تصور کنید یک هکر با پیشرفته‌ترین ابزارهای هوش مصنوعی به ۹ بانک نفوذ کند، اما در نهایت به‌دلیل فراموش کردن یک پوشه در سرور، تمام نقشه‌اش لو برود. این دقیقاً همان اتفاقی است که برای مهاجم بانک‌های کره جنوبی افتاد و داده‌های بیش از ۶۵ هزار نفر را به بهای یک اشتباه آماتور به خطر انداخت. نکته کلیدی این است که این نفوذ نه به‌دلیل وجود یک نقص امنیتی در خودِ مدل‌های هوش مصنوعی، بلکه به‌دلیل ناتوانی مهاجم در پاک کردن ردپاهای دیجیتالی‌اش رخ داد.
طبق گزارش CrowdStrike، این نشت داده‌ها به‌دلیل عدم رعایت امنیت عملیاتی توسط مهاجم رخ داد. این حادثه در حالی رخ می‌دهد که بخش‌های مالی در سراسر جهان با چالش تأمین امنیت «هوش مصنوعی سایه» (Shadow AI) یا همان جریان‌های کاری غیررسمی AI دست‌وپنجه نرم می‌کنند. همان‌طور که در تحلیل قبلی ما درباره‌ی خطرات پیکربندی اشتباه در ابزارهای کدنویسی AI مانند Claude Code اشاره کردیم که می‌تواند منجر به افشای آسیب‌پذیری‌های حیاتی شود، این مورد ثابت می‌کند که هوش مصنوعی اگرچه می‌تواند سرعت یک حمله را به‌شدت افزایش دهد، اما به‌طور خودکار به مهاجم «امنیت عملیاتی» در سطح حرفه‌ای نمی‌بخشد. این رویکرد تهاجمی با گزارش قبلی CrowdStrike درباره نفوذ یک مهاجم به بانک‌های کره با کمک AI همسو است که ابعاد اولیه این تهدیدات را بررسی کرده بود.
زمینه و جزئیات نفوذ
به نقل از تحلیل فنی CrowdStrike که در ۷ اکتبر منتشر شد، مهاجم از ARTEX استفاده کرده است؛ یک چارچوب نفوذ خودکار (Autonomous Penetration-Testing Framework) مبتنی بر هوش مصنوعی که در ۲۶ ژوئیه در گیت‌هاب منتشر شد. تحقیقات زمانی آغاز شد که پژوهشگران یک دایرکتوری عمومی را روی سرور تحت کنترل مهاجم (با IP 38.244.50[.]120) پیدا کردند. این دایرکتوری حاوی تاریخچه جلسات (Session Histories) و فایل‌های پیکربندی Claude Code بود.
این پوشه حاوی یک سند Markdown بود که در آن پرامپتی برای تست نفوذ به زبان چینی نوشته شده بود و به یک آدرس IP دوم واقع در هنگ‌کنگ اشاره داشت. دنبال کردن این سرنخ، منجر به کشف تاریخچه‌های بیشتر از جلسات، فایل‌های پیکربندی ARTEX و فایل‌های حافظه (Memory Files) مربوط به Claude شد. مؤسسه امنیت مالی کره جنوبی نیز به‌طور مستقل استفاده از ARTEX را از طریق بررسی لاگ‌های سرور و آدرس‌های IP مهاجم تأیید کرد.
پشته تکنولوژی هوش مصنوعی (AI Tech Stack)
بر اساس مستندات این گزارش، مهاجم از یک زیرساخت دو سروری استفاده می‌کرد: IP هنگ‌کنگ به‌عنوان سرور کنترل اصلی عمل می‌کرد، در حالی که آدرس 38.244.50[.]120 میزبان نمونه‌ی ARTEX بود که برای نفوذها به کار می‌رفت. در این عملیات از ترکیبی از مدل‌های زبانی بزرگ (LLM) با عملکرد بالا استفاده شده بود:
- DeepSeek v4.1-flash: به‌عنوان موتور اصلی و بک‌اِند LLM برای ARTEX.
- GLM-5.3 (محصول Zhipu AI) و Grok 4.6: که در جلسات تکمیلی Claude Code به کار گرفته شده بودند.
- xcai[.]pro: که احتمالاً به‌عنوان یک واسطه (Proxy Reseller) برای APIهای LLM جهت دسترسی به مدل DeepSeek استفاده شده است.
سیستم ARTEX از یک معماری عامل‌محور (Multi-agent Architecture) استفاده می‌کند تا کل چرخه حیات حمله را خودکار کند؛ این چرخه شامل شناسایی (Reconnaissance)، کشف آسیب‌پذیری، برنامه‌ریزی مسیر حمله، اجرا و در نهایت تأیید موفقیت است. این قابلیت خودکارسازی یادآور حوادث نفوذ به Hugging Face است که در آن عامل‌های هوش مصنوعی به‌صورت مستقل پلتفرم‌های AI را هدف قرار دادند. مهاجم برای پنهان کردن فعالیت‌های خود، از ۹ IP پروکسی در ۸ کشور مختلف از جمله ایالات متحده، ژاپن، کره جنوبی و هنگ‌کنگ استفاده کرده بود.
