ARTEX检测规则包发布:从IOC情报到自动化行为检测与响应

admin 2026-11-18 01:12:57 网络安全文章 来源:ZONE.CI 全球网 0 阅读模式

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

  1. Artifact(静态特征):检测文件哈希、User-Agent、请求路径、域名、IP 地址等。
  2. 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。
  3. 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:

  1. 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。
  2. 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。
  3. 权限提升:恶意服务主体为自身分配目录角色,包括 Exchange Administrator。
  4. 全局管理员权限:Cloud Management – MS Teams 服务主体进一步获得 Global Administrator 权限。
  5. 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。
  6. 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:

  1. 对目标系统进行大范围漏洞和配置扫描。
  2. 分析公开 Android 应用,提取后端 API 地址及访问密钥。
  3. 绕过正常应用访问控制,尝试访问内部 API。
  4. 通过修改 HTTP Header、伪造 Token 等方式测试权限控制。
  5. 利用 NoSQL 注入等方式探测账户信息。
  6. 尝试通过 SSRF 重定向访问内部服务及云元数据。
  7. 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:

  1. 将规则部署至监控模式。
  2. 使用至少 7 天的正常业务数据进行误报测试。
  3. 检查规则是否误报正常用户、代理服务及云平台业务。
  4. 结合真实攻击日志进行验证。
  5. 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。

    评论:0   参与:  0