ARTEX检测规则包发布: 从IOC情报到自动化行为检测与响应
tuto
tuto
杂杂咱谈
2026年11月17日 11:29
福建
去阅读
一、项目概述
MalwareMustDie 发布了一套针对 ARTEX AI 自动化渗透测试框架滥用行为的检测规则包,旨在帮助安全运营中心(SOC)、CERT、CSIRT 及企业防御团队识别利用 AI Agent 发起的自动化攻击活动。
ARTEX 能够借助大语言模型(LLM)自动执行目标侦察、漏洞探测、身份认证攻击、API 枚举、数据收集及云环境持久化等操作,将传统需要数周完成的入侵活动压缩至数小时。
该检测项目并非简单的恶意 IP 或文件哈希 IOC 集合,而是建立了一套完整的检测流程:
- 收集并验证威胁情报。
- 对 IOC 进行可信度和特异性分类。
- 将情报转换为不同安全产品支持的检测规则。
- 通过行为关联识别自动化攻击链。
- 对规则进行误报测试、有效期管理和持续更新。
核心思路:从静态 IOC 检测转向行为优先 (Behavior-First Detection)。
攻击者可以更换 AI 模型、提示词、代理框架和基础设施,但自动化侦察、批量 API 请求、密码喷洒及云权限提升等行为模式相对稳定,因此更适合作为长期检测依据。
二、检测规则包组成
当前规则包覆盖七种安全检测格式,可适配网络流量、身份认证日志、云审计日志、主机进程和文件监控等不同场景。
| 检测格式 | 主要检测内容 |
|---|---|
| Sigma | Web/WAF 请求特征、身份事件、Linux 进程与文件行为、攻击链关联 |
| Microsoft Sentinel KQL | Entra、M365、Azure、AWS 身份行为及 API 重试模式 |
| Suricata 7 | HTTP 请求头、UA、URI、请求体、DNS 回连、JA3/JA4 |
| Snort 3 | HTTP 内容特征、恶意 IP、网络通信特征 |
| osquery | 文件、账户、容器、监听端口及服务器运行痕迹 |
| YARA | WebShell、恶意文件及被植入后门的镜像层 |
| STIX 2.1 | IOC、工具、攻击组织、攻击活动及关联关系 |
其中,Sigma 包含 5 条行为关联规则(B1–B5),后续版本增加了 B6。
检测规则的三个层次
- Artifact(静态特征):检测文件哈希、User-Agent、请求路径、域名、IP 地址等。
- Behavior(行为特征):检测密码喷洒、API 枚举、异常身份操作、自动化侦察等。
- Correlation(关联分析):将多个独立事件按照时间、身份、目标和行为顺序组合,识别完整攻击活动。
单一字符串或 IP 地址不能直接作为 ARTEX 攻击的充分证据,应优先依赖行为组合和上下文关联。
三、ARTEX 相关真实攻击活动分析
3.1 ConnectWise Cloud Backup / Storm-0940 入侵事件
2026 年 10 月,攻击者利用 ConnectWise Cloud Backup 相关应用凭据发起云环境攻击。
主要攻击过程:
- 密码喷洒:攻击者从 144.172.64.99 对 8 个组织的 327 个账户发起超过 151,000 次登录失败请求。
- 凭据窃取:攻击者获取 ConnectWise Cloud Backup 及相关 Cloud Management 应用的客户端凭据。
- 权限提升:恶意服务主体为自身分配目录角色,包括 Exchange Administrator。
- 全局管理员权限:Cloud Management – MS Teams 服务主体进一步获得 Global Administrator 权限。
- 持久化:攻击者通过 Python 脚本添加新的客户端密钥,部分密钥有效期延续至 2028 年。
- 跨租户访问:利用应用凭据获取 Microsoft Graph 访问令牌,对多个租户进行连续扫描。
检测重点:
- 监控服务主体异常自我授权行为。
- 检测应用凭据新增和权限变更。
- 识别异常 Microsoft Graph 访问行为。
- 对跨租户批量登录行为进行关联分析。
这一事件促使项目增加 B6 行为检测规则。
值得注意的是,攻击者进行 Global Administrator 权限提升时,使用的是微软内部 IPv6 地址。因此,单纯依靠 IP 黑名单或来源地址过滤可能无法发现攻击。
3.2 韩国金融行业攻击活动
2026 年 9 月下旬至 10 月初,韩国金融行业出现与 ARTEX 相关的自动化攻击活动。
主要特点:
- 攻击基础设施包括
38.244.50.120。 - 使用 DeepSeek、GLM 和 Grok 等模型辅助自动化操作。
- 重点攻击贷款查询服务、员工移动办公应用等外围系统。
- 利用身份认证和访问控制缺陷获取业务数据。
- 通过代理 IP 隐藏攻击来源。
其中一个案例涉及约 25,000 条记录的数据收集,持续约 30 小时,平均每分钟仅访问约 14 条记录。
