ARTEX 与人工智能赋能的红队测试工具:防御者需要了解的内容
原创 PaloAltonetwork 2026-11-16 08:00 美国

作者:Cuong Dinh,Richard Emerson,Samantha Stallings,Ofek Lahiani,Ben Magee
发布时间:2026年11月11日
迅速扩张的人工智能赋能工具生态系统,诸如 ARTEX 和 CyberStrikeAI 等以红队测试和渗透测试名义进行宣传,但正被攻击者用于自主执行攻击行动。
它们的数量已经相当可观。Unit 42 已经观察到 ARTEX 被用于针对多个目标的入侵尝试中。
我们的事件响应团队调查了多起入侵事件,其中攻击者的服务器托管了 ARTEX 控制台,或使用了与 ARTEX 关联的基础设施和用户代理。
另外,Unit 42 托管威胁猎取(Managed Threat Hunting)团队追踪了一起针对全球各行业(包括零售和咨询行业)客户云环境的协调配合的 ARTEX 活动。
外部审查已经扰乱了项目生命周期:ARTEX 的作者最近将代码库转为闭源,并停止了公开开发,以防止被滥用。新兴的替代品正在迅速填补这一空白,并引入了威胁人员不可避免会利用的新功能。
在此,我们分享了关于攻击者如何使用人工智能驱动的红队工具的观察结果,以及我们对防御者如何进行缓解的建议。
1. 为什么 ARTEX 对攻击者来说是一个如此高效的工具?
ARTEX 和其他红队测试平台免费、部署快捷,并且除了需要访问大语言模型(LLM)之外几乎不需要其他东西。
ARTEX 是一个开源的多智能体人工智能渗透测试框架,于 2026 年年中首次发布。此后,它被广泛进行了分支(fork)派生。
攻击者可以使用 ARTEX 来评估响应、在某些环节失败时进行调整,并继续追求其目标。他们可以针对组织暴露在互联网上的身份工作流和 API,然后利用相关的凭据和信任关系进入云端。
2. 人工智能驱动的红队与渗透测试生态系统基础设施
截至 2026 年 10 月,Unit 42 识别出 1,323 个运行 CyberStrikeAI 的面向互联网的主机和 609 个运行 ARTEX 的主机。值得注意的是,有 21 台主机同时运行这两者。
Unit 42 分析了渗透测试和红队测试工具生态系统中的 14 种工具,重点介绍了 12 种新兴工具以及 CyberStrikeAI 和 ARTEX。
这些人工智能辅助的红队活动工具可以分为四类。
| 类别 | 工具 | 目标 |
| 侦察与攻击面管理 | ARL, ARL-Next, Scope Sentry, Nemo, XingRin, OpenEASD | 识别存在哪些资产、暴露了什么以及发生了什么变化 |
| 智能体主导的测试与漏洞猎取 | CyberStrikeAI, ARTEX, Cairn, PentAGI, AutoHunter | 管理应调查的内容以及系统如何对其采取行动 |
| 源代码审计与验证 | DeepAudit, AIxVuln | 识别源代码在何处可能存在漏洞以及支撑该发现的内容 |
| 人工智能系统安全评估 | AI-Infra-Guard | 识别人工智能基础设施、智能体、工具和模型接口是否存在漏洞或不可靠 |
表 1.工具类别
3. 对防御者的影响
防御者应了解人工智能驱动的红队平台的以下影响:
3.1. 降低了攻击者的技能门槛
对手不再需要专门的技术来执行多阶段、自适应的渗透测试。
现成的工具与 DeepSeek 等 LLM 相结合,使出于经济动机的恶意行为者能够以极低的计算成本发起和管理数十起复杂、并发的网络入侵。
3.2. 互联网暴露资产的风险
任何暴露在互联网上的资产,无论组织规模或行业如何,都同样容易受到自动化、持久入侵尝试的影响。
使用自主人工智能渗透测试框架 ARTEX 的攻击者正在将公共密码重置页面和暴露的 API 变成通往云访问的路径,有时甚至在一天之内就能完成。Unit 42 事件响应和托管威胁猎取团队在多个组织和行业中观察到了这种活动,且没有利用任何单个软件漏洞。
由于这些自主平台无法针对它们找不到的目标,因此持续发现和缓解暴露的边缘资产仍然是抵御自动化活动的有效屏障。
3.3. 主动采用人工智能有助于防御者
自主测试框架依赖于基础的 LLM 推理模式。因此,人工智能驱动的对手工具具有一定的可预测性。
安全团队不需要去猜度智能体的具体方法;他们可以在内部部署相同的开源攻击性框架,以便在外部智能体发现之前浮现、验证和修复脆弱的暴露面。
3.4. 防御者受益于追踪生态系统变化
该生态系统中工具的快速采用曲线突显了运营趋势的变化速度之快。密切关注这些发展可提供实际的防御优势:
观察新兴的智能体主导框架使团队能够在受控环境中尽早测试新功能。
监控托管这些工具的基础设施,使得在主动定向攻击开始之前更新边界拦截成为可能。
3.5. 当前的人工智能驱动框架动静很大(Noisy)
当前的自主框架优先考虑快速的反复试错,而不是隐蔽性。在我们对一款名为 Cairn 的工具的研究中,它从单个源 IP 地址跨多个边缘协议生成了数十万个嘈杂的高频请求。具有统一边界遥测和集中式日志记录的组织可以轻易地将这种强力智能体流量与合法用户区分开来,并在利用发生之前在网络边缘阻止这些活动。
