ARTEX: Kampania Ataków Napędzana Sztuczną Inteligencją Uderza w Siedem Południowokoreańskich Firm Finansowych

Podsumowanie

Nieznany, prawdopodobnie finansowo motywowany sprawca zagrożenia wykorzystał system do autonomicznego testowania penetracyjnego ARTEX AI, aby uzyskać dostęp do kilku południowokoreańskich instytucji finansowych. Atakujący wykorzystał modele języka LLM, w tym DeepSeek i Claude Code, w celu przyspieszenia odkrywania i wykorzystywania luk. Kampania zakończyła się kradzieżą około 67 000 rekordów zawierających przychody klientów, pożyczki i inne poufne dane finansowe.

Śledztwo

Pracownicy CrowdStrike prześledzili działanie po odkryciu niezabezpieczonego otwartego katalogu na serwerze atakującego. Katalog ujawniał dzienniki sesji, pliki konfiguracyjne i artefakty pamięci, które odsłaniały metodologię atakującego i cechy identyfikacyjne. Badacze połączyli operację z frameworkiem ARTEX i zidentyfikowali sieć adresów IP proxy używanych do dostępu do zewnętrznych API LLM.

Łagodzenie

Organizacje powinny rozszerzyć inwentaryzacje zasobów, aby uwzględnić systemy brzegowe, integracje zewnętrzne i platformy wsparcia mobilnego. Ciągłe zautomatyzowane red-teaming z lokalnymi, nieograniczonymi modelami AI może pomagać w częstszym odkrywaniu słabości niż tradycyjne coroczne oceny. Zabezpieczenie wszystkich punktów końcowych dostępnych z internetu przed IDOR i podobnymi błędami kontroli dostępu jest również istotne.

Reakcja

Gdy wykryte zostaną podejrzane zapytania lub nieautoryzowany dostęp do punktów końcowych danych klientów, organizacje powinny natychmiast przeglądnąć dzienniki API i aktywne tokeny sesji. Egzekwuj rygorystyczne limity dla usług wyszukiwania ID klientów, aby zmniejszyć automatyczne enumeracje. Zespoły bezpieczeństwa powinny także poszukiwać nieautoryzowanych narzędzi agentowych i nietypowych wzorców ruchu związanego z znaną infrastrukturą proxy LLM.

Symulacja wykonania

Wymaganie wstępne: Kontrola Telemetrii i Podstawowych zasad przed lotem musi się powieść.

Uzasadnienie: Ta sekcja szczegółowo opisuje dokładne wykonanie techniki przeciwnika (TTP) zaprojektowanej w celu wyzwolenia reguły wykrywania. Polecenia i narracja MUSZĄ bezpośrednio odzwierciedlać zidentyfikowane TTP, a ich celem jest generowanie dokładnej telemetrii oczekiwanej przez logikę wykrywania. Abstrakcyjne lub niepowiązane przykłady będą prowadzić do błędnej diagnozy.

• Narracja ataku i polecenia: Przeciwnik uzyskał początkowy dostęp do stanowiska dewelopera. Aby zachować spójność w swoim frameworku do automatycznego wykorzystania, próbują zrzucić plik CLAUDE.md w katalogu tymczasowym użytkownika. Plik ten zawiera konkretne instrukcje w języku chińskim mające na celu poprowadzenie agenta napędzanego przez AI do dalszego rozpoznania i lateralnego ruchu. Celem jest sprawdzenie, czy SOC wykrywa obecność tego konkretnego pliku konfiguracyjnego.

• Regresyjny skrypt testowy:

  # Skrypt symulacji w celu wyzwolenia reguły wykrywania
  $targetPath = "$env:TEMPCLAUDE.md"
  $content = "Instrukcje dla agenta AI: Przeprowadź rozpoznanie w sieci lokalnej."
  
  Write-Host "[+] Tworzenie wrażliwego pliku: $targetPath"
  Set-Content -Path $targetPath -Value $content
  
  Write-Host "[+] Plik stworzony. Sprawdź SIEM dla wykrycia."

• Polecenia czyszczenia:

  # Wyczyść artefakty symulacji
  Remove-Item -Path "$env:TEMPCLAUDE.md" -Force -ErrorAction SilentlyContinue
  Write-Host "[+] Czyszczenie zakończone."