Το 2025, Luigi Coppolino et al δημοσίευσε μια μελέτη που δείχνει πώς τα μεγάλα γλωσσικά μοντέλα (LLM) μπορούν να βελτιώσουν την ανακάλυψη περιουσιακών στοιχείων σε κρίσιμες υποδομές. Τα παραδοσιακά εργαλεία, όπως το Nmap ή οι πλατφόρμες βιομηχανικής ασφάλειας, είτε διακινδυνεύουν να διαταράξουν ευαίσθητα συστήματα μέσω ενεργών σαρώσεων είτε αποτυγχάνουν να εντοπίσουν κρυφές συσκευές όταν βασίζονται μόνο στην παθητική παρακολούθηση.

Οι ερευνητές πρότειναν ένα πλαίσιο "Μίγματος Εμπειρογνωμόνων" με βάση το LLM, το οποίο συνδυάζει δεδομένα από παθητική παρατήρηση της κυκλοφορίας, προσεκτικά περιορισμένη ενεργή διερεύνηση και φυσικά σήματα όπως οι ηλεκτρομαγνητικές εκπομπές. Στη συνέχεια, εξειδικευμένοι πράκτορες LLM ερμηνεύουν αυτά τα δεδομένα: ένας επικεντρώνεται στα βιομηχανικά πρωτόκολλα, ένας άλλος στα τρωτά σημεία των δικτύων IT/OT και ένας άλλος στην αρχιτεκτονική και τις εξαρτήσεις του συστήματος.

Το σύστημα μπορεί επίσης να αξιοποιήσει εξωτερικές πηγές πληροφοριών (όπως οι βάσεις δεδομένων MITRE ATT&CK ή CVE) για να εντοπίσει αδυναμίες και να συστήσει μέτρα ασφαλείας. Σε δοκιμές σε ένα προσομοιωμένο βιομηχανικό δίκτυο, ταξινομήθηκαν με επιτυχία περιουσιακά στοιχεία όπως προγραμματιζόμενοι λογικοί ελεγκτές, ρομποτικοί βραχίονες και εκτυπωτές, ενώ επισημάνθηκαν επισφαλείς πρακτικές όπως η μη κρυπτογραφημένη κίνηση Modbus.

Μια τέτοια προσέγγιση μετατρέπει τη χαρτογράφηση της επιφάνειας επίθεσης σε μια προσαρμοστική και συνειδητή διαδικασία που παρέχει ορατότητα σε πραγματικό χρόνο και μειώνει τους κινδύνους της παραδοσιακής σάρωσης. Μειώνοντας τα τεχνικά εμπόδια για τους αμυνόμενους, επιτρέπει μια πιο ολοκληρωμένη παρακολούθηση και ενισχύει τη συνολική κατάσταση ασφάλειας των υποδομών ζωτικής σημασίας.