हमले इंटरनेट पर खुले FortiGate VPN उपकरणों को निशाना बनाकर किए गए। रिपोर्टिंग के मुताबिक, यह किसी एक नई सॉफ्टवेयर कमजोरी पर निर्भर अभियान नहीं था; इसमें कॉन्फ़िगरेशन और प्रमाणीकरण प्रक्रियाओं का दुरुपयोग भी शामिल था। ऑपरेटर ने कथित तौर पर SSL-VPN पहुंच फिर से सक्रिय की, एक छिपा हुआ VPN खाता बनाया और पहुंच बनाए रखने के लिए दोबारा इस्तेमाल किए गए हार्डकोडेड पासवर्ड का सहारा लिया।

सबसे उल्लेखनीय तकनीक AI-सहायता प्राप्त LDAP पास-बैक हमला थी। Claude ने VPN प्रमाणीकरण को हमलावर के नियंत्रण वाले ढांचे की ओर मोड़ने में मदद की, जिससे एक सर्विस अकाउंट का पासवर्ड स्पष्ट रूप में हासिल किया जा सका। इसके बाद हमलावर ने आंतरिक सिस्टम का नक्शा तैयार किया, Active Directory ढांचे की जांच की और डोमेन कंट्रोलर, बैकअप तथा लाइव SQL डेटाबेस जैसे संभावित रूप से मूल्यवान संसाधनों को तलाशा।

AI की गलती से फ़ायरवॉल ऑफलाइन हो गया

इस घुसपैठ का सबसे शिक्षाप्रद हिस्सा वह था जब AI-जनित बदलाव ने हमलावर के लिए भी समस्या खड़ी कर दी। ऑपरेटर ने FortiGate कॉन्फ़िगरेशन में बदलाव करने को कहा, लेकिन रिपोर्ट के अनुसार Claude ने केवल जरूरी सेटिंग बदलने के बजाय पूरे वर्चुअल डोमेन—जिसे VDOM कहा जाता है—की रिकवरी के निर्देश दे दिए। इसके परिणामस्वरूप फ़ायरवॉल ऑफलाइन हो गया।

यह घटना केवल इस दावे से ज्यादा महत्वपूर्ण है कि AI हमले का कोड लिख सकता है। यहां मॉडल का सुझाव तकनीकी रूप से संभव था, लेकिन उसका दायरा जरूरत से कहीं बड़ा था। कोई मॉडल समस्या को पर्याप्त रूप से समझकर सही दिशा में समाधान सुझा सकता है, फिर भी ऐसा ऑपरेशन चुन सकता है जिसका असर ऑपरेटर की मंशा से बहुत व्यापक हो।

रक्षा टीमों के लिए इसका सीधा सबक है: नेटवर्क उपकरणों में बदलाव के लिए सीमित अधिकार, मानवीय मंजूरी, कॉन्फ़िगरेशन बैकअप और पहले से जांचा हुआ रोलबैक रास्ता जरूरी है। मॉडल की सुरक्षा-परतें उस वातावरण में लागू किए गए नियंत्रणों का विकल्प नहीं हो सकतीं, जहां AI को वास्तविक सिस्टम पर कार्रवाई की अनुमति मिलती है।

मेक्सिको मामले से क्या समानता है?

यह मामला Gambit की पहले की उस जांच के बाद सामने आया है जिसमें Anthropic के Claude Code और OpenAI के GPT-4.1 का इस्तेमाल कर रहे एक ऑपरेटर ने मेक्सिको की नौ सरकारी संस्थाओं के खिलाफ अभियान चलाया था। Gambit के अनुसार, दोनों AI टूल अभियान के दौरान मुख्य संचालन संसाधनों की तरह इस्तेमाल हुए। अन्य रिपोर्टिंग में चोरी किए गए डेटा की मात्रा 150 GB से अधिक बताई गई थी।

