Sådan hjælper DeepSeek kinesiske hackergrupper med at opskalere cyberangreb

Den taiwanske virksomhed TeamT5, der arbejder med efterretninger om cybertrusler, vurderer, at kinesiske hackergrupper med forbindelse til staten har mere end fordoblet omfanget af deres angreb, efter at de har taget DeepSeek og andre open source-baserede AI-modeller i brug. 457

Den vigtigste pointe er dog ikke, at AI på egen hånd gennemfører alle indtrængninger. Snarere ser modellerne ud til at fjerne en del af det gentagne arbejde, så erfarne operatører kan gå efter flere mål på kortere tid og til lavere omkostninger. 457

AI som styrkemultiplikator

TeamT5 har ifølge rapporteringen fundet tegn på AI-brug i flere faser af et cyberangreb: indledende rekognoscering, scanning efter sårbarheder, udvikling af exploit-kode, arbejde med malware og aktiviteter efter et netværk er blevet kompromitteret. Vurderingen bygger på scripts og logfiler fra nyere kampagner, men forskerne understreger, at materialet ikke altid afslører præcist, hvilken model der blev brugt i den enkelte sag. 47

Det betyder, at tallet på mere end en fordobling skal læses som TeamT5’s vurdering af angrebsvolumen blandt de grupper, virksomheden har undersøgt – ikke som en optælling af alle cyberangreb med forbindelse til Kina. AI ser primært ud til at gøre angrebskæden hurtigere og mere skalerbar, mens mennesker fortsat står for den overordnede styring. 57

Hvorfor DeepSeek blev foretrukket

Ifølge TeamT5’s analyse kombinerer DeepSeek flere egenskaber, som gør modellen praktisk til offensive cyberoperationer:

• Tilstrækkelig ydeevne til research, programmering og operationelle opgaver
• Lave driftsomkostninger, som gør gentagen brug og større kampagner billigere
• Mulighed for tilpasning, som forbindes med open source-modeller
• Relativt få sikkerhedsbegrænsninger mod cybermisbrug, så det kræver mindre arbejde at få eller tilpasse skadelig hjælp 27

Det forklarer, hvorfor den mest avancerede model ikke nødvendigvis er den mest interessante for en angriber. TeamT5 vurderede ifølge rapporteringen, at stærkere systemer som Moonshots Kimi K3 var mindre attraktive på grund af højere omkostninger og strengere sikkerhedsforanstaltninger. Der er ikke belæg for at sige, at Kimi K3 blev brugt i de konkrete hændelser, TeamT5 gennemgik. 7

Fire eksempler på AI i angrebskæden

TeamT5 har knyttet forskellige former for AI-brug til flere grupper:

Grimfengxi: udvikling af exploit-kode

Grimfengxi brugte angiveligt DeepSeek til at skabe kode, der kunne udnytte sårbarheder i et målsystem. Det placerer modellen et skridt længere nede i angrebskæden end almindelig informationssøgning: AI blev brugt til at hjælpe med at fremstille kode, der var beregnet til at udnytte en svaghed. 7

Teleboyi: automatiseret rekognoscering

Teleboyi brugte angiveligt DeepSeek til at indsamle omkring 1.000 IP-adresser fra internettet og kortlægge en organisations domæner. Det er rekognoscering – altså arbejdet med at danne sig et billede af et potentielt offer, før et egentligt indbrud forsøges. Aktiviteten viser, hvordan AI kan fremskynde jagten på mål, men kortlægningen i sig selv beviser ikke, at et vellykket indbrud fulgte. 7

Huapi: angreb på en taiwanesisk virksomheds e-mailsystem

Huapi brugte angiveligt en kinesisk AI-model mod en taiwanesisk virksomheds e-mailsystem. TeamT5 mente, at modellen sandsynligvis var DeepSeek, men kunne ikke identificere den med sikkerhed. Usikkerheden illustrerer et centralt problem for efterforskere: Det er ikke altid muligt at fastslå, hvilken AI-model der står bag ud fra kode eller adfærd alene. 7

