Как агентные LLM изменили ландшафт кибершпионага: разбор кампании Hunt.io
В июле 2026 года исследователи безопасности из Hunt.io опубликовали детальный анализ кибероперации, предположительно проводимой китайскими агентами. Уникальность расследования заключается в выявлении следов использования связки моделей Claude Code и DeepSeek, которые автоматизировали разведку, генерацию эксплойтов и управление сессиями. Статья разбирает технические артефакты атаки, разграничивает подтвержденные факты и гипотезы, а также формулирует рекомендации для специалистов по защите.
# Как агентные LLM изменили ландшафт кибершпионага: разбор кампании Hunt.io
В июле 2026 года компания Hunt.io выпустила отчёт, посвящённый обнаруженной через ошибку операторов кибероперации. Инцидент стал поводом для глубокого анализа роли искусственного интеллекта в современных атаках на государственные структуры. Исследователи зафиксировали открытую инфраструктуру, содержащую артефакты эксплуатации, и установили признаки использования специфических языковых моделей для координации действий злоумышленников.
От открытого каталога к операционной среде
Всё началось с классической ошибки конфигурации: один из серверов в кластере, расположенном в Гонконге, предоставлял доступ к открытому каталогу (open directory). В результате было скомпрометировано около 2 431 файла, включающего исходный код жертв, логи операций, веб-шеллы, скрипты атаки и результаты сканирования.
Центральным элементом инфраструктуры стал C2-кластер TencShell. Исследователи идентифицировали группу из 13 IP-адресов, объединённых единым SHA-256 хешем HTTP-заголовков на порту 1111. Дополнительно обнаружены общие SSH-ключи и TLS-сертификаты. Однако исследователи делают важное оговорку: наличие стандартных сертификатов и ключей не является доказательством единого владельца, так как подобные ресурсы часто арендуются разными группами. Тем не менее, совокупность артефактов указывает на наличие скоординированной структуры.
Архитектура атаки: разделение труда
Исследование демонстрирует, как атакующие используют связку моделей искусственного интеллекта для автоматизации процессов. Анализ кода и логов выявил чёткое разделение ролей между двумя типами агентов:
Оператор (Human Operator) Человек, управляющий операцией, выполняет следующие функции: * Определяет конечную цель атаки. * Одобряет рискованные переходы к эксплуатации. * Принимает решения о переходе от разведки к активной фазе. * Определяет объём эксфильтрации данных.
Claude Code Модель, отвечающая за инструменты и инфраструктуру: * Управление инструментами (shell-команды, работа с файлами). * Контроль состояния сессии и параллельных задач. * Исполнение команд и сохранение результатов для последующего анализа. * Подготовка к следующей смене оператора.
DeepSeek-v4-pro Модель, специализирующаяся на аналитике и генерации: * Анализ ответов от системы и предложение скриптов проверки. * Генерация и правка утилит для эксплуатации. * Логика обхода механизмов защиты.
Таким образом, агентная система становится интерфейсом между стратегическим планом оператора и набором практических утилит: браузером, сканерами, оболочкой и системами управления версиями.
Технический анализ и индикаторы компрометации
В рамках исследования Hunt.io выделил несколько критических индикаторов компрометации (IOC), которые необходимо мониторить:
Веб-шеллы и артефакты
* Расширения и MIME-типы: Шеллы могут иметь стандартные расширения, но критично проверять фактический MIME-тип и интерпретацию файлом веб-сервером.
* Конфигурация: В файлах конфигурации обнаружены признаки использования Laravel и других фреймворков, которые могли быть уязвимы.
* Отладочные страницы: Наличие открытых отладочных страниц указывает на небезопасную конфигурацию.
Сегментация и контроль доступа * Привилегированные учётные записи: Атакующие создавали привилегированные учетные записи для lateral movement. * Скрытые маршруты: Доступ к скрытым административным маршрутам является тревожным признаком. * Секреты в клиентском коде: Проверка клиентского JavaScript и сборочных артефактов на наличие утекших ключей, Anon key и SAS token.
Корреляция событий * DNS-перебор и CT-запросы: Массовый перебор путей и запросов к CNAME может указывать на использование сканеров. * Нехарактерные загрузки: Файлы, загруженные в аномальное время или из нестандартных источников. * SHA-256 хеши: Анализ образцов файлов для выявления известных уязвимостей.
Рекомендации для специалистов по защите
На основе анализа кампании Hunt.io формулируются следующие рекомендации:
1. Закрыть публичный доступ: Ограничить доступ к репозиториям, архивам, резервным копиям и административным интерфейсам. 2. Контролировать секреты: Проверить ключи, SAS token, Anon key на реальные права и область действия. 3. Исправить уязвимости: Закрыть SQL-инъекции, ограничить права сервисных учётных записей БД. 4. WAF как дополнительный слой: Использовать WAF для фильтрации аномальных запросов, но не полагаться только на него. 5. Обновление фреймворков: Проверить версию используемых фреймворков (например, Laravel) и наличие известных уязвимостей. 6. Мониторинг событий: Коррелировать события по всей цепочке для выявления аномалий.
Выводы
Анализ кампании Hunt.io демонстрирует, как агентные модели искусственного интеллекта могут изменить темп и эффективность кибератак. Однако, как отмечают исследователи, фундаментальные проблемы остаются прежними: открытые каталоги, утекшие ключи, SQL-инъекции и слабая сегментация. ИИ лишь ускоряет и масштабирует эксплуатацию этих уязвимостей, снижая стоимость повторяющихся действий для злоумышленников.
Для специалистов по защите критически важно не только искать следы ИИ, но и уделять внимание базовой гигиене поверхности атаки: закрывать публичный доступ к чувствительным данным, исправлять уязвимости и контролировать доступ к критическим ресурсам.