هکرها با سرقت کلیدهای هوش مصنوعی، هزینه حملات بعدی خود را از جیب قربانیان میدهند
شبکهی تلههای سایبری آمازون عملیاتهای نفوذ خودکار هکرهای مجهز به چارچوبهای عاملمحور هوش مصنوعی را شناسایی و رهگیری کرد. شبکهی تلههای سایبری آمازون با نام MadPot موفق به رهگیری کارزارهای نفوذ پیشرفتهای شد که بهطور کامل به دست عاملهای خودکار هوش مصنوعی…
خلاصه تحلیلی خبر
شبکهی تلههای سایبری آمازون عملیاتهای نفوذ خودکار هکرهای مجهز به چارچوبهای عاملمحور هوش مصنوعی را شناسایی و رهگیری کرد. شبکهی تلههای سایبری آمازون با نام MadPot موفق به رهگیری کارزارهای نفوذ پیشرفتهای شد که بهطور کامل به دست عاملهای خودکار هوش مصنوعی…
موضوعات اصلی: پشتیبانی شبکه، هوش مصنوعی، عاملهای، مصنوعی، کردند، هوش
شبکهی تلههای سایبری آمازون عملیاتهای نفوذ خودکار هکرهای مجهز به چارچوبهای عاملمحور هوش مصنوعی را شناسایی و رهگیری کرد.
شبکهی تلههای سایبری آمازون با نام MadPot موفق به رهگیری کارزارهای نفوذ پیشرفتهای شد که بهطور کامل به دست عاملهای خودکار هوش مصنوعی هدایت میشدند.
حسگرهای جهانی MadPot بین ۱۲ مهر تا ۱۵ آبان ۱۴۰۵ درخواستهایی از سوی عاملهای مبتنی بر چارچوب منبعباز ARTEX دریافت کردند؛ ابزاری که برای آزمون نفوذ خودکار طراحی شده اما توسط بازیگران تهدید برای اجرای حملات برنامهریزیشده به کار رفته است.
به نوشتهی وبلاگ رسمی Amazon Threat Intelligenceعاملهای مهاجم این حسگرها را با درگاههای اصلی پردازش مدلهای زبانی بزرگ (LLM) اشتباه گرفتند و ناخواسته حافظهی عملیاتی و تاریخچهی ماموریتهای خود را روی سامانههای آمازون ثبت کردند.
کارشناسان امنیتی با ارزیابی این دادهها اعلام کردند عاملهای مورد نظر وابستگی بالایی به گروههای مرتبط با چین دارند، چون دستورهای اولیه به زبان چینی ساده نوشته شده، تنظیمات زمانی منطبق بر چین بوده و حملات به زیرساختهای داخل خاک چین محدود شده بود.
نخستین و گستردهترین کارزار بر سرقت گسترده کلیدهای دسترسی به مدلهای هوش مصنوعی تمرکز داشت. در یک چرخه خودکفا، عاملهای هوش مصنوعی کلیدهای API مسروقه را به درگاه سامانه بازمیگرداندند تا توان پردازشی لازم برای جستوجوی کلیدهای بعدی تامین شود.
اهداف اصلی این برنامه شامل ابزارهای مدیریت درگاه مانند One API ،New API ،Veloera ،Sub2API و LiteLLM و سامانههای توسعهدهنده مثل Langflow ،RAGFlow ،FastGPT و Dify بودند که ضعف در پیکربندی آنها امکان افشای دستهجمعی کلیدها را فراهم میکرد.
دومین عملیات شناساییشده، تلاش برای دور زدن فرایند احراز هویت (KYC) در دو صرافی رمزارز از طریق ساخت دیپفیک همزمان بود. عاملها پروتکلهای تشخیص زنده بودن چهره را مهندسی معکوس کرده و با تقسیم مدل پویانمایی روی یک پردازنده گرافیکی مصرفی، ویدیویی با نرخ ۱۱٫۵ فریم بر ثانیه تولید کردند.
با وجود بازسازی دقیق حرکات و هماهنگی زاویهی چهره تا فاصله ۷ پیکسل و دستکاری متادیتای تصاویر اسناد هویتی برای شبیهسازی عکسهای واقعی دوربین، سامانه صرافی سرانجام این تلاشها را رد کرد.
برای ارزیابی پایداری، امنیت و نگهداری این زیرساخت، راهنمای پشتیبانی شبکه را نیز مطالعه کنید.