Công cụ kiểm thử xâm nhập AI ARTEX và SCARLET LOOP thúc đẩy các cuộc tấn công tài chính mới

Vào cuối tháng 9 và đầu tháng 10 năm 2026, các nhóm đe dọa (threat actors) đã triển khai các tác nhân trí tuệ nhân tạo để xâm nhập vào các tổ chức tài chính ở Hàn Quốc và Brazil. CrowdStrike Intelligence xác định một chiến dịch sử dụng công cụ kiểm thử xâm nhập ARTEX nhắm vào các công ty Hàn Quốc, trong khi ZenoX phát hiện nền tảng SCARLET LOOP nhắm mục tiêu vào các tài khoản tại Brazil. Cả hai hoạt động này đều dẫn đến việc đánh cắp dữ liệu quy mô lớn và chiếm đoạt thông tin đăng nhập, đánh dấu sự chuyển dịch sang tội phạm mạng tự động hóa do AI điều khiển.

Điều gì đã xảy ra

CrowdStrike phát hiện chiến dịch tại Hàn Quốc sau khi xác định các thư mục công khai (open directories) trên một địa chỉ IP có trụ sở tại Hồng Kông. Các thư mục này tiết lộ lịch sử phiên làm việc của Claude Code, các tệp bộ nhớ và dữ liệu cấu hình cho ARTEX, một công cụ kiểm thử xâm nhập dựa trên tác nhân (agentic penetration testing tool) mã nguồn mở được phát triển bởi Autumn-27 tại Trung Quốc. Kẻ tấn công hoạt động từ địa chỉ IP 38.244.50[.]120, nơi lưu trữ instance ARTEX được sử dụng trong các vụ xâm nhập. Mặc dù chưa có nhóm cụ thể nào được quy trách nhiệm cho các cuộc tấn công, nhưng bằng chứng cho thấy đây là một đối tượng nói tiếng Trung Quốc với động cơ tài chính.

Đồng thời, ZenoX chi tiết hóa các hoạt động của SCARLET LOOP, một nền tảng được điều phối bởi một đối tượng nói tiếng Bồ Đào Nha. Chiến dịch này nhắm mục tiêu vào các chương trình khách hàng thân thiết, ưu đãi doanh nghiệp và nền tảng thẻ quà tặng tại Brazil. Những kẻ tấn công đã sử dụng thông tin đăng nhập bị đánh cắp từ nhật ký infostealer và các vụ rò rỉ dữ liệu để chiếm quyền kiểm soát tài khoản ở quy mô lớn. Phân tích một máy chủ tiếp xúc với internet cho thấy nhóm này đã thử nghiệm hơn 12 triệu thông tin đăng nhập, xác thực thành công gần 12.000 tài khoản trên hàng nghìn tên miền.

Sau khi phần mềm của họ bị lạm dụng, Autumn-27 tuyên bố rằng ARTEX sẽ chuyển sang mô hình mã nguồn đóng. Các nhà phát triển khẳng định công cụ này được thiết kế cho nghiên cứu bảo mật và học tập được ủy quyền, không phải cho các hoạt động độc hại. Họ xác nhận rằng sẽ không có thêm phiên bản hoặc hỗ trợ bảo trì nào được phát hành nhằm ngăn chặn việc lạm dụng bổ sung.

Cách thức hoạt động

Hệ thống ARTEX hoạt động như một khung kiểm thử xâm nhập tự động đa tác nhân, được điều khiển bởi các mô hình ngôn ngữ lớn (LLM). Trong chiến dịch quan sát được, kẻ tấn công đã cấu hình ARTEX sử dụng DeepSeek v4.1-flash làm backend chính, bổ sung thêm GLM-5.3 của Z.ai và Grok 4.6 của SpaceXAI. Đối tượng này có khả năng truy cập các mô hình này thông qua một đại lý bán lại API. Tác nhân tự động điều hướng hệ thống, xác định các lỗ hổng và đánh cắp dữ liệu, đồng thời cũng truy vấn Claude về cách bán dữ liệu bị vi phạm qua các nhóm Telegram.

SCARLET LOOP áp dụng một quy trình tự động hóa phức tạp hơn, gồm nhiều giai đoạn. Nó bắt đầu bằng việc khám phá mục tiêu sử dụng GPT-5.6 của OpenAI để tạo các truy vấn tìm kiếm và GPT-5.5 để phân loại các mục tiêu giá trị cao. Để thực hiện đăng nhập, một tác nhân AI điều khiển trình duyệt Firefox được gắn thiết bị đo lường (instrumented), giả mạo các dấu vết kỹ thuật số như canvas, WebGL và vị trí địa lý để vượt qua các biện pháp phòng chống bot. Tác nhân sử dụng DeepSeek-V4-Pro, Claude Opus 4.6 và các mô hình khác để lập bản đồ các bề mặt đăng nhập và điền biểu mẫu mà không cần giám sát của con người.

