Campagna di attacco ARTEX basata sull’IA colpisce sette aziende finanziarie sudcoreane

Riepilogo

Un attore di minaccia sconosciuto, probabilmente motivato finanziariamente, ha utilizzato il sistema ARTEX di penetration testing autonomo guidato dall’IA per compromettere diverse istituzioni finanziarie sudcoreane. L’attaccante ha sfruttato modelli di linguaggio di grandi dimensioni (LLM), tra cui DeepSeek e Claude Code, per accelerare la scoperta e lo sfruttamento delle vulnerabilità. La campagna ha portato al furto di circa 67.000 record contenenti reddito dei clienti, prestiti e altri dati finanziari sensibili.

Indagine

Gli investigatori di CrowdStrike hanno tracciato l’attività dopo aver scoperto una directory aperta non sicura ospitata sul server dell’attaccante. La directory ha esposto log di sessione, file di configurazione e artefatti di memoria che hanno rivelato la metodologia dell’attaccante e le caratteristiche identificative. I ricercatori hanno collegato l’operazione al framework ARTEX e identificato una rete di indirizzi IP proxy utilizzati per accedere alle API LLM esterne.

Mitigazione

Le organizzazioni dovrebbero ampliare gli inventari delle risorse per includere sistemi di confine, integrazioni di terze parti e piattaforme di supporto mobile. Il red-teaming automatizzato continuo con modelli AI locali e senza vincoli può aiutare a scoprire le debolezze più frequentemente rispetto alle valutazioni annuali tradizionali. È inoltre essenziale proteggere tutti gli endpoint esposti a Internet contro i riferimenti diretti agli oggetti non sicuri (IDOR) e altre falle di controllo degli accessi simili.

Risposta

Quando vengono rilevate query sospette o accessi non autorizzati agli endpoint dei dati dei clienti, le organizzazioni dovrebbero immediatamente esaminare i log delle API e i token di sessione attivi. Applicare rigide limitazioni di velocità sui servizi di ricerca degli ID dei clienti per ridurre l’enumerazione automatizzata. I team di sicurezza dovrebbero anche cacciare strumenti basati su agenti non autorizzati e modelli di traffico insoliti associati all’infrastruttura nota di proxy LLM.

Esecuzione della simulazione

Prerequisito: Il controllo pre-volo della telemetria e della baseline deve essere superato.

Motivazione: Questa sezione dettaglia l’esecuzione precisa della tecnica avversaria (TTP) progettata per attivare la regola di rilevamento. I comandi e la narrativa DEVONO riflettere direttamente i TTP identificati e mirare a generare la telemetria esatta prevista dalla logica di rilevamento. Esempi astratti o non correlati porteranno a diagnosi errate.

• Narrativa dell’attacco & Comandi: Un avversario ha ottenuto l’accesso iniziale a una workstation per sviluppatori. Per mantenere la coerenza nel loro framework di sfruttamento automatizzato, tentano di inserire un file CLAUDE.md nella directory temporanea dell’utente. Questo file contiene istruzioni specifiche in cinese per guidare un agente guidato dall’IA attraverso ulteriore ricognizione e movimento laterale. L’obiettivo è verificare se il SOC rileva la presenza di questo specifico file di configurazione.

• Script di test di regressione:

  # Script di simulazione per attivare la regola di rilevamento
  $targetPath = "$env:TEMPCLAUDE.md"
  $content = "Istruzioni per l'agente AI: Esegui ricognizione sulla rete locale."
  
  Write-Host "[+] Creazione del file sensibile: $targetPath"
  Set-Content -Path $targetPath -Value $content
  
  Write-Host "[+] File creato. Controllare il SIEM per il rilevamento."

• Comandi di pulizia:

  # Pulizia degli artefatti di simulazione
  Remove-Item -Path "$env:TEMPCLAUDE.md" -Force -ErrorAction SilentlyContinue
  Write-Host "[+] Pulizia completata."