ARTEX: KI-gesteuerte Angriffskampagne trifft sieben südkoreanische Finanzunternehmen

Zusammenfassung

Ein unbekannter, vermutlich finanziell motivierter Bedrohungsakteur nutzte das ARTEX AI-gesteuerte autonome Penetrationstest-System, um mehrere südkoreanische Finanzinstitute zu kompromittieren. Der Angreifer nutzte große Sprachmodelle (LLMs), darunter DeepSeek und Claude Code, um die Entdeckung und Ausnutzung von Schwachstellen zu beschleunigen. Die Kampagne führte zum Diebstahl von etwa 67.000 Datensätzen, die Informationen über das Einkommen der Kunden, Kredite und andere sensible Finanzdaten enthalten.

Untersuchung

CrowdStrike-Ermittler verfolgten die Aktivitäten, nachdem sie ein ungesichertes offenes Verzeichnis auf dem Server des Angreifers entdeckt hatten. Das Verzeichnis enthüllte Sitzungsprotokolle, Konfigurationsdateien und Speicherartefakte, die die Methodik und identifizierende Merkmale des Angreifers offenbarten. Forscher verknüpften die Operation mit dem ARTEX-Framework und identifizierten ein Netzwerk von Proxy-IP-Adressen, die genutzt wurden, um auf externe LLM-APIs zuzugreifen.

Minderung

Organisationen sollten Inventarisierungen von Assets erweitern, um Edge-Systeme, Drittanbieter-Integrationen und mobile Unterstützungsplattformen einzuschließen. Kontinuierliche, automatisierte Red-Teaming mit lokalen, unbegrenzten KI-Modellen kann helfen, Schwachstellen häufiger als bei traditionellen jährlichen Bewertungen aufzudecken. Die Absicherung aller internetzugänglichen Endpunkte gegen unsichere direkte Objektverweise (IDOR) und ähnliche Zugriffssteuerungsfehler ist ebenfalls entscheidend.

Antwort

Wenn verdächtige Abfragen oder unautorisierte Zugriffe auf Endpunkte von Kundendaten erkannt werden, sollten Organisationen sofort API-Protokolle und aktive Sitzungstoken überprüfen. Strikte Ratenbegrenzungen bei Diensten zur Kunden-ID-Suche durchsetzen, um automatisierte Aufzählungen zu reduzieren. Sicherheitsteams sollten auch nach unautorisierten agentenbasierten Tools und ungewöhnlichen Verkehrsmustern suchen, die mit bekannter LLM-Proxy-Infrastruktur verbunden sind.

Simulationsausführung

Voraussetzung: Der Telemetrie- und Baseline-Pre-Flight-Check muss bestanden sein.

Begründung: Dieser Abschnitt beschreibt die präzise Ausführung der Angreifertechnik (TTP), die darauf ausgelegt ist, die Erkennungsregel auszulösen. Die Befehle und Erzählungen MÜSSEN direkt die identifizierten TTPs widerspiegeln und darauf abzielen, die genaue Telemetrie zu erzeugen, die von der Erkennungslogik erwartet wird. Abstrakte oder nicht verwandte Beispiele führen zu Fehldiagnosen.

• Angriffserzählung & Befehle: Ein Angreifer hat sich initial Zugang zu einem Entwickler-Arbeitsplatz verschafft. Um Konsistenz in ihrem automatisierten Exploit-Framework zu wahren, versuchen sie, eine CLAUDE.md Datei im temporären Verzeichnis des Benutzers abzulegen. Diese Datei enthält spezifische Anweisungen auf Chinesisch, um einen KI-gesteuerten Agenten durch weitere Aufklärung und laterale Bewegung zu führen. Ziel ist es zu prüfen, ob das SOC die Anwesenheit dieser spezifischen Konfigurationsdatei erkennt.

• Regressionstest-Skript:

  # Simulationsskript zur Auslösung der Erkennungsregel
  $targetPath = "$env:TEMPCLAUDE.md"
  $content = "Instruktionen für KI-Agenten: Aufklärung im lokalen Netzwerk durchführen."
  
  Write-Host "[+] Empfindliche Datei wird erstellt: $targetPath"
  Set-Content -Path $targetPath -Value $content
  
  Write-Host "[+] Datei erstellt. SIEM auf Erkennung überprüfen."

• Bereinigungskommandos:

  # Bereinigen der Simulationsartefakte
  Remove-Item -Path "$env:TEMPCLAUDE.md" -Force -ErrorAction SilentlyContinue
  Write-Host "[+] Bereinigung abgeschlossen."