Để tối ưu hóa chi phí, SCARLET LOOP có tính năng "AUTO Mode" loại bỏ LLM khỏi vòng lặp sau khi đăng nhập thành công trên một tên miền quen thuộc. Như ZenoX đã lưu ý, suy luận của mô hình tốn kém và chậm chạp, vì vậy nền tảng này chỉ trả phí cho trí thông minh một lần cho mỗi mục tiêu. Điều này cho phép hệ thống mở rộng quy mô tấn công nhồi thông tin đăng nhập (credential stuffing) một cách hiệu quả, thử nghiệm hàng triệu tổ hợp trong khi giảm thiểu việc sử dụng token.

Chi tiết chính

• Chiến dịch ARTEX nhắm vào các tổ chức tài chính Hàn Quốc từ cuối tháng 9 đến đầu tháng 10 năm 2026.
• ARTEX sử dụng DeepSeek v4.1-flash làm LLM chính, với GLM-5.3 và Grok 4.6 làm bổ trợ.
• SCARLET LOOP đã thử nghiệm 12.277.358 thông tin đăng nhập, xác thực 11.832 tài khoản trên 3.968 tên miền.
• Tác nhân SCARLET LOOP sử dụng 46 công cụ tự động hóa và thuê ngoài việc giải captcha để vượt qua phát hiện.
• Autumn-27 đã đóng mã nguồn của ARTEX sau khi nó được sử dụng trong các cuộc tấn công trái phép.
• Những kẻ tấn công đã sử dụng các kênh Telegram, bao gồm một kênh liên kết với handle "@YY520CN", để phối hợp việc bán dữ liệu.

Tại sao điều này quan trọng

Những sự cố này chứng minh rằng các công cụ bảo mật AI mã nguồn mở đang bị vũ khí hóa với rất ít sửa đổi. Các nhà phát triển và trưởng nhóm bảo mật không còn có thể mặc định cho rằng các khung kiểm thử xâm nhập là an toàn. Sự dễ dàng mà một đối tượng cấu hình ARTEX bằng cách sử dụng các API công khai và thư mục công khai nhấn mạnh rủi ro của các môi trường phát triển bị phơi bày. Nếu các tệp cấu hình và lịch sử phiên làm việc vẫn còn khả năng truy cập, những kẻ tấn công có thể sao chép và mở rộng nhanh chóng các hoạt động này.

Đối với các đội ngũ kỹ thuật xây dựng tác nhân AI, kiến trúc SCARLET LOOP cung cấp một khuôn mẫu đáng lo ngại về hiệu quả. Bằng cách kết hợp suy luận LLM cho các nhiệm vụ mới với tự động hóa đơn giản cho các nhiệm vụ lặp đi lặp lại, những kẻ tấn công giảm chi phí trong khi duy trì tỷ lệ thành công cao. Cách tiếp cận lai này cho phép chúng thích ứng động với các biểu mẫu đăng nhập và biện pháp bảo mật mới, khiến các biện pháp phòng thủ tĩnh truyền thống trở nên kém hiệu quả hơn. Các tổ chức phải dự đoán những đối thủ có khả năng suy luận qua các giao diện lạ một cách tự động.

Bạn có thể làm gì

• Kiểm toán tất cả các thư mục và máy chủ công khai để đảm bảo không có tệp cấu hình, lịch sử phiên làm việc hoặc khóa API nào bị lộ.
• Triển khai các biện pháp kiểm soát truy cập nghiêm ngặt cho bất kỳ tác nhân AI hoặc công cụ kiểm thử xâm nhập nào được sử dụng trong hạ tầng của bạn.
• Giám sát các mẫu sử dụng API bất thường, đặc biệt là từ các đại lý bán lại hoặc các vị trí địa lý không mong đợi.
• Nâng cao các cơ chế phát hiện bot để xác định các dấu vết trình duyệt giả mạo như dữ liệu canvas, WebGL và viewport.
• Xem xét và xoay vòng thông tin đăng nhập thường xuyên, giả định rằng nhật ký bị đánh cắp từ các vụ vi phạm bên thứ ba có thể đã lưu hành.
• Hạn chế khả năng của các tác nhân AI đối với các tài sản cụ thể, được ủy quyền để ngăn chặn di chuyển ngang ngoài ý muốn hoặc đánh cắp dữ liệu.