ergebnisse beschreiben die konfigurierte WAF als Ganzes, nicht einzelne Regeln.

Der Tester erfasste 1.107 Versuche. Cloudflare zufolge wurden XSS, LFI, SQLi und Log4j nahezu vollständig abgedeckt. Nachdem die manuelle Prüfung fehlerhafte, harmlose, doppelte und nicht relevante Beobachtungen aussortiert hatte, blieben 49 untersuchenswerte Funde, davon 48 bei CMDi und SSRF.

Ein SSRF-Beispiel: der abschließende Punkt

Cloudflare schilderte eine Sitzung, in der das Modell versuchte, eine Cloud-Metadaten-Adresse zu erreichen. Es schrieb dieselbe IP als Dezimalzahl, in oktaler Form und mit abschließendem Punkt um und verschob die Eingabe zwischen Query-String und Formular-Body. Die WAF blockierte alles bis auf eine Anfrage. Bei Versuch 18 behielt das Modell die Struktur des blockierten Versuchs 17 bei und wechselte zur Host-Form mit abschließendem Punkt. Der Client erhielt daraufhin eine Weiterleitung statt einer Cloudflare-Blockseite.

Cloudflare betont die Grenzen dieses Ergebnisses. Es gab keine erfolgreiche Antwort des Origin-Servers, keinen Response-Body und keinen Beleg dafür, dass die Anwendung Metadaten abgerufen hat. Die Anfrage wurde für die Triage und die Validierung auf Origin-Seite aufbewahrt. Sie warf eine konkrete Frage auf: ob der abschließende Punkt verändert, wie die WAF das Ziel interpretiert.

Was das für WAF-Nutzer bedeutet

Cloudflare sagt, die Übung werde zu einem grundlegenden Baustein im Entwicklungszyklus der WAF, und die gefundenen Umgehungen hätten geholfen, neue Erkennungen für alle Kunden zu erstellen. Das Unternehmen erinnert zudem daran, dass eine WAF nur eine Schutzschicht ist. Eine Payload, die sie überwindet, braucht weiterhin eine ausnutzbare Anwendung, um erfolgreich zu sein. Aktuelle Patches bleiben daher eine der wirksamsten Abwehrmaßnahmen.

Ähnliche Meldungen

Google veröffentlicht Ergebnisse des Benchmarks für Agent Anomaly Detection
Sicherheit und Ethik12. November 2026

Google veröffentlicht Ergebnisse des Benchmarks für Agent Anomaly Detection

Google zufolge erkannte die Funktion Agent Anomaly Detection 87 % der schädlichen Anweisungen, die KI-Agenten in Tests mit fünf öffentlichen, nicht von Google erstellten…

Microsoft entdeckt Lazarus-Hintertür, die KI-Agenten kapern kann
Sicherheit und Ethik10. November 2026, 21:52

Microsoft entdeckt Lazarus-Hintertür, die KI-Agenten kapern kann

Microsoft-Forscher haben Lazarus identifiziert, eine Hintertürtechnik, die inaktive Neuronen eines KI-Modells umprogrammieren und einen ansonsten normalen Agenten dazu…

Cloudflare fordert vertrauenswürdige Identität und Verantwortlichkeit für KI-Agenten
Sicherheit und Ethik5. November 2026, 18:03

Cloudflare fordert vertrauenswürdige Identität und Verantwortlichkeit für KI-Agenten

Cloudflare fordert neue Wege, um die Beziehung zwischen Websites und Nutzern zu erhalten, während KI-Agenten zunehmend online im Auftrag von Menschen handeln. Nach…