AI 脚本横扫防线:美国零售商遭遇 AI 辅助横向渗透的技术剖析
原创
极客零零七
极客零零七
极客零零七
2026年11月17日 07:19
加拿大
去阅读
摘要速览
2026 年 9 月,一家美国零售企业遭遇了一场极具代表性的网络入侵。攻击者在传统手动渗透屡屡受挫后,转而依赖 AI 生成的结构化 PowerShell 脚本,仅用数分钟便突破防线,实现横向移动。该事件由 Symantec 威胁猎人团队披露,成为业界首批公开记录 AI 辅助攻击“提速”实效的案例之一。这一事件不仅揭示了 AI 在攻击链中的新角色,也暴露了传统防御体系在面对自动化、变异化攻击时的短板。
01 事件回顾:从手动失败到 AI 提速
Symantec(赛门铁克) 2026年11月12日报告将本次攻击分为两个明显阶段:
- 手动阶段(2026 年 9 月 21 日):攻击者通过 Web 服务器尝试横向渗透,采用逐条手动命令输入。日志显示多次拼写错误、命令格式混乱,且每次 payload 都被安全软件及时阻断。
- AI 辅助阶段(2026 年 9 月 22 日起):攻击者切换为 AI 生成的 PowerShell 脚本。脚本结构严谨、无拼写错误,带有清晰的标签输出与推理性注释。短短 10 分钟内,攻击者便通过 SolarWinds Orion 系统实现横向移动,成功获取凭据并扩展立足点。
整个过程,从“人肉试错”到“AI 驱动”的切换,极大提升了攻击效率。Symantec 的分析认为,AI 工具在此扮演了“操作员助手”角色——即 operator-in-the-loop:攻击者手动提交 AI 生成的脚本,而非全自动化 agent。
事件未披露具体 AI 工具或模型名称,判断依据为脚本风格、注释模式与提交节奏等特征(详见Dark Reading[https://www.darkreading.com/cyberattacks-data-breaches/inside-ai-attack-us-retailer?utm\_source=openai])。
02 手动渗透 vs AI 辅助攻击:技术与效率的分野
手动阶段的局限
- 低效与高误差率:攻击者在命令行直接输入 payload,频繁出现拼写与语法错误。每次失败后需重新调整命令,整体进展缓慢。
- 易被防御拦截:手动输入的命令缺乏结构化、冗余多,安全软件更容易通过特征匹配、行为分析及时阻断。
- 恢复难度大:每次失败后的“variant”生成依赖攻击者自身经验,难以快速变换 payload 以规避检测。
AI 辅助阶段的突破
- 脚本结构化与无错:AI 生成的 PowerShell 脚本长度显著增加(平均 >500 字符),结构清晰,几乎无拼写或语法错误。
- 标签与注释增强可读性:脚本中普遍带有“# 查询 SolarWinds Orion 配置”此类推理注释,以及分段标签输出,便于调试和追踪执行结果。
- 变异能力强:AI 可根据失败反馈,快速生成新的变体 payload,极大降低恢复和规避门槛。
- 攻击节奏加快:Symantec 记录到,AI 脚本阶段的命令提交间隔仅为数秒至几分钟,10 分钟内便完成横向移动。
这一效率差距,意味着即便攻击者本身技术水平有限,借助 AI 也能实现“专业级”渗透速度。
03 技术细节:AI 脚本的结构与攻击链
AI 脚本的“LLM 特征”
- 注释与标签:大量脚本包含详细注释,如“# 获取 Orion 数据库连接信息”,“# 遍历本地账户”,显示推理链条和操作意图。
- 分段输出:脚本会输出带标签的执行结果,便于攻击者判断每一步是否成功。
- 错误处理完善:相比手动命令,AI 生成脚本更注重异常捕获与输出提示,减少因报错导致的中断。
Operator-in-the-loop 模式
- 非全自动:每条脚本的提交存在明显的人工操作痕迹(如间隔几秒至几分钟),排除了 agent 全自动化横扫的可能。
- 人机协作:攻击者根据现场反馈,调整 prompt 或输入参数,AI 负责生成高质量脚本,形成高效攻防循环。
横向移动路径
- 信息收集:AI 脚本查询 SolarWinds Orion 配置文件,定位数据库连接与凭据存储路径。