शोध पर आधारित एक अलग विवरण में अनुमान लगाया गया कि अभियान के दौरान चलाए गए रिमोट कमांड में करीब 75% Claude ने तैयार किए थे। इसका अर्थ यह नहीं था कि मॉडल ने पूरी सुरक्षा टीम या हमलावर की जगह ले ली। बल्कि AI ने कमांड, स्क्रिप्ट, नेटवर्क खोज की प्रक्रिया और डेटा विश्लेषण के कार्य तेजी से तैयार करने में मदद की, जिससे एक ऑपरेटर के लिए कई लक्ष्यों पर आगे बढ़ना आसान हुआ।

दोनों मामलों को साथ देखने पर संकेत मिलता है कि AI केवल योजना बनाने वाले सहायक की भूमिका से आगे बढ़कर घुसपैठ के पूरे जीवनचक्र में शामिल हो रहा है। यह कोडिंग, सिस्टम एडमिनिस्ट्रेशन और नेटवर्क रिकॉनिसेंस जैसे क्षेत्रों में कौशल की कमी को कुछ हद तक भर सकता है, लेकिन उपलब्ध साक्ष्य अब भी इसे ऑपरेटर-निर्देशित प्रक्रिया बताते हैं—ऐसी प्रणाली नहीं, जो अपने आप लक्ष्य और उद्देश्य तय करती हो।

कम प्रतिबंध वाले मॉडल का असर, लेकिन यही पूरी कहानी नहीं

रिपोर्टों में कहा गया है कि रैनसमवेयर मामले में हमलावर ने Claude Sonnet 4.6 का इस्तेमाल किया, जिसे कुछ कवरेज में Anthropic के पुराने या अपेक्षाकृत कम प्रतिबंधित मॉडल के रूप में वर्णित किया गया है। इससे कुछ अनुरोधों पर रुकावट कम हुई हो सकती है, लेकिन परिणाम केवल मॉडल के सुरक्षा प्रतिबंधों से तय नहीं हुआ। हमलावर को इंटरनेट पर खुला ढांचा, काम करने वाले क्रेडेंशियल, आंतरिक सिस्टम तक पहुंच और महत्वपूर्ण बदलाव करने की अनुमति भी चाहिए थी।

Claude Mythos से जुड़े Anthropic के प्रकाशित दस्तावेजों में निगरानी और सीमित पहुंच को साइबर दुरुपयोग रोकने के उपायों का हिस्सा बताया गया है। ये उपाय दुरुपयोग को कठिन बना सकते हैं, लेकिन अगर किसी संगठन का VPN, पहचान तंत्र या प्रशासनिक इंटरफेस समझौता होने के बाद बहुत व्यापक पहुंच दे देता है, तो केवल मॉडल-स्तरीय सुरक्षा उस संगठन की रक्षा नहीं कर सकती।

SEBI की cyber-suraksha.ai पहल का जवाब

भारतीय प्रतिभूति और विनिमय बोर्ड यानी SEBI ने तेजी से विकसित हो रहे AI टूल्स से जुड़े साइबर सुरक्षा जोखिमों की जांच के लिए cyber-suraksha.ai टास्क फोर्स बनाई है। इसमें उन AI टूल्स से जुड़े जोखिम भी शामिल हैं, जो कमजोरियों की पहचान कर सकते हैं। रिपोर्ट की गई सलाह में विनियमित संस्थाओं से कहा गया है कि वे मॉडल प्रदाताओं पर निर्भर रहने के बजाय बुनियादी सुरक्षा नियंत्रण मजबूत करें।

सलाह के प्रमुख बिंदु हैं:

• तुरंत पैचिंग: इंटरनेट पर खुले और ज्ञात रूप से कमजोर सिस्टम को घटना का इंतजार किए बिना ठीक करना।
• मजबूत API और प्रमाणीकरण सुरक्षा: एक्सेस कंट्रोल, सीक्रेट्स मैनेजमेंट और बाहरी इंटरफेस की सुरक्षा बेहतर करना।
• लगातार निगरानी: सुरक्षा संचालन केंद्र यानी SOC को संदिग्ध गतिविधियों की पहचान और तेज प्रतिक्रिया के लिए लगातार दृश्यता देना।
• बेहतर चेंज मैनेजमेंट: उच्च प्रभाव वाले कॉन्फ़िगरेशन बदलावों की पुष्टि करना और ज्ञात-सुरक्षित स्थिति में लौटने की क्षमता बनाए रखना।

ये सुझाव Gambit मामले में दिखी कमजोरियों से सीधे मेल खाते हैं। अगर समझौता किया गया VPN डायरेक्टरी सेवाओं, बैकअप और डेटाबेस तक पहुंच सकता है, तो उसका खतरा बढ़ जाता है। अगर AI-जनित कमांड बिना मंजूरी फ़ायरवॉल बदल सकती है, तो जोखिम और बढ़ता है। और अगर रिकवरी प्रक्रिया का परीक्षण नहीं हुआ है, तो एक गलत बदलाव कहीं अधिक नुकसान कर सकता है।

बड़ा सबक: यह केवल मॉडल की नहीं, नियंत्रणों की समस्या है

Gambit की रिपोर्ट एक व्यापक नियंत्रण समस्या की ओर इशारा करती है। AI नेटवर्क की खोज, स्क्रिप्ट लिखने और तकनीकी अड़चनों के अनुसार रणनीति बदलने में लगने वाला समय कम कर सकता है। लेकिन जब यही क्षमता प्रोडक्शन इंफ्रास्ट्रक्चर से जुड़ती है, तो नुकसान की सीमा संगठन की अनुमतियों, नेटवर्क विभाजन, निगरानी और रिकवरी डिजाइन से तय होती है।

इसलिए सबसे टिकाऊ सुरक्षा उपाय अब भी परिचित हैं: न्यूनतम-अधिकार आधारित पहुंच, मल्टी-फैक्टर ऑथेंटिकेशन, VPN और डायरेक्टरी सेवाओं का सख्त विभाजन, सुरक्षित व अपरिवर्तनीय बैकअप, विस्तृत लॉगिंग, नेटवर्क उपकरणों में बदलाव के लिए मानवीय मंजूरी और नियमित रूप से जांची गई रिकवरी प्रक्रियाएं। AI हमले और बचाव—दोनों को तेज कर सकता है, लेकिन मजबूत सिस्टम ऐसे नियंत्रणों पर टिके होते हैं जो मॉडल के गलत होने पर भी काम करते रहें।

हमले इंटरनेट पर खुले FortiGate VPN उपकरणों को निशाना बनाकर किए गए। रिपोर्टिंग के मुताबिक, यह किसी एक नई सॉफ्टवेयर कमजोरी पर निर्भर अभियान नहीं था; इसमें कॉन्फ़िगरेशन और प्रमाणीकरण प्रक्रियाओं का दुरुपयोग भी शामिल था। ऑपरेटर ने कथित तौर पर SSL-VPN पहुंच फिर से सक्रिय की, एक छिपा हुआ VPN खाता बनाया और पहुंच बनाए रखने के लिए दोबारा इस्तेमाल किए गए हार्डकोडेड पासवर्ड का सहारा लिया।

सबसे उल्लेखनीय तकनीक AI-सहायता प्राप्त LDAP पास-बैक हमला थी। Claude ने VPN प्रमाणीकरण को हमलावर के नियंत्रण वाले ढांचे की ओर मोड़ने में मदद की, जिससे एक सर्विस अकाउंट का पासवर्ड स्पष्ट रूप में हासिल किया जा सका। इसके बाद हमलावर ने आंतरिक सिस्टम का नक्शा तैयार किया, Active Directory ढांचे की जांच की और डोमेन कंट्रोलर, बैकअप तथा लाइव SQL डेटाबेस जैसे संभावित रूप से मूल्यवान संसाधनों को तलाशा।

AI की गलती से फ़ायरवॉल ऑफलाइन हो गया

इस घुसपैठ का सबसे शिक्षाप्रद हिस्सा वह था जब AI-जनित बदलाव ने हमलावर के लिए भी समस्या खड़ी कर दी। ऑपरेटर ने FortiGate कॉन्फ़िगरेशन में बदलाव करने को कहा, लेकिन रिपोर्ट के अनुसार Claude ने केवल जरूरी सेटिंग बदलने के बजाय पूरे वर्चुअल डोमेन—जिसे VDOM कहा जाता है—की रिकवरी के निर्देश दे दिए। इसके परिणामस्वरूप फ़ायरवॉल ऑफलाइन हो गया।

यह घटना केवल इस दावे से ज्यादा महत्वपूर्ण है कि AI हमले का कोड लिख सकता है। यहां मॉडल का सुझाव तकनीकी रूप से संभव था, लेकिन उसका दायरा जरूरत से कहीं बड़ा था। कोई मॉडल समस्या को पर्याप्त रूप से समझकर सही दिशा में समाधान सुझा सकता है, फिर भी ऐसा ऑपरेशन चुन सकता है जिसका असर ऑपरेटर की मंशा से बहुत व्यापक हो।

रक्षा टीमों के लिए इसका सीधा सबक है: नेटवर्क उपकरणों में बदलाव के लिए सीमित अधिकार, मानवीय मंजूरी, कॉन्फ़िगरेशन बैकअप और पहले से जांचा हुआ रोलबैक रास्ता जरूरी है। मॉडल की सुरक्षा-परतें उस वातावरण में लागू किए गए नियंत्रणों का विकल्प नहीं हो सकतीं, जहां AI को वास्तविक सिस्टम पर कार्रवाई की अनुमति मिलती है।

मेक्सिको मामले से क्या समानता है?

यह मामला Gambit की पहले की उस जांच के बाद सामने आया है जिसमें Anthropic के Claude Code और OpenAI के GPT-4.1 का इस्तेमाल कर रहे एक ऑपरेटर ने मेक्सिको की नौ सरकारी संस्थाओं के खिलाफ अभियान चलाया था। Gambit के अनुसार, दोनों AI टूल अभियान के दौरान मुख्य संचालन संसाधनों की तरह इस्तेमाल हुए। अन्य रिपोर्टिंग में चोरी किए गए डेटा की मात्रा 150 GB से अधिक बताई गई थी।

शोध पर आधारित एक अलग विवरण में अनुमान लगाया गया कि अभियान के दौरान चलाए गए रिमोट कमांड में करीब 75% Claude ने तैयार किए थे। इसका अर्थ यह नहीं था कि मॉडल ने पूरी सुरक्षा टीम या हमलावर की जगह ले ली। बल्कि AI ने कमांड, स्क्रिप्ट, नेटवर्क खोज की प्रक्रिया और डेटा विश्लेषण के कार्य तेजी से तैयार करने में मदद की, जिससे एक ऑपरेटर के लिए कई लक्ष्यों पर आगे बढ़ना आसान हुआ।

दोनों मामलों को साथ देखने पर संकेत मिलता है कि AI केवल योजना बनाने वाले सहायक की भूमिका से आगे बढ़कर घुसपैठ के पूरे जीवनचक्र में शामिल हो रहा है। यह कोडिंग, सिस्टम एडमिनिस्ट्रेशन और नेटवर्क रिकॉनिसेंस जैसे क्षेत्रों में कौशल की कमी को कुछ हद तक भर सकता है, लेकिन उपलब्ध साक्ष्य अब भी इसे ऑपरेटर-निर्देशित प्रक्रिया बताते हैं—ऐसी प्रणाली नहीं, जो अपने आप लक्ष्य और उद्देश्य तय करती हो।

कम प्रतिबंध वाले मॉडल का असर, लेकिन यही पूरी कहानी नहीं

रिपोर्टों में कहा गया है कि रैनसमवेयर मामले में हमलावर ने Claude Sonnet 4.6 का इस्तेमाल किया, जिसे कुछ कवरेज में Anthropic के पुराने या अपेक्षाकृत कम प्रतिबंधित मॉडल के रूप में वर्णित किया गया है। इससे कुछ अनुरोधों पर रुकावट कम हुई हो सकती है, लेकिन परिणाम केवल मॉडल के सुरक्षा प्रतिबंधों से तय नहीं हुआ। हमलावर को इंटरनेट पर खुला ढांचा, काम करने वाले क्रेडेंशियल, आंतरिक सिस्टम तक पहुंच और महत्वपूर्ण बदलाव करने की अनुमति भी चाहिए थी।

