1. 首頁 > 生活百科 > >

AWS云環境遭AI輔助攻擊：10分鐘內獲得管理員權限

ai芯片半導體it芯片

AWS云環境遭AI輔助攻擊：10分鐘內獲得管理員權限

數字入侵者利用人工智能輔助 ， 在不到10分鐘的時間內就攻破了AWS云環境 ， 從初始訪問權限升級到管理員權限 。

Sysdig威脅研究團隊表示 ， 他們在11月28日觀察到了這次入侵事件 ， 該事件不僅因其速度而引人注目 ， 還因為有\"多個指標\"表明犯罪分子使用了大語言模型來自動化攻擊的大部分階段 ， 包括偵察、權限提升、橫向移動、惡意代碼編寫以及LLMjacking（利用受損的云賬戶訪問云托管的大語言模型） 。
Sysdig威脅研究主管Michael Clark和研究員Alessandro Brucato在關于此次云入侵的博客文章中表示：\"威脅行為者在不到10分鐘內獲得了管理員權限 ， 攻陷了19個不同的AWS主體 ， 并濫用了Bedrock模型和GPU計算資源 。 大語言模型生成的帶有塞爾維亞語注釋的代碼、虛構的AWS賬戶ID以及不存在的GitHub倉庫引用 ， 都指向了AI輔助的攻擊行動 。 \"
初始訪問和憑證盜取
攻擊者最初通過從公共Amazon S3存儲桶中竊取有效的測試憑證來獲得訪問權限 。 這些憑證屬于一個身份和訪問管理（IAM）用戶 ， 該用戶在AWS Lambda上擁有多項讀寫權限 ， 在AWS Bedrock上擁有受限權限 。 此外 ， S3存儲桶還包含用于AI模型的檢索增強生成（RAG）數據 ， 這在后續攻擊中發揮了重要作用 。
【AWS云環境遭AI輔助攻擊：10分鐘內獲得管理員權限】為了防止此類憑證盜取 ， 不要在公共存儲桶中留下訪問密鑰 。 Sysdig建議為IAM角色使用臨時憑證 ， 對于堅持向IAM用戶授予長期憑證的組織 ， 請確保定期輪換這些憑證 。
權限提升和Lambda代碼注入
在嘗試使用\"sysadmin\"和\"netadmin\"等通常與管理員級權限相關的用戶名失敗后 ， 攻擊者最終通過Lambda函數代碼注入實現了權限提升 ， 濫用了受損用戶的UpdateFunctionCode和UpdateFunctionConfiguration權限 。
他們三次替換了名為EC2-init的現有Lambda函數的代碼 ， 不斷迭代攻擊目標用戶 。 第一次嘗試針對adminGH ， 盡管名稱如此 ， 但該用戶缺乏管理員權限 。 隨后的嘗試最終成功攻陷了管理員用戶frick 。
安全研究人員注意到 ， 代碼中的注釋是用塞爾維亞語編寫的（可能表明入侵者的來源） ， 代碼本身列出了所有IAM用戶及其訪問密鑰 ， 為frick創建了訪問密鑰 ， 并列出了S3存儲桶及其內容 。
AI生成代碼的特征
此外 ， 據安全研究人員稱 ， 攻擊者的代碼包含\"全面的\"異常處理 ， 包括限制S3存儲桶列表的邏輯 ， 并將Lambda執行超時從3秒增加到30秒 。
這些因素 ， 結合從憑證盜取到Lambda執行的短時間 ， \"強烈表明\"該代碼是由大語言模型編寫的 。
接下來 ， 惡意行為者開始收集賬戶ID ， 并嘗試在所有AWS環境中承擔OrganizationAccountAccessRole 。 有趣的是 ， 他們包含了不屬于受害組織的賬戶ID：兩個具有升序和降序數字的ID（123456789012和210987654321） ， 以及一個似乎屬于合法外部賬戶的ID 。
Clark和Brucato寫道：\"這種行為與通常歸因于AI幻覺的模式一致 ， 為LLM輔助活動提供了進一步的潛在證據 。 \"