Slime22: Claude Code efter et indbrud

Aktiviteterne var ikke begrænset til kinesiske open source-modeller. Ifølge TeamT5-relateret rapportering brugte gruppen Slime22 Anthropic’s Claude Code, efter at den havde kompromitteret en taiwanesisk teknologivirksomhed og installeret Kali Linux – en platform til penetrationstest – for at hjælpe med at bevæge sig videre rundt i netværket. Operatørerne skal angiveligt have præsenteret aktiviteten som autoriseret ingeniørtest for at omgå sikkerhedsforanstaltningerne. 7

Sagen viser også, hvorfor forsvarere ikke kan fokusere på én bestemt model eller ét bestemt oprindelsesland. Angribere kan kombinere lokalt hostede eller åbne modeller med kommercielle vestlige værktøjer alt efter opgaven og de sikkerhedskontroller, de møder.

Et bredere marked for AI-assisteret kriminalitet

TeamT5 beskrev samtidig et større økosystem omkring AI-understøttede indtrængninger. En kinesisk startup med omkring 10 ansatte solgte angiveligt software til indtrængninger for mellem 300.000 og 500.000 yuan – cirka 44.500-74.000 dollar – til mindst fire hackergrupper. ChatGPT blev også ifølge rapporteringen brugt under et angreb. 7

Den nordkoreansk forbundne gruppe Kimsuky testede angiveligt lokale AI-modeller. Lokal drift kan give operatører større kontrol over modellen og dens data og samtidig mindske afhængigheden af eksterne tjenester med systemer til at opdage misbrug. De tilgængelige oplysninger dokumenterer dog testene, ikke hvor effektive modellerne var i faktiske operationer. 7

Anthropic har særskilt rapporteret, at AI kan sænke den tekniske tærskel for avanceret cyberkriminalitet, så aktører med begrænsede færdigheder kan gennemføre operationer, der tidligere krævede betydeligt mere ekspertise. Det stemmer overens med TeamT5’s overordnede billede: Den umiddelbare risiko kommer måske ikke fra ét overmenneskeligt system, men fra at almindelige angribere hurtigere kan få hjælp til programmering, rekognoscering og automatisering af arbejdsgange.

OpenAI har oplyst, at virksomheden arbejder på at identificere, forhindre og afbryde forsøg på at misbruge dens modeller. 7

Hvad rapporten viser – og ikke viser

TeamT5’s resultater peger på en konkret operationel effekt: AI-understøttede arbejdsgange kan øge antallet af angrebsforsøg ved at overtage gentagne opgaver. Resultaterne bør derimod ikke tolkes som et bevis på, at DeepSeek autonomt gennemførte alle de rapporterede indtrængninger.

Tre forbehold er særligt vigtige:

1. Modellerne kan ikke altid identificeres. Efterforskere kan ikke pålideligt forbinde hvert script, hver kommando eller hver indtrængning med ét bestemt AI-system. 47
2. Angrebsvolumen er ikke det samme som vellykkede kompromitteringer. Flere forsøg viser ikke i sig selv, at flere mål blev trængt igennem, eller at skaderne voksede tilsvarende.
3. Undersøgelsen omfatter observerede grupper og kampagner. Skønnet på mere end en fordobling er TeamT5’s rapporterede resultat og ikke en fuldstændig måling af al kinesisk statsforbundet cyberaktivitet. 7

Den mest præcise – og mest anvendelige – konklusion er derfor smallere end fortællingen om fuldt autonome hackere: Billig og tilpasningsvenlig AI gør det lettere for etablerede trusselsaktører at industrialisere dele af angrebsprocessen. Forsvarsteams bør regne med, at rekognoscering, kodegenerering og aktiviteter efter et indbrud kan blive fremskyndet af flere typer modeller, ikke kun DeepSeek.