Campagne avec LLM et ARTEX attaque les données des institutions financières sud-coréennes et des exfiltres

Les chercheurs en matière de sécurité ont documenté une campagne dirigée contre les institutions financières sud-coréennes en utilisant des outils d'attaque de langue pour automatiser les intrusions et l'extraction de données. Les résultats, publiés par CrowdStrike, indiquent une opération active de la fin de septembre au début d'octobre 2026 qui s'est terminée par l'exfiltration d'informations. La recherche a permis de détecter des artefacts numériques (histoires de sessions Claude Code, fichiers de mémoire Claude et configurations ARTEX) exposés dans des répertoires ouverts hébergés dans une adresse IP basée à Hong Kong, ce qui a permis la reconstruction de parties de l'infrastructure et de la méthodologie utilisées.

En termes techniques, la campagne a montré l'utilisation d'ARTEX, un système d'essai de pénétration "agène" multi-agents développé à l'automne-27 et initialement conçu pour une évaluation de sécurité autorisée. Selon CrowdStrike, l'instance concernée a utilisé comme noyau un modèle de DeepSeek v4.1-flash étiqueté et des accessoires tels que GLM-5.3 (Z.ai) et Gook 4.6 (SpaceXAI). Il y a des indications que l'acteur a accédé à DeepSeek par l'intermédiaire d'un revendeur d'API (domaine possible cité comme "xcai [.] pro"). L'architecture observée avait au moins deux serveurs : un à Hong Kong (IP 38.244.50 [.] 120) qui fonctionnait comme l'épine dorsale de l'attaque et accueillait l'instance ARTEX responsable des opérations contre des cibles sud-coréennes.

Faits confirmés: CrowdStrike a publié qu'il a trouvé des répertoires ouverts avec des sessions Claude et des fichiers de configuration ARTEX dans l'IP identifié; la campagne a concentré ses efforts sur les organisations financières sud-coréennes et l'exfiltration de données existait; ARTEX faisait partie de la plateforme utilisée et Automne-27 a décidé de transformer ARTEX en fermé après avoir détecté ses abus. En outre, des outils d'automatisation similaires avec des LLM ont été observés dans d'autres opérations criminelles documentées par des chercheurs externes, comme la plate-forme de comptabilité massive décrite par ZenoX.

Estimations et éléments à confirmer: l'attribution complète n'est pas établie : bien que la preuve textuelle et linguistique suggère un opérateur de langue chinoise à but lucratif, CrowdStrike n'attribue pas l'opération à un groupe connu. La relation exacte entre le revendeur API susmentionné et la chaîne d'approvisionnement modèle n'est pas confirmée à 100% et certaines sessions contiennent des données personnelles qui pourraient appartenir à l'opérateur, mais cela ne peut pas encore être vérifié de manière concluante.

La mécanique de l'attaque combine plusieurs composants : premièrement, les agents LLM coordonnent la reconnaissance et la découverte des surfaces d'attaque (où il y a des points d'authentification, des paramètres vulnérables ou des références réutilisables). Ensuite, les agents génèrent et adaptent des charges utiles ou des scripts d'automatisation pour exploiter des fragments identifiés, et enfin orchestrent l'exfiltration de données - le tout avec un haut degré d'autonomie. Dans l'opération parallèle que ZenoX a étudiée (plateforme appelée SCARLET LOOP), le cycle automatisé complet a été observé: découverte de cibles, obtention d'identifications par des fuites d'info-stealers ou des journaux, exécution automatisée de la première session avec des navigateurs instrumentés et rapport d'identifications valides aux canaux privés (par exemple Telegram). Ce rapport documentait des centaines de milliards de tentatives et des milliers de comptes valides, illustrant l'échelle qui permet l'automatisation avec les LLM.

Qui cela affecte - t - il? En particulier les organisations financières, les plateformes à haute valeur monétaire (programmes de récompenses, cartes cadeaux, portefeuilles d'entreprise) et les utilisateurs dont les références sont filtrées ou réutilisées. La combinaison de bots intelligents et de bases de références amplifie l'efficacité d'attaques telles que le rembourrage et la responsabilisation des titres de compétence, et facilite la vente de données sur les marchés clandestins. En outre, l'exposition de sessions et de configurations sur serveurs ouverts révèle des risques supplémentaires : fuite d'informations opérationnelles, voies d'accès aux LLM et pistes d'escalade d'attaque.

Conséquences réelles : responsabilisation accrue, vol de fonds ou d'avantages, perte de données personnelles et commerciales et escalade des attaques automatisées qui nécessitent des réponses à l'échelle des équipes de sécurité. À moyen terme, l'accessibilité du public aux cadres de test agénique et l'existence de revendeurs APis LLM peuvent réduire considérablement la barrière technique pour les acteurs moins sophistiqués.

Mesures spécifiques à prendre par les agents de sécurité: d'abord, faire une chasse active à la recherche d'indicateurs liés à cette campagne : connexions inhabituelles à IP 38.244.50 [.] 120 et aux services de revendeurs LLMs, fichiers de configuration d'agents exposés, threads ou sessions Claude dans des dépôts publics et des pics de tentatives d'accès automatisés. Appliquer le filtrage d'évacuation pour bloquer les domaines et les paramètres suspects et restreindre l'accès aux modèles d'API au moyen d'une liste blanche et d'une authentification forte. Dans la couche d'application, déployez des défenses contre la farce crédentale : exigez un MFA robuste (idéalement FIDO2 / mots de passe), implémentez la limitation de vitesse et la détection de la vitesse / forme, validez les impressions du navigateur et le comportement humain, et utilisez les scores de réputation pour se connecter. Pour l'environnement de développement et de test, vérifier et limiter les outils de pénalisation interne : s'assurer que ARTEX ou des instances similaires ne fonctionnent que dans des environnements contrôlés et que leurs configurations ne sont jamais exposées aux répertoires publics.

Recommandations opérationnelles supplémentaires : Rotation des clés API qui peuvent avoir été compromises, examen des journaux d'exfiltration et de l'activité anormale (points sensibles de lecture des données), et coordination avec les fournisseurs de LLM pour bloquer les utilisations irrégulières. Le partage d'indicateurs avec les collectivités et les autorités locales contribue à freiner la redistribution des références et la vente de données. Pour les utilisateurs finaux, activer MFA, ne pas réutiliser les mots de passe et surveiller les notifications d'accès inhabituel; en cas de suspicion, modifier les pouvoirs et signaler un accès non autorisé.

Il est important de distinguer l'innovation légitime dans les tests de sécurité des abus criminels: L'automne-27 a annoncé qu'il transformerait ARTEX en fermé face à la mauvaise utilisation signalée, ce qui montre un plus grand dilemme dans l'écosystème des outils d'agents. Les défenseurs devraient accélérer l'adoption de contrôles techniques (limitation des IAP, surveillance de l'évacuation, détection de l'automatisation du navigateur) et organisationnels (politiques d'utilisation des outils IA et de transparence des fournisseurs) pour atténuer une vague d'attaques renforcée par les LLM.

Pour suivre l'enquête et obtenir un contexte supplémentaire sur les rapports techniques, vous pouvez voir la couverture de l'entreprise qui a publié l'affaire et la presse spécialisée: CrowdStrike - Blog et analyse et Les nouvelles Hacker ils ont couvert des opérations similaires. Étant donné qu'il y a des questions ouvertes sur l'attribution et l'ampleur totale des dommages, les organisations concernées doivent supposer que la menace est persistante et prendre immédiatement des mesures défensives vérifiables.