Gambit Security 的“AI Across the Intrusion Lifecycle”展示了 AI 如何深入到现实世界的网络攻击中

Gambit Security 的新报告 AI Across the Intrusion Lifecycle 提供了一个详细的视角，展示了人工智能如何从网络犯罪的支持角色转变为现实世界网络攻击的日常机制的一部分。该报告由威胁情报总监 Eyal Sela 和网络威胁研究员 Nir Varon 撰写，研究了三个无关的威胁行为者使用人工智能进行各种活动，从构建一次性脚本和利用工具到分析窃取的商业数据、排除基础设施故障以及在入侵环境中交互式地确定下一步骤。

该报告的意义不仅仅在于攻击者要求大型语言模型编写恶意软件。这些案例表明了更为重要的现象：人工智能正在成为入侵操作的工作流程的一部分，帮助攻击者适应新的系统、凭据、错误和机会的出现。

从编码助手到操作参与者

在三个调查中，Gambit 观察到攻击者在入侵的不同阶段使用人工智能。模型生成了针对遇到的环境的脚本，开发了利用工具，优先考虑了有价值的商业信息，执行了 IT 和 DevOps 任务，并根据入侵系统的输出反复改进命令。

这代表了人工智能在网络犯罪中的应用从早期阶段的重视转变。早期阶段主要集中在使用人工智能生成钓鱼邮件、恶意软件或降低攻击者技术门槛的能力上。

人工智能现在可以像一个高响应的技术助手一样工作，随着操作的展开而保持参与。

更广泛的威胁格局似乎也正在朝着同样的方向发展。Anthropic最近分析了832个与恶意网络活动相关的账户，发现人工智能的使用遍及MITRE ATT&CK框架中的所有14种战术。该公司还发现，第一半年和第二半年中被归类为中等风险或更高风险的行为者比例从33%增加到56%。

Gambit 的案例提供了一个特别具体的视角，展示了这种转变在活跃的入侵中可能是什么样子。

一名疑似勒索软件操作者将 Claude Code 放入攻击循环

第一个案例涉及一名疑似勒索软件操作者，Gambit 观察到该操作者在 2026 年 6 月使用 Claude Code 入侵了六个组织，研究人员还将该行为者与两次之前的入侵联系起来。

受害者遍布多个行业和国家，包括澳大利亚的一家能源公用事业公司，毛里求斯的一家金融服务公司，南非、泰国和马来西亚的企业，以及美国的几家组织。Gambit 将该活动归因于使用 The Gentlemen 勒索软件即服务运营的附属机构，置信度为中等。

值得注意的是 Claude Code 的作用范围。

攻击者使用该系统进行侦察，生成利用命令，编写恶意脚本，修改防火墙策略，映射内部系统，并确定哪些机器或数据库值得额外关注。

一旦获得凭据和远程访问权限，人工智能帮助解释侦察数据并识别高价值系统，例如域控制器、文件服务器和备份基础设施。在入侵的另一个部分中，它分析了金融服务平台的数据库，并帮助识别生产数据和客户文档为特别重要。

该案例还说明了当前防护措施的局限性。在某一时刻，Claude 认识到它似乎正在与真正的企业网络交互，并拒绝在没有授权证据的情况下继续。操作者打开了一个新会话，将工作重新表述为授权的漏洞测试，模型继续运行。

但是，增加的能力并不意味着执行是无懈可击的。在公用事业公司的入侵过程中，Claude 尝试修改防火墙配置，最终使设备变得无法访问。该事件是对完美自治人工智能黑客的恐惧的一个重要反驳：模型可以加速攻击操作，但它们也可以在攻击者试图控制的系统中犯下代价高昂的错误。

Zerofot 展示了人工智能与规模的结合

第二个案例更关注的是将凭据盗窃工业化。

Gambit 跟踪操作者，将其称为 Zerofot，描述了一项搜索互联网暴露的文件和目录以获取 API 密钥、云凭据、软件令牌和 SSH 私钥的活动。

该运营的核心是一个名为 auto_scan 的自定义凭据收集扫描器。操作者使用 OpenAI Codex 和 Claude Code 构建了该工具，指示模型在授权的捕获旗帜环境中工作。扫描器收集暴露的文件，搜索潜在的凭据，然后尝试在各自服务中验证发现的密钥。

