Sådan bruger kinesisk-tilknyttede hackere DeepSeek til at opskalere cyberangreb

Kinesisk-tilknyttede cybergrupper har mere end fordoblet deres angrebsvolumen, efter at de begyndte at integrere DeepSeek og andre open source-baserede AI-modeller i deres operationer. Det vurderer det taiwanske sikkerhedsfirma TeamT5. Modellerne bruges blandt andet til at automatisere rutineopgaver og udvikle mere avanceret ondsindet software, så eksisterende kampagner kan gennemføres hurtigere og i større skala. 13

Fundene viser dog ikke, at AI på egen hånd har erstattet erfarne hackere. Billedet er snarere, at billige modeller og agent-rammeværk kan automatisere dele af den offensive arbejdsgang – især rekognoscering, sårbarhedsanalyse og gentagne angrebsforsøg – mens mennesker fortsat vælger mål og angiver retningen. 115

Hvorfor er DeepSeek interessant for angribere?

Forskerne peger især på fire forhold:

• Ydeevne: DeepSeek anses for tilstrækkelig stærk til de kode- og ræsonneringsopgaver, der indgår i cyberoperationer.
• Tilpasningsmuligheder: Åbne eller lettere tilgængelige modeller kan forbindes med angribernes egne værktøjer og arbejdsgange.
• Lavere omkostninger: Prisen er afgørende, når gentagne opgaver skal køres i stor skala. 16
• Færre sikkerhedsbarrierer: TeamT5 og Unit 42 beskriver DeepSeek som værende udstyret med relativt svage værn mod forespørgsler om offensiv cybersikkerhed sammenlignet med flere vestlige tjenester. 315

Det afgørende er ikke nødvendigvis, om modellen kan finde en helt ny sårbarhed. Den kan stadig være nyttig til at søge efter eksponerede systemer, tilpasse offentligt tilgængelig exploit-kode, fortolke tekniske resultater og foreslå det næste rutinemæssige skridt.

Hvad bruges modellerne til?

Rapporteringen beskriver kinesisk-tilknyttede grupper, der bruger DeepSeek, ChatGPT og Claude Code til rekognoscering, udvikling eller tilpasning af exploits, automatisering og udvikling af ondsindet kode. Værktøjerne er også blevet brugt i forbindelse med lateral bevægelse – altså når en angriber forsøger at bevæge sig fra ét kompromitteret system til andre systemer i samme miljø. 3

De tilgængelige oplysninger beskriver generelt aktiviteterne som udført af statsstøttede eller Kina-tilknyttede aktører samlet set. De identificerer ikke pålideligt én bestemt navngiven avanceret persistent threat-gruppe bag hver enkelt AI-relateret operation. Eksemplerne bør derfor ikke læses som bevis på, at alle kinesiske cybergrupper bruger den samme model eller arbejdsgang. 13

Vestlige værktøjer kunne hjælpe – men satte også grænser

Kommercielle tjenester som ChatGPT og Claude Code kan assistere med dele af en ondsindet arbejdsgang. Leverandørernes sikkerhedskontroller kan dog afvise direkte forespørgsler om offensive operationer.

I den sag, som Unit 42 beskrev, testede operatøren værktøjer fra vestlige leverandører. Sikkerhedsmekanismerne blokerede den ønskede autonome angrebsopgave, hvorefter DeepSeek blev valgt som den primære ræsonneringsmodel. 1415

Forskellen handler ikke nødvendigvis om, at én model altid er mere kapabel end en anden. Den handler også om implementeringen. DeepSeek blev koblet til et open source-rammeværk uden de samme begrænsninger på klientsiden, så modellen kunne indgå i en værktøjskæde, som angriberen selv kontrollerede. 15

Hermes Agent rettede sig mod over 460 systemer

Palo Alto Networks’ Unit 42 dokumenterede separat aktivitet fra en kinesisktalende aktør, der brugte aliaserne “knaithe” og “KnYuan”. Aktøren konfigurerede DeepSeek som ræsonneringsmotor i Hermes Agent, et open source-rammeværk med adgang til en terminal. Opsætningen kunne kortlægge sårbarheder, hente offentligt tilgængelig exploit-kode og forsøge at udnytte systemer med begrænset menneskelig indblanding. 155

Agenten rettede angrebsforsøg mod mere end 460 interneteksponerede systemer. Ifølge rapporteringen om den bredere kampagne blev mindst tre organisationer kompromitteret gennem udnyttelse af en sårbarhed i Citrix NetScaler. Tallet 460 dækker mål eller angrebsforsøg – ikke 460 vellykkede indbrud – og operationen kombinerede autonom aktivitet med mere traditionelle, manuelt styrede handlinger. 4

Det er en vigtig forskel. Sagen viser ikke, at DeepSeek på egen hånd brød ind i hundredvis af systemer. Den viser, hvordan en operatør kan bruge AI til at automatisere den gentagne del af et angreb: finde eksponerede mål, matche dem med kendte sårbarheder, hente offentligt exploit-materiale og gå videre til den næste kandidat.

Hvad betyder det for forsvarerne?

Den tydeligste risiko er skalaen. Når en billig model forbindes med et agent-rammeværk, der har terminaladgang, kan opgaver, som tidligere krævede mange timers manuelt arbejde, gentages mod et stort antal interneteksponerede systemer. AI kan dermed sænke den praktiske tærskel for omfattende rekognoscering og exploit-forsøg. 1615

Samtidig viser sagen teknologiens begrænsninger. Et vellykket kompromis krævede fortsat eksponerede tjenester, kendte sårbarheder og brugbar offentligt tilgængelig exploit-kode. AI øgede hastigheden og antallet af forsøg, men var ikke alene årsagen til hvert eneste indbrud. 515

For forsvarere er de praktiske prioriteter derfor fortsat velkendte: Opdatér internetvendte produkter, fjern unødvendig eksponering, og overvåg usædvanlige mønstre i automatiseret rekognoscering og udnyttelse af sårbarheder.

Den bredere læring fra TeamT5 og Unit 42 er, at AI-assisterede angreb bliver billigere og lettere at gentage – også når de underliggende teknikker i sig selv ikke er nye.