检测重点:
传统流量阈值检测可能无法识别这种低速数据收集行为。
因此,规则增加了以下检测逻辑:
- 按用户身份或会话统计不同业务记录 ID。
- 检测长时间内异常访问大量不同客户、贷款或申请记录。
- 优先监控合作伙伴门户、员工移动应用及业务查询 API。
- 将代理 IP 作为辅助情报,而不是直接阻断依据。
3.3 日本企业攻击活动
2026 年 9 月至 10 月,日本出现针对多家企业的 AI 自动化攻击活动。
根据 GMO Cybersecurity 和 JPCERT/CC 相关报告,攻击活动具有以下特征:
- 对目标系统进行大范围漏洞和配置扫描。
- 分析公开 Android 应用,提取后端 API 地址及访问密钥。
- 绕过正常应用访问控制,尝试访问内部 API。
- 通过修改 HTTP Header、伪造 Token 等方式测试权限控制。
- 利用 NoSQL 注入等方式探测账户信息。
- 尝试通过 SSRF 重定向访问内部服务及云元数据。
- 下载配置文件、备份文件,并在应用服务器植入 WebShell。
攻击者还使用了以下工具和技术:
- Claude Code、OpenAI Codex CLI、Qwen。
- jadx、Blutter 等 Android 逆向工具。
- SSRF 测试脚本。
- MySQL、Jenkins 和邮件网关相关攻击工具。
检测重点:
- 监控移动应用未正常调用的内部 API。
- 检测异常 Header、畸形 Token 和 JWT 参数变化。
- 识别 SSRF 请求及内部地址重定向。
- 监控
.env、.bak、.zip、.sql等敏感文件下载。 - 检测 WebShell 文件写入和异常进程执行。
四、行为检测规则 B1–B6
这套规则的核心是通过多个事件之间的关系识别 AI 自动化攻击,而不是依赖某个固定恶意字符串。
| 规则 | 主要检测方向 | 关注行为 |
|---|---|---|
| B1 | 自动化侦察与漏洞探测 | 多漏洞扫描、API 探测、配置文件下载、SSRF |
| B2 | API 与身份认证滥用 | 权限枚举、Token 变形、异常记录访问 |
| B3 | 密码喷洒 | 高频登录失败、轮换 UA、跨账户认证尝试 |
| B4 | 云环境与密钥滥用 | ARM API 重试、暴露凭据利用 |
| B5 | 主机入侵与持久化 | WebShell、恶意工具及异常文件活动 |
| B6 | 云身份权限提升与持久化 | 服务主体自我授权、全局管理员权限分配、凭据新增 |
其中 B6 是 ConnectWise 事件分析后新增的重要规则。
它特别关注以下行为组合:
- 服务主体异常获得目录角色。
- 应用身份提升至 Global Administrator。
- 未经预期的客户端密钥新增。
- 应用凭据被用于持续访问云服务。
这种检测方式不依赖固定来源 IP,即使攻击者通过合法云基础设施发起操作,也有机会被发现。
五、IOC 可信度分级机制
将检测情报划分为不同可信度等级,避免将普通网络基础设施或通用工具特征误判为 ARTEX 专属 IOC。
| 等级 | 含义 | 处置建议 |
|---|---|---|
| T1 | 高可信度、与 ARTEX 或特定攻击活动直接关联 | 高优先级告警 |
| T2 | 有较强来源支持,但需要结合环境判断 | 告警并关联其他事件 |
| T3 | 共享代理、VPS、VPN 出口等基础设施情报 | 辅助关联和历史追踪 |
| T4 | 通用工具特征、模型生成字符串或归属不确定的指标 | 仅作为辅助线索 |
需要特别注意:
- T3 IP 情报不能直接作为自动封禁依据。
- 178.16.54.0/24被标记为仅告警。
- JPCERT/CC 公布的部分 IP 可能已经被合法用户使用。
- 通用 User-Agent 不能单独作为 ARTEX 入侵证据。
IOC 与行为规则的有效期
项目采用不同的生命周期管理策略:
- D0:短期静态特征。
- D1:中期可追踪特征。
- D2:长期行为检测逻辑。
其中,IP 指标的告警有效期为 90 天,历史追踪窗口为一年,而行为规则不设置固定过期时间。
这意味着攻击者即使更换 IP、域名或 AI 模型,防御方仍然可以通过长期有效的行为规则识别攻击。
六、IOC 转换为检测规则的标准流程
项目制定了八个阶段的情报处理流程,确保每条检测规则都有明确来源和验证依据。
| 阶段 | 处理步骤 | 核心任务 |
|---|---|---|
| G1 | 情报收集与标准化 | 去重、规范化、记录来源 |
| G2 | 来源验证 | 确认情报可靠性 |
| G3 | 特异性分类 | 判断是否为 ARTEX 专属特征 |
| G4 | 排除检查 | 排除合法业务、隐私信息及误导性指标 |
| G5 | 可信度分级 | 确定告警等级和处置方式 |
| G6 | 格式转换 | 转换为 Sigma、KQL、YARA 等规则 |
| G7 | 关联逻辑设计 | 设计正则、关键词及多事件关联条件 |
