Campanha com LLM e ARTEX ataca instituições financeiras sul-coreanas e exfiltra dados

Pesquisadores de segurança documentaram uma campanha dirigida contra entidades financeiras sul-coreanas na qual foram utilizadas ferramentas de ataque impulsionadas por modelos de linguagem para automatizar invasões e extração de dados. Os achados, divulgados por CrowdStrike, apontam para uma operação ativa desde o final de setembro até o início de outubro de 2026 que terminou com exfiltração de informação. A pesquisa detectou artefatos digitais (histórias de sessões de Claude Code, arquivos de memória de Claude e configurações de ARTEX) expostos em diretórios abertos hospedados em um endereço IP com base em Hong Kong, o que permitiu reconstruir partes da infraestrutura e metodologia empregada.

No técnico, a campanha mostrou o uso de ARTEX, um sistema de testes de penetração "agentic" de múltiplos agentes desenvolvido por Autumn-27 e originalmente concebido para avaliação de segurança autorizada. Segundo CrowdStrike, a instância implicada usou como núcleo um modelo rotulado DeepSeek v4.1-flash e complementos como GLM-5.3 (de Z.ai) e Grok 4.6 (SpaceXAI). Há indícios de que o ator concordou com DeepSeek por meio de um revendedor de API (possiível domínio citado como "xcai[.]pro"). A arquitetura observada tinha pelo menos dois servidores: um em Hong Kong (IP 38.244.50[.]120) que funcionava como coluna vertebral do ataque e alojava a instância ARTEX responsável pelas operações contra objetivos sul-coreanos.

Atos confirmados: CrowdStrike publicou que encontrou diretórios abertos com sessões de Claude e arquivos de configuração de ARTEX no IP identificado; a campanha centrou seus esforços em organizações financeiras sul-coreanas e existiu exfiltração de dados; ARTEX era parte da plataforma utilizada e Autumn-27 decidiu converter ARTEX em fechado após detectar seu abuso. Além disso, ferramentas similares de automação com LLMs foram observadas em outras operações criminosas documentadas por pesquisadores externos, como a plataforma de tomada massiva de contas descrita por ZenoX.

Estimações e elementos por confirmar: a atribuição completa não está estabelecida: embora a evidência textual e de língua sugere um operador de fala chinesa motivado por lucro, CrowdStrike não atribui a operação a um grupo conhecido. A relação exata entre o revendedor da API citado e a cadeia de fornecimento de modelos não está confirmada a 100% e algumas sessões contêm dados pessoais que poderiam pertencer ao operador, mas isso ainda não pode ser verificado de forma conclusiva.

A mecânica do ataque combina vários componentes: primeiro, agentes LLM coordenam reconhecimento e descoberta de superfícies de ataque (onde há pontos de autenticação, endpoints vulneráveis ou credenciais reutilizáveis). Depois, os agentes geram e adaptam payloads ou scripts de automação para explorar fragilidades identificadas, e finalmente orquestram exfiltração de dados — tudo com alto grau de autonomia. Na operação paralela que ZenoX investigou (plataforma apodada SCARLET LOOP) observou-se o ciclo completo automatizado: descoberta de objetivos, obtenção de credenciais a partir de vazamentos ou logs de info-stealers, execução automatizada de login com navegadores instrumentados e reportagem de credenciais válidas a canais privados (por exemplo Telegram). Esse relatório documentou centenas de milhares ou milhões de tentativas e milhares de contas válidas, ilustrando a escala que permite a automação com LLMs.

Quem afeta isto? principalmente organizações financeiras, plataformas com alto valor monetário (programas de recompensas, cartões presente, carteiras corporativas) e usuários cujos credenciais estejam filtradas ou reutilizadas. A combinação de bots inteligentes e bases de credenciais amplifica a eficácia de ataques como credential stuffing e toma de contas, e facilita a venda de dados em mercados clandestinos. Além disso, a exposição de sessões e configurações em servidores abertos revela riscos adicionais: fuga de informações operacionais, rotas de acesso a LLMs e pistas para escalar ataques.

Conseqüências reais: aumento de compromissos de contas, roubo de fundos ou benefícios, perda de dados pessoais e comerciais, e escalada de ataques automatizados que requerem respostas a nível de equipamentos de segurança. A médio prazo, a acessibilidade pública de agentic pentesting frameworks e a existência de revendedores de APIs LLM podem reduzir significativamente a barreira técnica para atores menos sofisticados.

Medidas concretas a tomar pelos responsáveis pela segurança: primeiro, realizar um hunt ativo procurando indicadores ligados a esta campanha: conexões invulgares para o IP 38.244.50[.]120 e para serviços de revendedores de LLMs, arquivos de configuração de agentes expostos, fios ou sessões de Claude em repositórios públicos e picos de tentativas de acesso automatizados. Aplicar a filtragem de egress para bloquear domínios e endpoints suspeitos e restringir o acesso a APIs de modelos através de whitelisting e autenticação forte. Na camada de aplicação, implantar defesas contra credential stuffing: exigir MFA robusto (idealmente FIDO2/passkeys), implementar rate limiting e detecção de velocidade/formulario, validar pegadas de navegador e comportamento humano, e usar escores de reputação para início de sessão. Para ambientes de desenvolvimento e testes, auditar e restringir ferramentas de pentesting internas: assegurar que instâncias de ARTEX ou similares só corram em ambientes controlados e que suas configurações jamais se exponham a diretórios públicos.

Recomendações operacionais adicionais: rotar chaves de API que possam ter sido comprometidas, rever logs de exfiltração e atividade anómala (picos de leitura de dados sensíveis), e coordenar com fornecedores de LLM para bloquear usos irregulares. Compartilhar indicadores com comunidades de resposta e autoridades locais ajuda a travar a redistribuição de credenciais e a venda de dados. Para usuários finais, ativar MFA, não reutilizar senhas e monitorar notificações de acessos incomuns; em caso de suspeita, mudar credenciais e denunciar acessos não autorizados.

É importante distinguir a inovação legítima em provas de segurança do abuso criminoso: Autumn-27 anunciou que converter ARTEX em fechado para o mau uso relatado, e isso evidencia um dilema maior no ecossistema de ferramentas agentic. Os defensores devem acelerar a adoção de controles técnicos (limitação de APIs, monitoramento egress, detecção de automação de navegador) e organizacionais (políticas de uso de ferramentas de IA e transparência em fornecedores) para mitigar uma onda de ataques potenciados por LLMs.

Para seguir a pesquisa e obter contexto adicional sobre os relatórios técnicos, pode-se consultar a cobertura da assinatura que divulgou o caso e imprensa especializada: CrowdStrike — Blog e análise e The Hacker News, que cobriram operações semelhantes. Uma vez que há questões abertas sobre atribuição e alcance total dos danos, as organizações afectadas devem assumir que a ameaça é persistente e tomar medidas defensivas imediatas e verificáveis.