Wprowadzenie do problemu / definicja
Rosnąca dostępność modeli językowych zmienia charakter współczesnych operacji ofensywnych. Sztuczna inteligencja nie służy już wyłącznie do generowania treści phishingowych czy prostego rekonesansu, ale coraz częściej wspiera aktywne etapy włamań. Opisany incydent w amerykańskiej firmie z sektora retail pokazuje, że AI może pomóc napastnikom odzyskać inicjatywę w momencie, gdy ręczne działania zostały wcześniej zatrzymane przez mechanizmy ochronne.
To ważna zmiana z perspektywy obrońców, ponieważ przyspiesza cykl prób, błędów i adaptacji po stronie przeciwnika. Nawet jeśli początkowe działania okazują się nieskuteczne, operator może szybko wygenerować nowe warianty poleceń i skryptów, które zwiększają szanse na powodzenie ataku.
W skrócie
Atakujący uzyskali dostęp do środowiska amerykańskiej organizacji handlowej i początkowo działali ręcznie, popełniając błędy typowe dla operatora wykonującego komendy bezpośrednio z klawiatury. Gdy kolejne payloady były blokowane przez zabezpieczenia, następnego dnia nastąpiła wyraźna zmiana taktyki.
W środowisku pojawiły się długie, poprawne składniowo skrypty PowerShell, przygotowane w uporządkowany sposób i przypominające rezultat użycia modelu językowego. W krótkim czasie napastnicy przeszli od nieskutecznych prób uruchamiania narzędzi do kradzieży poświadczeń, analizy systemów monitoringu i wykonania ruchu lateralnego na kolejne serwery.
- początkowa faza miała charakter hands-on-keyboard,
- zabezpieczenia blokowały część narzędzi i payloadów,
- nastąpiło szybkie przejście do bardziej złożonych skryptów,
- AI prawdopodobnie wspierała operatora w tworzeniu i iteracji działań,
- efektem było przyspieszenie rozpoznania i ruchu lateralnego.
Kontekst / historia
Badany incydent miał miejsce we wrześniu 2026 roku i dotyczył nienazwanej organizacji handlowej ze Stanów Zjednoczonych. Według ustaleń śledczych aktywność obejmowała wiele systemów, w tym serwery WWW oraz hosty z Microsoft SQL Server. Wczesna faza włamania mogła obejmować wykonywanie poleceń przez usługę bazodanową, prawdopodobnie z użyciem mechanizmów podobnych do xp_cmdshell, choć pierwotny wektor wejścia nie został jednoznacznie ustalony.
Na początkowym etapie napastnicy wykonywali polecenia ręcznie. W telemetrii były widoczne literówki oraz powtarzanie tych samych nieskutecznych prób. Sugeruje to, że operator nie dysponował od razu skuteczną ścieżką obejścia kontroli bezpieczeństwa lub eskalacji działań.
Przełom nastąpił w kolejnej fazie ataku, gdy zaczęły pojawiać się rozbudowane skrypty z komentarzami, sekcjami wyników i obsługą błędów. Ten moment jest kluczowy z perspektywy obrony, ponieważ pokazuje praktyczne użycie AI do dynamicznego dostosowywania technik ataku do aktualnej sytuacji w środowisku ofiary.
Analiza techniczna
W pierwszej fazie aktywność miała cechy klasycznego ataku prowadzonego ręcznie. Polecenia były krótkie, zawierały błędy i koncentrowały się na rozpoznaniu hosta oraz próbach uruchomienia ładunków pobieranych z infrastruktury zewnętrznej. Część tych plików uruchamiano wielokrotnie, ale ochrona stacji i serwerów skutecznie je zatrzymywała.
W kolejnej fazie pojawiły się długie skrypty PowerShell, wyraźnie bardziej złożone od wcześniejszych komend. Zawierały logicznie wydzielone bloki odpowiedzialne za enumerację środowiska, wyszukiwanie poświadczeń, analizę plików konfiguracyjnych oraz weryfikację dostępu do usług. Ich struktura sugerowała generowanie lub istotne wsparcie przez model językowy: brak literówek, uporządkowane sekcje, kontrola błędów i komentarze przypominające tok rozumowania.
Napastnicy pozyskiwali dane uwierzytelniające z wielu lokalizacji, w tym z plików konfiguracyjnych, ustawień klientów administracyjnych, konfiguracji IIS oraz zapisanych parametrów połączeń. Szczególne znaczenie miało zainteresowanie środowiskiem SolarWinds Orion. Atakujący przeszukiwali lokalne zasoby związane z monitoringiem, odczytywali dane potrzebne do dalszej eksploracji oraz wykorzystywali komponenty obecne w środowisku do przemieszczania się na kolejny serwer.