| G8 | 生命周期与测试 | 设置有效期并开展误报验证 |
这套流程的重点是:任何 IOC 都不能仅凭未经验证的报告直接进入高优先级检测规则。
七、检测规则的部署与验证
目前规则包中的所有规则均属于实验性规则。
现有测试主要包括合成数据上的结构和逻辑验证,实际环境中的检测效果仍需要进一步验证。
建议按照以下流程部署:
- 将规则部署至监控模式。
- 使用至少 7 天的正常业务数据进行误报测试。
- 检查规则是否误报正常用户、代理服务及云平台业务。
- 结合真实攻击日志进行验证。
- 确认检测结果后,再逐步接入 SOC 告警和自动化响应流程。
特别提醒:不要直接对 T3 IP 情报实施自动封禁。
Zeek 网络流量检测
针对 Zeek 检测方案,尝试将已发布的检测特征应用于网络流量分析。
主要思路:
- 提取 HTTP 请求及响应信息。
- 识别异常 User-Agent、URI 和请求特征。
- 结合网络连接及 DNS 信息。
- 使用 SumStats 对多个事件进行统计和关联。
- 将网络层检测结果与主机、身份及云审计日志结合。
这种方式能够将原本分散在不同安全设备中的检测信息整合起来,提升对自动化攻击链的识别能力。
八、暂缓发布的检测指标
可以专门设置了 HOLD 队列,部分尚未获得充分公开证据支持的指标暂不进入正式规则包。
包括:
- ARTEX 控制台 Favicon 哈希。
- Health API 接口特征。
- 被植入后门的二进制文件哈希。
- Git 作者邮箱。
- 部分 ARTEX Fork 专属 User-Agent。
- Windows 主机文件和账户特征。
- 部分 JSP WebShell 文件名。
- 攻击者利用 LLM 凭据进行自我资助的行为链。
- Deepfake / KYC 相关指标。
其中部分指标在后续版本中经过进一步验证后获得了升级,但不能将所有 HOLD 指标都视为已经确认的恶意特征。
九、规则包版本更新
截至到当前版本,项目已经进行了多轮更新。
| 版本 | 主要更新 |
|---|---|
| v1.1.0 | 引入 D0/D1/D2 生命周期分类,调整 IP 告警和追踪期限,发布 B6 |
| v1.1.1 | 增加 ARTEX Fork User-Agent、Cognito、CloudWatch 及 Unit 42 相关特征 |
| v1.1.2 | 整合 FBI FLASH 报告中的情报 |
| v1.1.3 | 将经过内部确认的 Sophos X-Ops 指标从 HOLD 队列升级 |
| v1.1.4 | 增加 ScopeWeaver WinRM/PsExec 横向移动检测,以及两个 Fork User-Agent |
v1.1.4 的更新重点是补充横向移动检测,进一步覆盖攻击者在初始入侵之后利用 Windows 远程管理机制扩展访问范围的行为。
十、下载地址与部署资源
项目采用开源方式发布,相关检测规则、测试脚本和情报文件均可在官方仓库获取。
MalwareMustDie 官方项目
检测规则及配套资源
-
MalwareMustDie GitHub
-
https://github.com/unixfreaxjp/malwaremustdie/tree/master/etc/artex-stix-osquery-sigma-kql-snort-suricata-yara
主要资源包括:
- Sigma 检测规则。
- Microsoft Sentinel KQL 查询。
- Suricata 7 和 Snort 3 规则。
- osquery 主机检测配置。
- YARA 文件检测规则。
- STIX 2.1 威胁情报包。
- Python 离线规则测试脚本。
十一、安全分析与总结
ARTEX 检测规则包反映了 AI 自动化攻击背景下,传统威胁检测体系面临的一个重要变化:攻击者不再只是使用固定脚本执行单一漏洞利用,而是通过 LLM 将侦察、漏洞探测、身份攻击、数据收集和云环境持久化整合为连续的自动化工作流。
这套检测方案具有三个值得关注的特点:
1. 从 IOC 转向行为检测
攻击者可以频繁更换 IP、域名、User-Agent 甚至 AI 模型,但自动化 API 枚举、异常身份授权和批量数据访问等行为仍然具有可检测性。
2. 从单点告警转向攻击链关联
将网络流量、主机进程、身份认证及云审计日志进行关联,有助于识别分散在不同系统中的攻击阶段。
3. 从静态规则转向持续验证
通过情报可信度分级、规则生命周期管理和误报测试,减少过期 IOC 和未经验证的检测特征对正常业务造成的影响。
总体来看,MMD-072-2026 不只是一个 ARTEX 恶意指标集合,更是一套将 AI 攻击情报转化为可部署检测能力的方法论。 对于正在建设 SOC、SIEM、NDR 或 XDR 平台的企业安全团队,这套方案具有一定的参考价值。
版权声明
本站仅做备份收录,仅供研究与教学参考之用。
读者将信息用于其他用途的,全部法律及连带责任由读者自行承担,本站不承担任何责任。










评论