PaperCut 攻击者利用数百个 AI 智能体攻陷 440 多个实例

一名疑似讲俄语的网络行为者被归因于利用人工智能 (AI) 来设计针对 PaperCut NG/MF 中最近披露的一对安全漏洞的漏洞利用，并入侵了数百个实例。

根据 Blackpoint Cyber 和 GreyNoise 的独立报告，该活动源自 "45.142.193[.]132"，这是一个近几周与未经授权的端口扫描和暴力破解攻击尝试相关联的 IP 地址。值得注意的是，同一 IP 地址上周也被 Arctic Wolf 标记与漏洞利用活动有关。

"目前，我们无法确认此次攻击活动的确切最终目标，"Blackpoint 首席 MDR 分析师 Nevan Beal 告诉 The Hacker News。"该威胁行为者的方法与初始访问活动一致，但我们尚无足够证据确认他们是否作为初始访问中介运营。"

其核心是，这些机会主义攻击利用 CVE-2026-81578 和 CVE-2026-82078（身份验证绕过和远程代码执行链的组合），主要针对美国、英国、法国、西班牙、加拿大、比利时、葡萄牙、澳大利亚、德国和瑞士的教育部门。

"观察到的后渗透活动包括投递 Windows 注册表配置单元收集工具、Metasploit/Meterpreter 相关的 Java 有效载荷，以及用于识别主机、用户、进程和敏感配置数据的命令，"Arctic Wolf 指出。

GreyNoise 表示，其自 2026 年 7 月初以来一直在追踪该 IP 地址的恶意使用，用于探测来自多个厂商（包括 Palo Alto、Ubiquiti、Citrix、SonicWall 和 Proxmox VE）的面向互联网的系统。

"作为对手漏洞利用开发和测试的一部分，他们构建并攻击了一个包含易受攻击的 PaperCut 软件和一台 Active Directory 服务器的实验环境，"这家威胁情报公司表示。"在并行工作流中，对手使用一个已识别的 API 密钥，通过互联网扫描服务 Netlas.io 构建目标列表。"

在其自托管实验环境中获得远程代码执行和凭据收集后，该威胁行为者被观察到释放数百个由 OpenAI Codex、一个 DeepSeek 模型和公开可用的攻击性安全工具（例如 Mimikatz、SharpHound、Certipy、Rubeus 和 Impacket）驱动的 AI 智能体，以攻陷由 48 个国家 395 个已识别受害组织托管的不少于 440 个 PaperCut MF/NG 实例。

"还有其他无法归因于具名组织的真实受害者，"GreyNoise 补充道。"对手确实明确试图避免针对 28 个已识别国家的实体；然而，我们观察到的受害者情况显示，这种尝试性的克制在某些情况下失败了。"被添加到排除名单的一些国家包括俄罗斯、中国、香港、泰国、伊朗、委内瑞拉、印度尼西亚、巴基斯坦和孟加拉国。

这些发现正值人们对 AI 模型如何使恶意行为者能够将智能体能力整合到攻击生命周期的各个阶段，并帮助他们加速和大规模实施攻击感到相当担忧之际。

据 GreyNoise 称，攻击者从空白工作区迅速推进，在不到四小时内首次对真实受害者实现远程代码执行，并且在攻击活动正式开始后，在 26 秒内攻陷了至少 11 个组织。在一次针对美国一所高中的攻击中，从初始访问到完全域管理员访问的间隔仅为七分钟。

总计，据称对手仅对 12 个受害组织获得了域管理员访问权限。攻击者的最终目标在现阶段仍不明确。

"目前尚不清楚该行为者是仅专注于访问开发以移交给其他附属行为者，还是将直接利用其访问权限来实现数据窃取或勒索软件部署等后续目标，"GreyNoise 表示。

更多细节浮出水面

Blackpoint 分享了同一活动的更多细节，称其追溯到一个暴露的操作者基础设施，该基础设施描绘了从漏洞研究和漏洞利用开发到通过目标过滤、失败分析、代码更改和重复重试波次执行的 AI 辅助工作流。

"最早恢复的活动始于 8 月 31 日，该项目专注于漏洞研究并比较已修补和未修补的 PaperCut 构建，"Beal 和安全研究员 Sam Decker 写道。"在数小时内，该研究就被转化为一个多线程验证工具，该工具经过审查、测试，并针对逐步扩大的目标集运行。"

该威胁行为者对 AI 的使用还延伸到目标定位流水线，恢复的源代码充当一个漏斗，合并多个来源列表，对候选者进行地理定位并按国家过滤，应用上述排除政策，并在进入下一阶段之前识别活跃的 PaperCut 系统。

在最后阶段，目标按操作系统和环境进行分类，并通过单独的列表区分那些活跃的、不可达的、缺少特定阶段的、符合后渗透行动条件的，以及等待重试的，而不是将每一次不成功的尝试都视为相同的问题。

与这些工作相辅相成的是 Python 脚本，它们跟踪后续阶段并确保它们实际已完成。这些包括管理员访问、账户验证、Active Directory 收集、域和网络发现以及代理设置等任务。失败被记录下来，使攻击框架能够调整其方法并向前推进。

该项目最好被理解为这样一个项目：AI 是整个系统架构围绕其旋转的支点，通过一个为每个周期提供信息的持久反馈循环，将漏洞研究转变为漏洞利用流水线。支持该系统完成这一工作的有两个关键开源工具——

• Hindsight，为 AI 智能体提供持久内存服务
• AionUi，提供一个统一的图形工作区，以并发运行和查看多个 AI 智能体

该攻击活动表明，威胁行为者使用 AI 不仅是为了协助恶意软件开发，还用于排除故障、保存项目状态并增强其他运营方面，从而降低了实施此类攻击所需的人工投入。据这家网络安全公司称，这些变化对网络攻击的经济学产生了重大影响。

"此次攻击活动中 AI 最显著的影响并非新颖的漏洞利用技术，"Blackpoint 表示。"而是减少了在数百个真实系统上研究、开发、调试、分类、跟踪、重试和持续改进漏洞利用所需的人工投入。"

"操作者使用的是一个迭代开发过程，其中 AI 支持的研究、编码、测试、故障排除和攻击活动执行持续相互提供信息。随着项目从漏洞研究推进到漏洞利用验证、工具开发、目标扩展，最终到运营执行，上下文得以保留。"