3.6. 防御性诱饵(Deception)可能会有所帮助
由 LLM 驱动的测试工具使用目标响应作为跟进行动的上下文。防御者或许可以利用这一点,诱使使用人工智能驱动的红队工具的攻击者浪费资源。当目标提供相同、通用的错误代码或强制执行静默连接限流时,人工智能智能体就缺乏适应所需的上下文线索。失去了环境反馈,自主循环就会将上下文窗口和计算预算耗费在死胡头上。
4. 识别人工智能驱动的操作员(Operator)
ARTEX 经常被分叉和修改。此外,攻击者会快速轮换基础设施,因此入侵指标(IOC)会迅速失去价值。操作员的行为方式更具持久性,在我们观察到的行为中,这些行为一致地指向一个对其所见做出反应的自动规划器。
表 2 显示了这种行为的特征。
| 特征 | 我们观察到的情况 |
| “思考后行动”的节奏 | 一到十四个请求的爆发,彼此间隔约一秒,随后暂停 25 到 31 秒,这与等待模型推理调用的智能体相一致。 |
| 机器速度 | 在凭据下载后的一分钟内进行枢纽(pivot)利用。在约三分钟内验证了 200 多个客户端密钥。 |
| 规范驱动的目标定位 | 几乎立即针对下载的 OpenAPI 规范和源映射(source maps)进行路由。 |
| 自我修正 | 失败的请求(HTTP 422)在片刻之后得到调整并成功重试。 |
| 检查自己的工作 | 在几乎每一次成功的写入之后,都会对同一路径进行 GET 请求。在存储桶上进行“写入后删除”测试。 |
| 金丝雀(Canary)输入 | 在真实用户名之前输入虚假用户名,以及诸如 evil[.]com、test@example.com和 deadbeefdeadbeefdeadbeef12的占位符值。 |
| 并行定位 | 在同一小时内攻击了应用程序交付控制器、十几个 VPN 设备、NAS 设备、工作 workforce 身份和云端口。 |
| 重新检查循环 | 连续三天每 48 秒轮询一次,攻击序列以大约 30 秒的间隔进行相同重放。 |
表 2.Unit 42 观察到的 ARTEX 驱动活动的典型行为特征
这些特征中的任何一个都可能来自配置异常的工具或人工手动测试 API 的人员。但当它们结合在一起时,就指向了自主工具。
尽管使用了自主工具,但在我们观察到的攻击中并没有完全没有人类的参与。在一次参与中,攻击者从脚本客户端切换到桌面浏览器来进行密码重置和第一次令牌(token)请求。这表明对于最敏感的步骤,存在人在回路(human in the loop)或浏览器自动化。
5. ARTEX 攻击的结论与缓解措施
人工智能驱动的工具并没有发明新的攻击。自助服务滥用、暴露的 API 和存储的凭据长期以来一直是薄弱环节。
发生变化的是速度和持久性。ARTEX 操作员可以在并行测试每一个暴露的工作流,并在被阻止后几分钟内切换路由。它能够在发现被盗凭据后的一分钟内对其采取行动。
由于该框架是开源的且被广泛分叉,基于指标的检测将无法跟上步伐。
那些移除机器可读攻击映射、在所有地方都要求身份验证并围绕操作员行为构建检测的防御者,将处于阻止人工智能辅助攻击者的最佳位置。
自主工具的探测速度比人们审查警报的速度更快。防御需要默认阻止,并移除这些工具正在寻找的凭据。组织应当:
移除公开的攻击映射。将包含令牌或客户端 ID 的 OpenAPI 规范、源映射和配置文件从面向互联网的应用程序中移除。
减少并了解组织的公共足迹。证书透明度可以为威胁演员创建目标列表。在云环境中,了解主机完全限定域名(FQDN)是否为公开信息至关重要。考虑使用私有证书颁发机构来限制信息披露,并尽可能将源流量锁定在仅内容分发网络(CDN)的入口。
对每个写入端点要求身份验证,包括开发和暂存 API。
加固自助服务流程。对注册、密码重置和验证码端点进行速率限制和僵尸网络防护。移除未经身份验证的账户存在性检查。
保护联邦身份。在客户和合作伙伴身份提供商中阻止工作账户的本地密码,并确保密码重置绝不会取消联邦身份的链接。
将凭据置于触及范围之外。用基于角色的访问权限替换长期云密钥,将管理员凭据排除在预配记录之外,并将函数密钥移动到密钥管理器中。
为工作负载角色以及任何可以创建角色、密钥或令牌的函数强制执行最小权限。
寻找行为,而不仅仅是指标。寻找:
身份提供商日志中的金丝雀用户名
来自新 IP 地址的云密钥的首次使用
“写入后删除”存储测试
预示着后续入侵的早期探测阶段
Cortex XDR 和 XSIAM 旨在根据底层行为(无论是驱动于自主人工智能工具还是人类对手)来阻止恶意活动。组织可以通过 Unit 42 威胁情报服务及其深度与暗网服务获得量身定制的对手情报、直接分析师咨询以及专门的暴露追踪。Unit 42 威胁情报服务提供的资源包括对 Unit 42 观察到的人工智能驱动红队生态系统的更深入技术分析。
https://unit42.paloaltonetworks.com/artex-and-ai-powered-red-teaming-tools/
(完)
本文转载自微信公众号「安全行者老霍」,查看原文。版权归原作者所有,如有侵权请联系删除。