總共 ， 攻擊者獲得了對19個AWS身份的訪問權限 ， 包括跨14個會話的6個不同IAM角色 ， 以及5個其他IAM用戶 。 然后 ， 利用他們創建的新管理員用戶賬戶 ， 犯罪分子竊取了大量敏感數據：來自Secrets Manager的秘密、來自EC2系統管理器的SSM參數、CloudWatch日志、Lambda函數源代碼、來自S3存儲桶的內部數據以及CloudTrail事件 。
LLMjacking攻擊階段
然后他們轉向攻擊的LLMjacking部分 ， 以獲得對受害者云托管大語言模型的訪問權限 。 為此 ， 他們濫用用戶的Amazon Bedrock訪問權限來調用多個模型 ， 包括Claude、DeepSeek、Llama、Amazon Nova Premier、Amazon Titan圖像生成器和Cohere Embed 。
Sysdig指出 ， \"調用賬戶中無人使用的Bedrock模型是一個危險信號\" ， 企業可以創建服務控制策略（SCP）來只允許調用某些模型 。
在Bedrock之后 ， 入侵者專注于EC2 ， 查詢適合深度學習應用的機器鏡像 。 他們還開始使用受害者的S3存儲桶進行存儲 ， 其中存儲的一個腳本看起來是為機器學習訓練設計的 ， 但它使用了一個不存在的GitHub倉庫 ， 這表明大語言模型在生成代碼時產生了幻覺 。
雖然研究人員表示他們無法確定攻擊者的目標（可能是模型訓練或轉售計算訪問權限） ， 但他們注意到該腳本在8888端口上啟動了一個公開可訪問的JupyterLab服務器 ， 為實例提供了不需要AWS憑證的后門 。
然而 ， 出于未知原因 ， 他們在5分鐘后終止了實例 。
防護建議
這是攻擊者越來越依賴AI在攻擊鏈的幾乎每個階段幫助他們的最新例子 ， 一些安全主管警告說 ， 犯罪分子完全自動化大規模攻擊只是時間問題 。
組織可以采取一些措施來防御類似的入侵 ， 大多數涉及加強身份安全和訪問管理 。 首先：對所有IAM用戶和角色應用最小權限原則 。
Sysdig還建議限制Lambda中的UpdateFunctionConfiguration和PassRole權限 ， 將UpdateFunctionCode權限限制為特定函數 ， 并僅將其分配給需要代碼部署能力來完成工作的身份 。
此外 ， 確保包含敏感數據（包括RAG數據和AI模型工件）的S3存儲桶不能公開訪問 。
為Amazon Bedrock啟用模型調用日志記錄以檢測未授權使用也是一個好主意 。
Q&A
Q1：什么是LLMjacking攻擊？
A：LLMjacking是指攻擊者利用受損的云賬戶來訪問云托管的大語言模型 。 在這次AWS攻擊事件中 ， 犯罪分子濫用受害者的Amazon Bedrock訪問權限 ， 調用了多個AI模型包括Claude、DeepSeek、Llama等 ， 用于惡意目的 。
Q2：這次AWS攻擊為什么能在10分鐘內獲得管理員權限？
A：攻擊者使用AI輔助快速自動化了攻擊過程 。 他們通過竊取公共S3存儲桶中的有效憑證獲得初始訪問 ， 然后利用Lambda函數代碼注入技術進行權限提升 ， 最終攻陷了管理員用戶賬戶 。
Q3：企業如何防御這種AI輔助的云攻擊？
A：主要防護措施包括：不在公共存儲桶中存放訪問密鑰 ， 對所有IAM用戶和角色應用最小權限原則 ， 限制Lambda函數的更新權限 ， 確保敏感數據的S3存儲桶不可公開訪問 ， 為Amazon Bedrock啟用模型調用日志記錄等 。

    推薦閱讀