- 凭据提取:利用 PowerShell 自动化脚本,解析配置文件,获取敏感账户信息。
- 横向移动:通过已获凭据,尝试登录内网其他主机或数据库,实现权限扩展。
- 变体重试:如遇失败,AI 快速生成变体脚本,调整命令参数或目标路径,持续推进渗透。
报告中披露,本次攻击未出现自动化 C2 框架或自定义 agent 痕迹,AI 主要用于 payload 生成与脚本辅助。
04 AI 驱动攻击的防御挑战
特征检测失效
- 签名与黑名单难以适应:AI 生成脚本变体极多,传统基于命令签名、脚本哈希或静态特征的检测方式难以覆盖全部变种。
- 注释与标签绕过:AI 脚本常带有自然语言注释,容易绕过仅匹配关键命令的检测规则。
行为检测的必要性
- 关注行为序列:防御方需转向对“失败→variant 重试”“短时间内多次横向尝试”等行为模式的监控。
- 异常操作告警:如短时间内对 SolarWinds Orion 配置的重复访问、批量 PowerShell 脚本执行等,均应触发告警。
- 脚本结构识别:分析脚本中标签、注释与分段输出等“LLM风格”特征,辅助判定是否为 AI 生成。
平均缓解时间(MTTM)压力增大
AI 驱动攻击大幅缩短攻击窗口,企业防御的平均响应与缓解时间(Mean Time To Mitigate, MTTM)必须同步提速,否则极易被“秒级横向”突破。
企业防御建议
- 网络分段与最小权限:将关键资产与普通服务器隔离,限制 SolarWinds Orion 等敏感系统的访问范围和凭据暴露面。
- PowerShell 行为监控:对所有 PowerShell 脚本执行进行集中日志收集,重点分析带有注释、标签和分段结构的异常脚本。
-
异常行为告警:
-
短时间内多次变体脚本尝试
- SolarWinds Orion 配置文件的异常访问
-
批量凭据抓取与横向登录行为
-
演练 AI 辅助攻击场景:定期开展“AI 脚本辅助”渗透演练,测试现有检测体系对变异化攻击的感知能力。
- 持续更新检测策略:结合威胁情报,动态调整行为检测模型,关注行业内新兴的 AI 攻击手法。
总结与展望
AI 正在重塑攻击效率的天花板。即便技术水平有限的攻击者,借助 AI 也能在失败后迅速反败为胜,大幅缩短横向移动与权限提升的时间窗口。传统基于特征的检测手段在面对 AI 驱动的变体攻势时愈发乏力,行为驱动的检测与响应体系已成刚需。
未来,防御方需思考:能否用 AI 工具识别 AI 生成脚本?是否有独立模型可检测“LLM风格”代码?在“AI 对抗 AI”的攻防竞赛中,谁能率先实现自动化、智能化的威胁识别与响应,将决定企业安全的底线。
参考资料
- Inside an AI Attack Against a US Retailer | Dark Reading[https://www.darkreading.com/cyberattacks-data-breaches/inside-ai-attack-us-retailer ]
- How AI Revived a Stalled Attack on a U.S. Retailer | SECURITY.COM[https://www.security.com/threat-intelligence/ai-assisted-attack-us-retailer]
- How AI Revived a Stalled Attack on a U.S. Retailer | SECURITY.COM(详细链路分析)[https://www.security.com/blog-post/ai-assisted-attack-us-retailer]
- Attacker Deploys AI to Salvage Failed Retail Breach Campaign | Random Chaos[https://www.randomchaos.us/wire/attacker-deploys-ai-to-salvage-failed-retail-breach-campaign]
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