تأثیرات و انتساب حمله
در نهایت، ۷ بانک از ۹ مؤسسه هدف، نشت داده‌ها را تأیید کردند. مقیاس تأثیرات در هر مؤسسه متفاوت بود:
- Yegaram Savings Bank: حدود ۴۰ هزار نفر متأثر شدند.
- Shinhan Bank: حدود ۲۵ هزار نفر متأثر شدند.
- KB Kookmin Bank: ۱۱۹ نفر متأثر شدند.
- Hana Bank: ۸۹ نفر متأثر شدند.
- BNK Busan Bank: ۱۱ نفر از کارکنان پیمانکاری متأثر شدند.
- Welcome Savings Bank و Hyundai Capital: نشت داده‌ها تأیید شد.
دو مؤسسه دیگر یعنی Woori Bank و NH NongHyup Bank مورد حمله قرار گرفتند اما هیچ آسیبی ندیدند، زیرا آسیب‌پذیری‌های خاصی که هوش مصنوعی هدف قرار داده بود، در سیستم‌های آن‌ها وجود نداشت.
نکته جالب این است که مهاجم پلتفرم‌های اصلی تراکنش‌های بانکی را هدف قرار نداد. در عوض، او سیستم‌های پشتیبانی کسب‌وکار (Business Support Systems) را که توسط کارگزاران وام و کارکنان استفاده می‌شد، مورد سوءاستفاده قرار داد؛ مواردی مانند ابزارهای موبایل برای نمایندگان فروش و سرویس‌های بررسی وضعیت درخواست وام. این سیستم‌ها که به‌صورت خارجی قابل دسترسی هستند، معمولاً نسبت به پورتال‌های اصلی بانکی محافظت کمتری دارند.
اشتباه فاحش در «رزومه‌نویسی»
در یک لغزش امنیتی عجیب، لاگ‌های Claude Code فاش کرد که مهاجم از هوش مصنوعی خواسته است تا یک رزومه حرفه‌ای برای یک «پژوهشگر امنیتی» بنویسد! او در پرامپت خود صراحتاً دستور داده بود که نتایج این حملات به بانک‌ها به‌عنوان «دستاوردهای شغلی» در رزومه گنجانده شود.
این پرامپت حاوی جزئیات شخصی دقیقی بود: فردی ۲۶ ساله، ساکن شهر ماومینگ در استان گوانگ‌دونگ، فارغ‌التحصیل دانشگاه فناوری جنوب چین و دارای شناسه تلگرام @YY520CN. بررسی‌ها نشان داد که همین شناسه پیش‌تر با حملات به یک پلتفرم پرداخت چینی و تحقیقات روی آسیب‌پذیری‌های یک بازار NFT مبتنی بر تلگرام مرتبط بوده است.
در جلسه‌ای دیگر، مهاجم از AI کمک خواسته بود تا گروه‌های تلگرامی را پیدا کند که بتوان داده‌های سرقتی بانک‌های کره جنوبی را در آن‌ها فروخت. CrowdStrike اشاره کرد که این سرنخ‌ها به فردی چینی‌زبان با انگیزه‌های مالی اشاره دارد، اما صراحتاً اعلام کرد که نمی‌توان این حملات را به‌طور قطعی به یک شخص خاص یا دولت چین نسبت داد و تنها «اطمینان متوسط» (Moderate Confidence) در این ارزیابی دارد.
این پرونده ثابت می‌کند AI در حال حاضر یک «ضریب تقویت‌کننده» برای سرعت است، نه جایگزینی برای تخصص انسانی. مهاجم توانست شناسایی و کشف آسیب‌پذیری‌ها را در بازه زمانی کوتاهی برای چندین بانک خودکار کند، اما ابتدایی‌ترین انضباط امنیتی برای محافظت از سرور خودش را نداشت. این نوع رفتارهای خودکار در جستجوی داده‌های حساس، مشابه رویکرد عامل‌های OpenAI در نفوذ به پایگاه‌های دولتی برای یافتن اطلاعات نادر است.
برای مدیران کسب‌وکار، این یعنی تهدید دیگر فقط از سوی بازیگران دولتی «نخبه» نیست، بلکه هر فردی با یک کلید API و یک چارچوب عامل بازمتن (Open-source Agent Framework) می‌تواند خطرناک باشد. گلوگاه حملات از «توانایی فنی» به «انضباط عملیاتی» تغییر کرده است.
رئیس‌جمهور کره جنوبی، لی جائه-میونگ، پس از مشاهده نشانه‌های واضح استفاده از AI در هک‌ها، دستور بازنگری جامع در دفاعات سایبری ملی را صادر کرد تا با عصر هوش مصنوعی سازگار شود. باید نظارت کرد که آیا رگولاتورهای مالی، حسابرسی‌های «AI-aware» (آگاه به هوش مصنوعی) را برای سیستم‌های پشتیبانی کسب‌وکار اجباری می‌کنند تا این شکاف‌های امنیتی بسته شوند.
گام بعدی شما
- بررسی سیستم‌های پشتیبانی و جانبی (Business Support Systems) که معمولاً کمتر از هسته اصلی شبکه محافظت می‌شوند.
- نظارت بر لاگ‌های دسترسی به APIهای هوش مصنوعی در سازمان برای شناسایی الگوهای غیرعادی.
- آموزش تیم‌های امنیتی برای شناسایی ردپاهای ابزارهای نفوذ خودکار مانند ARTEX.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو