Claude Code Mempercepat Serangan Perisian Tebusan hingga Menjatuhkan Firewall

Kempen itu menyasarkan peranti VPN FortiGate yang terdedah kepada internet. Berdasarkan laporan penyiasatan, penyerang menyalahgunakan konfigurasi serta aliran kerja pengesahan, bukannya hanya bergantung pada satu kelemahan perisian yang baru didedahkan. Penyerang dilaporkan mengaktifkan semula akses SSL-VPN, mencipta akaun VPN tersembunyi dan menggunakan kata laluan lalai yang dikitar semula untuk mengekalkan akses.

Teknik paling ketara ialah serangan LDAP pass-back yang dibantu AI. Claude membantu mengubah hala pengesahan VPN kepada infrastruktur yang dikawal penyerang. Langkah itu membolehkan kata laluan akaun perkhidmatan ditangkap dalam bentuk teks jelas. Dengan akses tersebut, penyerang memetakan sistem dalaman, meneliti infrastruktur Active Directory dan mencari pengawal domain, sandaran serta pangkalan data SQL aktif yang berpotensi dicuri.

Kesilapan tidak disengajakan: firewall terputus

Pencerobohan itu turut menunjukkan mengapa perubahan yang dijana AI tidak sepatutnya memintas proses kawalan perubahan biasa.

Apabila penyerang meminta Claude mengubah konfigurasi FortiGate, model tersebut dilaporkan menghasilkan arahan pemulihan yang mengembalikan keseluruhan domain maya, atau VDOM, bukannya hanya tetapan yang dimaksudkan. Kesilapan itu menyebabkan firewall terputus daripada perkhidmatan.

Peristiwa ini lebih bermakna daripada dakwaan mudah bahawa AI boleh menulis kod serangan. Arahan tersebut mungkin kelihatan munasabah dari sudut teknikal, tetapi skopnya tidak mencukupi. Model boleh memahami masalah konfigurasi dengan tepat untuk mencadangkan pembaikan, namun masih memilih operasi yang mempunyai kesan jauh lebih besar daripada yang dijangka penyerang.

Bagi pasukan pertahanan, pengajarannya amat praktikal: perubahan pada peranti rangkaian perlu tertakluk kepada keizinan yang terhad, kelulusan manusia, sandaran konfigurasi dan laluan rollback yang telah diuji. Penapisan keselamatan pada peringkat model tidak boleh menggantikan kawalan dalam persekitaran sebenar tempat model itu beroperasi.

Persamaan dengan siasatan Gambit di Mexico

Kes ransomware terbaru ini menyusuli siasatan Gambit terdahulu mengenai seorang pengendali yang menggunakan Anthropic Claude Code dan OpenAI GPT-4.1 dalam kempen terhadap sembilan organisasi kerajaan Mexico. Menurut laporan Gambit, kedua-dua alat itu digunakan sebagai sumber operasi utama sepanjang kempen tersebut. Laporan lain berdasarkan siasatan itu meletakkan jumlah data yang dicuri pada lebih 150 GB.

Satu lagi laporan mengenai penyelidikan berkenaan menganggarkan bahawa Claude menjana kira-kira 75% arahan jauh yang dilaksanakan sepanjang kempen. Kepentingannya bukanlah kerana satu model menggantikan seluruh pasukan keselamatan. Sebaliknya, AI membantu seorang pengendali menghasilkan arahan, skrip, logik peninjauan dan aliran kerja analisis data pada kadar yang menjadikan pergerakan merentasi banyak sasaran lebih mudah.

Jika dilihat bersama, kedua-dua kes ini menunjukkan peralihan AI daripada pembantu perancangan kepada sistem yang terbina terus dalam kitaran pencerobohan. Model boleh membantu menampung kekurangan kemahiran dalam pengekodan, pentadbiran sistem dan peninjauan, tetapi bukti yang ada masih menggambarkan proses yang dipimpin manusia—bukan sistem yang menetapkan matlamatnya sendiri.

Mengapa model yang kurang sekatan bukan satu-satunya faktor

Laporan berkaitan kes ransomware itu menyebut bahawa penyerang bergantung pada Claude Sonnet 4.6, yang digambarkan oleh sesetengah liputan sebagai model lebih lama atau kurang sekatan. Keadaan itu mungkin mengurangkan halangan bagi permintaan tertentu, tetapi sekatan model sahaja tidak menentukan hasil serangan.

Penyerang masih memerlukan infrastruktur yang terdedah, kelayakan yang boleh digunakan, akses kepada sistem dalaman dan kebenaran untuk membuat perubahan yang memberi kesan besar.

Bahan yang diterbitkan Anthropic mengenai Claude Mythos pula menyatakan bahawa pemantauan dan akses terhad merupakan sebahagian daripada langkah mengurangkan penyalahgunaan siber. Langkah ini boleh meningkatkan kesukaran penyalahgunaan, tetapi ia tidak dapat melindungi organisasi yang VPN, sistem identiti atau antara muka pentadbirannya sudah memberikan capaian berlebihan selepas berjaya dikompromi.

Cadangan cyber-suraksha.ai oleh SEBI India

Lembaga Sekuriti dan Bursa India, atau SEBI, menubuhkan task force cyber-suraksha.ai untuk meneliti risiko keselamatan siber berkaitan kemajuan pesat alat AI, termasuk alat yang direka untuk mengenal pasti kelemahan. Nasihat yang dilaporkan daripada inisiatif itu menggesa entiti yang dikawal selia supaya memperkukuh kawalan pertahanan asas, bukannya bergantung kepada penyedia model untuk menghalang penyalahgunaan.

Antara penekanan utama ialah:

• Tampalan segera: Baiki sistem yang terdedah dan diketahui mempunyai kelemahan tanpa menunggu insiden berlaku.
• Keselamatan API dan pengesahan yang lebih kukuh: Perkemas kawalan akses, pengurusan rahsia serta perlindungan antara muka yang boleh dicapai dari luar.
• Pemantauan berterusan: Pastikan pusat operasi keselamatan, atau SOC, mempunyai keterlihatan yang mencukupi serta keupayaan mengesan dan bertindak balas terhadap aktiviti mencurigakan dengan pantas.
• Pengurusan perubahan yang lebih baik: Sahkan perubahan konfigurasi berimpak tinggi dan kekalkan keupayaan memulihkan keadaan sistem yang diketahui selamat.

Cadangan ini selari dengan kelemahan yang didedahkan dalam kes Gambit. VPN yang telah dikompromi menjadi lebih berbahaya jika ia boleh mencapai perkhidmatan direktori, sandaran dan pangkalan data. Arahan yang dijana AI pula lebih berisiko jika ia boleh mengubah firewall tanpa kelulusan. Kesilapan pemulihan akhirnya menjadi lebih serius apabila proses rollback belum disahkan.

Pengajaran keselamatan yang lebih luas

Laporan Gambit menunjukkan masalah kawalan, bukan semata-mata masalah model. AI boleh memendekkan masa yang diperlukan untuk melakukan peninjauan, menulis skrip dan mengatasi halangan teknikal. Namun apabila keupayaan itu disambungkan kepada infrastruktur produksi, tahap kerosakan yang boleh dilakukan oleh penyerang—atau penyerang yang bekerja dengan sistem AI—ditentukan oleh keizinan, segmentasi, pemantauan dan reka bentuk pemulihan organisasi.

Justeru, perlindungan yang paling kukuh masih berasaskan prinsip yang sudah lama diketahui: akses dengan keistimewaan minimum, pengesahan berbilang faktor, segmentasi ketat antara VPN dan perkhidmatan direktori, sandaran yang dilindungi serta tidak boleh diubah, log terperinci, kelulusan manusia untuk perubahan peranti rangkaian dan prosedur pemulihan yang diuji secara berkala.

AI mungkin mempercepatkan serangan dan pertahanan. Tetapi sistem yang benar-benar berdaya tahan dibina atas kawalan yang terus berkesan walaupun model membuat kesilapan.