AIは現実世界のサイバー攻撃において存在感を増しており、脅威アクターによる侵入の実行、認証情報の窃取、ネットワーク内の探索、価値の高い標的の特定を支援している。
Gambit Securityによる調査では、無関係な3つの脅威アクターを調べた結果、攻撃者が侵入のライフサイクル全体でAIを組み込んでおり、その用途がフィッシングやマルウェア生成を超えて広がっていることが分かった。
「1つ、切り分けて考えるべき発見がある。最初の事例では、オペレーターは被害者の環境を把握していなかった」と研究者らは述べた。
研究者らは、「彼は[AI]モデルに、どのデータベースが最も重要かを尋ねた。モデルはそれらを順位付けし、企業が最も失うわけにはいかない2つを指摘した」と説明している。
脅威アクターが攻撃でAIを使う方法の主なポイント
- AIは運用上の攻撃ツールになりつつあり、脅威アクターは偵察、脆弱性の悪用、トラブルシューティング、横展開、価値の高い標的の特定にAIを使っている。
- AIは攻撃者の意思決定を高速化でき、Claude Codeは未知の被害者環境を分析し、The Gentlemen affiliateが標的にすべきシステムやデータベースを推奨した。
- 認証情報の窃取は大規模に自動化でき、ZerofotはAIで開発したツールを使い、2か月足らずで1,742台の被害ホストから2,975件の有効性を確認した認証情報を収集した。
- AIは攻撃インフラを支援でき、Claude CodeはZerofotの運用タスクを管理し、RAGEはLLMを悪用フレームワークに直接組み込んだ。
- 防御側は、より高速化する攻撃者のワークフローを考慮する必要があり、ID管理、認証情報の保護、ネットワークのセグメンテーション、監視、検証済みのインシデント対応計画の重要性が一段と高まっている。
脅威アクターによるAIの利用方法
| 脅威アクター／キャンペーン | AIツール | AIの利用方法 | 主な発見 |
|---|---|---|---|
| The Gentlemen affiliate | Claude Code | 偵察、脆弱性の悪用、横展開、スクリプト作成、システム分析、標的の優先順位付け | AIは未知の被害者環境の探索と、価値の高いシステムやデータの特定を支援した。 |
| Zerofot | Claude Code、OpenAI Codex | スキャナー開発、認証情報の収集、インフラ管理、プロキシ管理、トラブルシューティング | AIを活用したツールにより、1,742台の被害ホストから2,975件の有効性を確認した認証情報を収集した。 |
| RAGE | AI生成コード、DeepSeekを基盤とするAI Orchestrator | エクスプロイト開発、認証情報の収集、暗号資産マイナーの展開、ボットネット運用 | AIは攻撃ツールの構築を支援するために使われ、悪用フレームワークに直接組み込まれていた。 |
侵入のライフサイクル全体で攻撃者がAIを使う方法
今回の調査結果は、生成AIが悪意のあるコードの作成やフィッシング攻撃の準備だけに使われるツールではなくなりつつあることを示している。
3つの事例すべてで、脅威アクターはタスクの自動化、問題のトラブルシューティング、侵害された環境の分析、次の行動の指針策定にAIを使っていた。
AIはまったく新しい攻撃手法を生み出したというより、主に攻撃力を増幅する役割を果たし、攻撃者が既存の手法をより高速に実行し、状況の変化に合わせて作戦を適応させることを支援していた。
The Gentlemen affiliateは侵入の実行中にAIを利用
最も明確な事例の1つは、The Gentlemenランサムウェア・アズ・ア・サービス（RaaS）事業の関連攻撃者とみられる人物に関するものだった。
Gambitは、脅威アクターが少なくとも6組織への侵入中にClaude Codeを使っていたことを確認し、過去に起きた2件の侵害にもこの攻撃者を関連付けた。
被害者は複数の業界や国にまたがっており、オーストラリアのエネルギー公益事業会社、モーリシャスの金融サービス企業、タイと米国の製造業者、マレーシアのITサービス企業などが含まれていた。
これらの侵入で、Claude Codeは攻撃者の対話型アシスタントのように機能した。
オペレーターはこれを使って偵察や悪用のコマンドを生成・実行し、悪意のあるスクリプトを作成し、ファイアウォールポリシーを変更し、作戦に関係する情報を得るために業務システムを分析した。
AIは、コマンドの失敗やエラーに対しても、アプローチを調整して代替案を試すことができた。これは、攻撃者がコード片を要求して手動で実行するだけでなく、LLMを対話的に利用できることを示している。
ドメイン認証情報とVPNアクセスを取得した後、オペレーターはClaudeを使って、被害者ネットワーク内での偵察と横展開を支援した。
AIはネットワーク列挙ツールの出力を分析し、盗まれた認証情報で管理者アクセスが可能になるシステムを特定し、ドメインコントローラー、ファイルサーバー、バックアップサーバーなどの潜在的な標的を推奨した。
別の事例では、Claudeがアプリケーションのデータベースとバックアップインフラを分析し、攻撃者が価値の高い本番データを特定し、バックアップの保存場所を把握するのを支援した。