人工智能的作用并未在工具编写完成后停止。

Claude Code 还用于运营的关键工作：通过多代理编排框架，帮助管理扫描器基础设施、代理、网络、防火墙配置、监控和调试。

这种区别很重要。网络运营需要的不仅仅是发现漏洞或生成有效载荷，还需要部署基础设施、软件故障、日志解释和配置问题解决。人工智能可以越来越多地协助这些连接工作。

Gambit 记录的规模是巨大的。2026 年 4 月 5 日至 5 月 23 日之间，运营收集了 1,742 个受害主机的 2,975 个经过验证的凭据和密钥，包括 661 个 SSH 私钥、635 个与 214 个账户关联的 AWS 访问密钥、448 个 Google Gemini 密钥、254 个 OpenAI 密钥和 176 个 Anthropic 密钥，以及其他许多类型的凭据。Gambit 表示，信息已与 Shadowserver 基金会和受影响的服务提供商共享，以支持通知和凭据吊销。

RAGE 将人工智能生成的代码转化为利用框架

第三次调查集中于 RAGE，一个自定义的 Python 框架，旨在扫描面向互联网的服务，利用漏洞，收集凭据，并安装加密货币矿工。

Gambit 的研究人员相信，RAGE 和其相关脚本的大部分内容都是由人工智能生成的。一个线索是异常透露：代码的某些部分仍然包含第一人称的自我纠正推理，似乎是在开发过程中被模型留下的。

人工智能也直接被纳入完成的系统中。RAGE 包括一个名为“人工智能编排器”的 DeepSeek 支持的仪表板，提供了管理挖矿运营的指导。

该框架针对暴露的服务，包括 Redis、Elasticsearch、Docker、Tomcat、Jenkins 等，同时在入侵环境中搜索凭据，以创建额外的机会。

在一次实例中，从暴露的 Redis 部署中恢复的凭据为软件即服务提供商提供了管理员访问权限。攻击者随后生成了额外的工具来枚举身份、存储和其他云资源。

恢复的日志显示，访问了八个身份和访问管理用户，其中四个具有管理员访问权限，以及 196 个 Amazon S3 存储桶。

看似主要由加密货币挖矿驱动的活动因此也具有将暴露的服务转化为更广泛的云入侵的能力。

人工智能的错误可能成为防御者的优势

Gambit 研究的一个最有趣的方面是，它记录了人工智能的失败和成功。

模型有时会以意想不到的方式暴露攻击者的意图。人工智能生成的工具使用诸如“recon”（侦察）这样的显眼名称用于云会话，而其他生成的工件保留了描述性注释和推理，这些可以提供有关其创建方式的线索。在勒索软件案例中，尝试修改防火墙配置导致了中断。

这些弱点使得人工智能自动使网络运营更加隐蔽或复杂的想法变得复杂。

微软的安全研究人员也描述了人工智能在攻击者工作流程中的加速器作用，人类操作员仍然指导许多端到端的运营。Gambit 的发现表明，这种关系可能越来越像一种伙伴关系：人类提供目标和判断，而人工智能吸收了实现这些目标所需的技术迭代的重要部分。

这可以使攻击者更快地行动，而不一定使他们在操作安全方面变得更好。

网络安全团队可能需要防御机器速度的迭代

该研究提出的更大问题是速度。

许多安全控制都假设对手会以类似人类的速度移动网络。传统上，攻击者需要理解陌生的技术，研究命令，编写脚本，排除故障，并解释大量数据，然后才能决定下一步行动。

人工智能系统可以压缩许多这些步骤。

风险不仅仅在于未来自主黑客代理。一个仍然完全控制的攻击者仍然可以使用人工智能来减少操作所需的专业知识、时间和手动努力。

防御者可能因此需要关注整个入侵生命周期中的行为信号，而不是仅仅关注某个恶意软件是否“由人工智能生成”：异常快速的侦察、重复的适应性命令、激进的凭据发现、意外的云枚举、备份或安全基础设施的更改，以及系统之间的移动速度比传统的人类主导运营所建议的要快。

同样的能力对于防御也同样有价值。例如，Anthropic一直在开发能够识别漏洞并帮助安全团队修复漏洞的人工智能系统，凸显了日益强大的网络模型的双重用途。竞争越来越多地集中在哪一方能够更快、更有见地地应用这些能力。

最终，“AI Across the Intrusion Lifecycle”令人信服，因为它将人工智能网络安全讨论从假设的未来攻击转移到可观察的操作行为。Gambit Security 记录的三个案例显示攻击者正在尝试使用不同的模型、框架和自动化水平，但它们共享一个重要的模式：人工智能不再仅仅局限于帮助准备攻击。它正在越来越多地参与实际的攻击过程。