ARTEX a Claude Code pomohly zřejmě s útokem na jihokorejské finance

Výzkumníci CrowdStrike Intelligence objevili infrastrukturu spojovanou s cíleným útokem na jihokorejské finanční organizace, při němž zřejmě došlo ke krádeži dat. Na serverech ovládaných útočníkem našli mimo jiné historii relací Claude Code, konfigurační soubory nástroje ARTEX a paměťové soubory Claude. Nálezy ukazují, že útočník při práci kombinoval AI nástroje s automatizovaným testováním zabezpečení.

CrowdStrike zatím neoznačil konkrétní skupinu, která za kampaní stojí. Ve zveřejněných informacích také chybí rozsah ukradených dat, seznam zasažených institucí i přesné časové vymezení útoku. Jisté podle společnosti je, že šlo o infrastrukturu používanou při kampani namířené na jihokorejský finanční sektor.

Otevřené adresáře odhalily pracovní postup útočníka

Podstatné není jen samotné použití AI, ale i množství digitálních stop, které útočník ponechal. Analytici narazili na veřejně dostupné adresáře na systémech pod jeho kontrolou. Obsahovaly záznamy relací Claude Code, konfiguraci ARTEX i soubory s pamětí Claude, tedy podklady, které mohou zachycovat kontext předchozí práce nástroje.

Takový nález může bezpečnostním týmům usnadnit rekonstrukci postupu útočníka. Místo nepřímého odvozování z logů napadených systémů získali výzkumníci vhled do používaných nástrojů a do části provozního prostředí protivníka. Neznamená to automaticky, že AI provedla útok bez lidského řízení. Dostupné informace naopak ukazují na člověka, který agentní nástroje využíval při své práci.

CrowdStrike v tomto případě popsal přítomnost jeho historií relací a souborů Claude, nikoli nezávislé potvrzení konkrétních akcí, které model v kampani vykonal. Z dostupných podkladů proto nelze určit, zda sloužil například k tvorbě skriptů, vyhodnocování výstupů nebo jiné části operace.

ARTEX automatizuje části penetračního testování

Druhým nalezeným nástrojem je ARTEX, nedávno zveřejněný open-source nástroj pro agentní penetrační testování vyvinutý v Číně. Je navržen pro spolupráci s velkými jazykovými modely. V legitimním prostředí mohou podobné nástroje pomáhat bezpečnostním specialistům při hledání slabin; stejné schopnosti lze ale použít i při neautorizovaném průzkumu cílů.

Případ ilustruje praktický problém pro finanční instituce i další organizace: AI nástroje mohou zkrátit některé opakované kroky při bezpečnostním testování a práci s technickými informacemi. Obrana proto nemůže spoléhat pouze na rozpoznávání známého malwaru. Význam zůstává u sledování neobvyklého chování v síti, kontroly přístupů a rychlého vyhodnocování známek úniku dat.