V roce 2025, Luigi Coppolino a další zveřejnila studii, která ukazuje, jak mohou rozsáhlé jazykové modely (LLM) zlepšit odhalování aktiv v kritických infrastrukturách. Tradiční nástroje, jako je Nmap nebo průmyslové bezpečnostní platformy, buď riskují narušení citlivých systémů aktivním skenováním, nebo nedokážou odhalit skrytá zařízení, pokud se spoléhají pouze na pasivní monitorování.

Výzkumníci navrhli rámec "Mixture of Experts" založený na LLM, který kombinuje data z pasivního pozorování dopravy, pečlivě omezeného aktivního sondování a fyzikálních signálů, jako jsou elektromagnetické emise. Specializovaní agenti LLM pak tato data interpretují: jeden se zaměřuje na průmyslové protokoly, jiný na zranitelnosti v IT/OT sítích a další na architekturu a závislosti systémů.

Systém může také využívat externí zpravodajské zdroje (například databáze MITRE ATT&CK nebo CVE) k identifikaci slabých míst a doporučení bezpečnostních opatření. Při testech v simulované průmyslové síti úspěšně klasifikoval prostředky, jako jsou programovatelné logické řadiče, robotické paže a tiskárny, a zároveň upozornil na nezabezpečené postupy, jako je nešifrovaný provoz Modbus.

Takový přístup mění mapování útočné plochy na adaptivní a kontextově orientovaný proces, který poskytuje viditelnost v reálném čase a snižuje rizika tradičního skenování. Snížením technických překážek pro obránce umožňuje komplexnější monitorování a posiluje celkovou bezpečnostní pozici kritické infrastruktury.