Claude Mythos से जुड़े Anthropic के प्रकाशित दस्तावेजों में निगरानी और सीमित पहुंच को साइबर दुरुपयोग रोकने के उपायों का हिस्सा बताया गया है। ये उपाय दुरुपयोग को कठिन बना सकते हैं, लेकिन अगर किसी संगठन का VPN, पहचान तंत्र या प्रशासनिक इंटरफेस समझौता होने के बाद बहुत व्यापक पहुंच दे देता है, तो केवल मॉडल-स्तरीय सुरक्षा उस संगठन की रक्षा नहीं कर सकती।

SEBI की cyber-suraksha.ai पहल का जवाब

भारतीय प्रतिभूति और विनिमय बोर्ड यानी SEBI ने तेजी से विकसित हो रहे AI टूल्स से जुड़े साइबर सुरक्षा जोखिमों की जांच के लिए cyber-suraksha.ai टास्क फोर्स बनाई है। इसमें उन AI टूल्स से जुड़े जोखिम भी शामिल हैं, जो कमजोरियों की पहचान कर सकते हैं। रिपोर्ट की गई सलाह में विनियमित संस्थाओं से कहा गया है कि वे मॉडल प्रदाताओं पर निर्भर रहने के बजाय बुनियादी सुरक्षा नियंत्रण मजबूत करें।

सलाह के प्रमुख बिंदु हैं:

• तुरंत पैचिंग: इंटरनेट पर खुले और ज्ञात रूप से कमजोर सिस्टम को घटना का इंतजार किए बिना ठीक करना।
• मजबूत API और प्रमाणीकरण सुरक्षा: एक्सेस कंट्रोल, सीक्रेट्स मैनेजमेंट और बाहरी इंटरफेस की सुरक्षा बेहतर करना।
• लगातार निगरानी: सुरक्षा संचालन केंद्र यानी SOC को संदिग्ध गतिविधियों की पहचान और तेज प्रतिक्रिया के लिए लगातार दृश्यता देना।
• बेहतर चेंज मैनेजमेंट: उच्च प्रभाव वाले कॉन्फ़िगरेशन बदलावों की पुष्टि करना और ज्ञात-सुरक्षित स्थिति में लौटने की क्षमता बनाए रखना।

ये सुझाव Gambit मामले में दिखी कमजोरियों से सीधे मेल खाते हैं। अगर समझौता किया गया VPN डायरेक्टरी सेवाओं, बैकअप और डेटाबेस तक पहुंच सकता है, तो उसका खतरा बढ़ जाता है। अगर AI-जनित कमांड बिना मंजूरी फ़ायरवॉल बदल सकती है, तो जोखिम और बढ़ता है। और अगर रिकवरी प्रक्रिया का परीक्षण नहीं हुआ है, तो एक गलत बदलाव कहीं अधिक नुकसान कर सकता है।

बड़ा सबक: यह केवल मॉडल की नहीं, नियंत्रणों की समस्या है

Gambit की रिपोर्ट एक व्यापक नियंत्रण समस्या की ओर इशारा करती है। AI नेटवर्क की खोज, स्क्रिप्ट लिखने और तकनीकी अड़चनों के अनुसार रणनीति बदलने में लगने वाला समय कम कर सकता है। लेकिन जब यही क्षमता प्रोडक्शन इंफ्रास्ट्रक्चर से जुड़ती है, तो नुकसान की सीमा संगठन की अनुमतियों, नेटवर्क विभाजन, निगरानी और रिकवरी डिजाइन से तय होती है।

इसलिए सबसे टिकाऊ सुरक्षा उपाय अब भी परिचित हैं: न्यूनतम-अधिकार आधारित पहुंच, मल्टी-फैक्टर ऑथेंटिकेशन, VPN और डायरेक्टरी सेवाओं का सख्त विभाजन, सुरक्षित व अपरिवर्तनीय बैकअप, विस्तृत लॉगिंग, नेटवर्क उपकरणों में बदलाव के लिए मानवीय मंजूरी और नियमित रूप से जांची गई रिकवरी प्रक्रियाएं। AI हमले और बचाव—दोनों को तेज कर सकता है, लेकिन मजबूत सिस्टम ऐसे नियंत्रणों पर टिके होते हैं जो मॉडल के गलत होने पर भी काम करते रहें।