Kluczowym elementem był odczyt współdzielonego sekretu używanego przez komponenty oparte na Erlangu i RabbitMQ. Dzięki temu możliwe było zdalne wywołanie polecenia systemowego na drugim hoście. Z technicznego punktu widzenia nie był to przykład wykorzystania nowej podatności, lecz kreatywne użycie zaufanych komponentów już obecnych w infrastrukturze. To pokazuje, że AI nie musiała tworzyć nowej techniki ataku, aby zwiększyć skuteczność działań — wystarczyło przyspieszyć identyfikację niestandardowej ścieżki obejścia zabezpieczeń.
W analizie wskazano również użycie technik takich jak DLL sideloading, narzędzi tunelujących oraz utility służących do odrywania procesu od drzewa procesów serwera IIS, tak aby utrudnić wykrycie relacji rodzic–dziecko. To potwierdza, że atakujący łączyli standardowy tradecraft z pomocą AI przy generowaniu i iteracji skryptów operacyjnych.
Konsekwencje / ryzyko
Najważniejszym ryzykiem nie jest sama obecność AI, lecz skrócenie czasu potrzebnego do przejścia od zablokowanej próby do skutecznego obejścia ochrony. Atak, który wcześniej zatrzymywał się na etapie uruchamiania payloadów, został wznowiony i przyspieszony dzięki automatycznemu przygotowywaniu kolejnych wariantów poleceń.
W praktyce oznacza to, że nawet mniej zaawansowany operator może szybciej osiągnąć skuteczność zbliżoną do bardziej doświadczonych intruzów. Dla organizacji zwiększa to znaczenie detekcji behawioralnej. Jeśli obrona koncentruje się głównie na sygnaturach plików, hashach lub pojedynczych komendach, przeciwnik może generować nowe warianty praktycznie na bieżąco.
Ryzyko operacyjne obejmuje:
- kradzież poświadczeń z systemów aplikacyjnych i administracyjnych,
- ruch lateralny między serwerami WWW, bazodanowymi i monitoringowymi,
- przejęcie serwerów aplikacyjnych oraz baz danych,
- przygotowanie gruntu pod ransomware,
- kradzież danych biznesowych lub płatniczych.
W sektorze retail dodatkowym czynnikiem ryzyka są systemy POS, mechanizmy synchronizacji danych i komponenty integracyjne, które często przechowują hasła lub connection stringi w sposób ułatwiający ich nadużycie.
Rekomendacje
Organizacje powinny przesunąć punkt ciężkości z samego patch managementu na skrócenie czasu wykrycia i ograniczenie skutków incydentu. Aktualizacje pozostają istotne, ale w tym przypadku problemem nie była pojedyncza luka wymagająca poprawki, lecz wykorzystanie istniejących funkcji i komponentów środowiska.
W praktyce warto wdrożyć następujące działania:
- monitorować sekwencje powtarzających się prób zakończonych blokadą, po których pojawiają się szybkie warianty podobnych poleceń,
- rozszerzyć detekcję na nietypowe użycie PowerShell, cmd.exe, csc.exe, certutil, WMI oraz procesów uruchamianych spod usług IIS i SQL Server,
- przeprowadzić audyt miejsc przechowywania poświadczeń, takich jak pliki konfiguracyjne, connection stringi, sekrety aplikacyjne i konta serwisowe,
- ograniczyć możliwość ruchu lateralnego przez segmentację sieci i kontrolę dostępu między serwerami,
- monitorować nietypowe połączenia administracyjne pomiędzy systemami aplikacyjnymi, bazodanowymi i narzędziami monitoringu,
- przeglądać domyślnie instalowane komponenty, takie jak brokery wiadomości, lokalne instancje baz danych czy narzędzia zdalnego sterowania,
- rozwijać reguły SOC oparte na korelacji zachowań, a nie tylko na IOC.
Szczególnie ważne jest łączenie zdarzeń w jeden obraz operacyjny. Blokada payloadu, ponowne pobranie plików, zmiana rodzica procesu, uruchamianie długich skryptów administracyjnych i nagłe zainteresowanie magazynami poświadczeń powinny być traktowane jako elementy jednego łańcucha ataku.
Podsumowanie
Incydent z udziałem amerykańskiego detalisty pokazuje, że AI staje się praktycznym wzmacniaczem ataków intruzyjnych. Nie musiała tworzyć nowego exploita ani autonomicznie prowadzić całej operacji, aby znacząco zwiększyć skuteczność przeciwnika. Wystarczyło, że pomogła szybko generować poprawne, rozbudowane skrypty i dopasowywać kolejne działania do bieżących wyników.
Dla obrońców to wyraźny sygnał, że przyszłość detekcji będzie coraz silniej opierać się na analizie wzorców działań, szybkości reagowania oraz ograniczaniu możliwości ponawiania prób w zmienionej postaci. Ataki wspomagane przez AI nie redefiniują całkowicie technik ofensywnych, ale wyraźnie zwiększają ich tempo, skalę i odporność na tradycyjne mechanizmy blokujące.