AWS сообщает о компрометации более 600 межсетевых экранов FortiGate в результате атаки с использованием искусственного интеллекта.

Детали атаки из отчета AWS об инциденте
Команды безопасности AWS задокументировали кампанию с середины января до середины февраля 2026 года, в ходе которой русскоязычные киберпреступники скомпрометировали более 600 межсетевых экранов FortiGate в 55 странах. Злоумышленники использовали коммерческие инструменты генеративного ИИ для создания сценариев атак, скриптов и рабочих заметок, что позволило относительно низкоквалифицированной группе провести операцию, которая обычно требует больше ресурсов.
Методология атаки
Кампания была сосредоточена на сканировании открытых интерфейсов управления FortiGate в публичном интернете. Затем злоумышленники пытались использовать часто повторяющиеся или слабые учетные данные. Попав внутрь, они извлекали файлы конфигурации, содержащие:
- Учетные данные администратора и VPN
- Детали топологии сети
- Правила межсетевого экрана
Оттуда они продвигались глубже в среды, нацеливаясь на Active Directory, извлекая учетные данные и исследуя возможности для горизонтального перемещения. Также были атакованы системы резервного копирования, включая серверы Veeam.
Характеристики инструментов ИИ
AWS отметила, что инструменты, сгенерированные ИИ, были функциональными, но неотшлифованными, с упрощенной логикой парсинга и избыточными комментариями, указывающими на машинно-сгенерированный код. Инструменты были встроены во весь рабочий процесс, а не использовались лишь для случайного скриптования. CJ Moses, директор по информационной безопасности Amazon, отметил: "Объем и разнообразие пользовательских инструментов обычно указывают на хорошо обеспеченную команду разработчиков. Вместо этого один актор или очень небольшая группа сгенерировала весь этот набор инструментов с помощью ИИ-ассистированной разработки."
Шаблоны атак и защита
Злоумышленники, как правило, оставляли цели, оказывающие сопротивление, и переходили к более уязвимым, делая ставку на объем, а не на изощренность. Активность была географически оппортунистической, а не строго целенаправленной, с жертвами по всей Европе, Азии, Африке и Латинской Америке. Некоторые компрометации могли обеспечить доступ к управляемым сервис-провайдерам или более крупным общим средам, усиливая последующие риски.
AWS подчеркнула, что базовая гигиена безопасности предотвратила бы большинство компрометаций:
- Не выносите интерфейсы управления в публичный интернет
- Внедрите многофакторную аутентификацию
- Избегайте повторного использования паролей
Эти выводы следуют за недавними предупреждениями Google о том, что преступники все чаще интегрируют генеративный ИИ непосредственно в операции, включая использование Gemini AI для разведки, профилирования целей, фишинга и разработки вредоносного ПО.
📖 Прочитать полный источник: HN AI Agents
👀 Смотрите также

Предупреждение системы безопасности: Вредоносный код в LiteLLM может похищать API-ключи
Обнаружена критическая уязвимость безопасности в LiteLLM, которая может раскрыть API-ключи. Пользователи OpenClaw или nanobot могут быть затронуты и должны проверить связанные проблемы на GitHub, указанные в источнике.

MCP Sandbox: Запускайте MCP-серверы в изолированных контейнерах без необходимости им доверять
Разработчик создал MCP Sandbox, который запускает MCP-серверы в изолированных контейнерах gVisor с политикой запрета сетевого доступа по умолчанию и безопасным внедрением секретов, а также предварительным сканированием на уязвимости CVE и проверкой паттернов.

llm-hasher: Локальное обнаружение PII и токенизация для гибридных LLM-процессов
llm-hasher — это инструмент, который обнаруживает личную идентифицируемую информацию локально с помощью Ollama до того, как данные попадут к внешним LLM, таким как OpenAI или Claude, токенизирует PII и восстанавливает исходные значения после обработки. Он использует регулярные выражения для структурированных типов данных и локальную LLM для контекстного обнаружения, с зашифрованным хранилищем для сопоставлений.

Клод Код обнаруживает 23-летнюю уязвимость в ядре Linux
Исследователь Anthropic Николас Карлини использовал Claude Code для обнаружения нескольких удалённо эксплуатируемых переполнений буфера кучи в ядре Linux, включая одну, которая была скрыта в течение 23 лет. ИИ нашёл ошибки с минимальным контролем, просканировав всё дерево исходного кода ядра.