ZerofotはAIを使って大規模に認証情報を収集
2つ目の事例では、Zerofotとして知られる脅威アクターが、AIによって攻撃者が悪意のあるインフラを大規模に開発・運用できることを示した。
オペレーターはOpenAI CodexとClaude Codeを使ってauto_scanというカスタムスキャナー兼認証情報収集ツールを構築した。このツールはインターネットからアクセス可能なシステムを検索し、機密情報を含む露出した設定ファイル、ディレクトリ、その他のファイルを探した。
このスキャナーは潜在的な認証情報を抽出し、AWS、OpenAI、Anthropic、GitHub、GitLab、Stripeなどのサービスやその他のプロバイダーに対して有効性を検証した。
Zerofotは大量の盗まれた認証情報を蓄積し、2026年4月から5月にかけて、1,742台の被害ホストから2,975件の検証済みキーと認証情報を収集した。
その中には、661個のSSH秘密鍵、214アカウントに関連付けられた635個のAWSアクセスキー、448個のGoogle Geminiキー、254個のOpenAIキー、205個のGitHubトークン、176個のAnthropicキーが含まれていた。
Zerofotの活動におけるAIの役割は、スキャナーの開発だけにとどまらなかった。
Claude Codeは、活動を継続するために必要なITおよびDevOpsのタスクも処理した。
これには、スキャナーのインフラとプロキシの管理、ネットワーク経路の確認、ファイアウォール設定の変更、認証情報収集環境のトラブルシューティングなどが含まれる。
これは攻撃者にとっての別の潜在的な利点を示している。AIは侵入そのものだけでなく、それを取り巻くインフラや運用作業も支援できるのだ。
RAGEはAIを悪用フレームワークに統合
3つ目の事例では、Gambitの研究者がRAGEを調査した。RAGEは、インターネットに公開されたサービスのスキャン、脆弱な環境の悪用、認証情報の収集、暗号資産マイナーの展開を目的に設計されたカスタムPythonフレームワークだ。
このフレームワークには、Redis、Elasticsearch、Docker、Tomcat、Jenkins、Hadoop YARN、Confluence、Supervisordなどのサービスを標的とするモジュールが含まれていた。
Gambitの研究者は、RAGEと付属スクリプトの多くがAIで生成されたことを示す兆候を発見した。その中には、モデルの一人称による自己修正型の推論と思われる内容を残したコメントやドックストリングも含まれていた。
RAGEは攻撃フレームワークにLLMを直接組み込むことで、AI統合をさらに一歩進めていた。
そのオペレーターダッシュボードには、マイニングボットネットを運用するオペレーターに助言するよう設計された、DeepSeekを基盤とする「AI Orchestrator」が含まれていた。
この3つの事例は、攻撃者がAIを使って侵入を実行し、認証情報の窃取を自動化し、AI支援型の攻撃フレームワークを構築していることを示している。
AIを利用した攻撃のリスクを低減する方法
組織は、ID管理とインフラのセキュリティを強化することで、AIを支援に使った攻撃がもたらすリスクを低減できる。
- とMFAおよび最小権限アクセスを適用することで、管理者アカウント、クラウドID、その他の特権システムに対する盗まれた認証情報の影響を抑える。
- 認証情報と秘密情報を保護し、定期的にローテーションするため、ハードコードされた認証情報を排除し、集中型の秘密情報管理を利用し、可能な限り有効期間の短い認証情報を優先する。
- インターネットに公開されたサービスの露出を減らすため、管理インターフェースを制限し、VPN、Redis、Dockerなど外部からアクセス可能なシステムを強化する。
- ネットワークをセグメント化し、重要インフラを保護することで、横展開を制限し、ドメインコントローラー、バックアップサーバー、データベースなど価値の高いシステムを隔離する。
- 監視する対象は、不審なIDおよび認証情報の活動であり、通常とは異なるアクセスキーの作成、ロールの引き受け、秘密情報の取得、権限昇格、異常な認証試行などが含まれる。
- テストインシデント対応計画を実施し、攻撃シミュレーションツールを、認証情報の窃取、データの持ち出しと破壊、ランサムウェアを想定したシナリオで使用する。
これらの対策を組み合わせることで、攻撃が成功した場合の被害範囲を抑えながら、AI支援型の脅威に対するレジリエンスを高めることができる。
要点
より重大な変化は、攻撃者のワークフローが圧縮されていることだ。
これらの事例は、AIが未知の環境を解釈し、失敗した操作のトラブルシューティングを行い、価値の高い資産を優先し、攻撃インフラを維持していることを示している。従来、こうした作業にはより多くの脅威アクターの時間と専門知識が必要だった。
こうした能力が向上するにつれ、セキュリティプログラムでは、攻撃者の滞留時間や運用速度に関する前提を見直す必要が生じる可能性がある。
攻撃者のワークフローが高速化する中、Zero Trustは、組織がアクセスを制限し、初期侵害後の横展開を抑えるのに役立つ。