韩国银行在网络攻击后加速部署 AI 防御，以重建信任

在数据泄露导致客户信息暴露、存款在 11 天内减少 20.1 万亿韩元后，韩国银行的 AI 防御体系正面临一场紧迫考验。五大银行在 9 月 30 日的活期存款总额为 675.5 万亿韩元，到 10 月 11 日已降至 655.4 万亿韩元。

这一时间点引发了信心问题，但并不能证明恐慌的客户提走了全部这笔资金。存款余额会因多种因素变动，包括企业付款、纳税安排，以及转入收益率更高的产品。定期存款同样有所下降，这削弱了“客户仅是在不同账户类型之间转移资金”这一简单解释。

更具深远影响的变化发生在银行内部。KB Kookmin、Shinhan、Hana、Woori 和 NH NongHyup 正扩大安全预算、招聘专业人员，并测试基于 AI 的防御系统。它们面临的挑战已不再局限于阻挡人类黑客，还必须保护分散的数字服务免受自动化工具的攻击——这些工具可以以机器速度搜索脆弱入口。

这种应对措施也带来了核心矛盾。银行希望 AI 能在攻击者发现漏洞前识别弱点，但若缺乏严格控制，同样的自动化也可能扩大风险。韩国的经历正成为一场早期检验：AI 辅助防御能否比 AI 辅助攻击侵蚀信任的速度更快地恢复信任。

存款下降让数据泄露演变为信心考验

最重要的数字不只是泄露事件数量，而是披露后出现的 20.1 万亿韩元存款下降。

根据最初的存款数据，五大银行的活期存款在 9 月 30 日至 10 月 11 日期间下降了近 3%。同期定期存款减少逾 2.7 万亿韩元。在连续五个月增长后，其余额略高于 1000 万亿韩元。

这些数据出现在多家金融公司报告客户信息遭未经授权访问之后。Shinhan 于 10 月 1 日披露，约 25,000 名客户的信息发生泄露。暴露的字段包括姓名、电话号码、年收入和贷款额度。

KB Kookmin 次日报告有 119 名客户受到影响。Hana 披露有 89 名客户的信息暴露。其他事件还影响了 Busan Bank、两家储蓄银行和 Hyundai Capital，使七家公司受影响人数总计超过 67,000 人。

不过，对存款变动仍应谨慎解读。现有报道证明了事件发生的先后顺序，而非完整的因果联系。银行和监管机构均未公布账户级数据，以说明有多少资金是因数据泄露而被客户取走。

这一区别至关重要，因为将这一下降称为银行挤兑超出了现有证据范围。没有报道称客户无法提取存款，也没有核心支付系统停止运行。有关部门还表示，尚未发现暴露数据可被直接用于授权付款的证据。

但在传统意义上的银行挤兑开始之前，信心就可能已经削弱。客户不必相信自己的钱已经消失；他们只需质疑一家银行是否理解此次泄露、是否掌控其外部系统，以及能否阻止令人信服的后续诈骗。

活期存款尤其敏感，因为客户可以迅速转移资金。因此，即使季节性资金流动能够解释其中一部分，余额的突然下降仍会形成明显的压力点。银行必须证明，其安全应对措施真正针对了攻击者利用的路径。

这一时间点也改变了高管必须采取的沟通方式。一旦余额开始下降，关于受影响记录的狭窄披露已无法平息问题。客户将评判管理层能否保护每一项承载可信银行数据的服务，而不仅是交易系统。

这正是该事件已超越隐私通知的原因。如今，它成为安全投入能否守护机构信任的一场考验。

韩国银行的 AI 防御瞄准最薄弱的系统

韩国银行的 AI 防御正从边界保护转向持续测试核心银行网络周边的较小系统。

据报道，攻击者并未直接攻破防护最严密的交易平台，而是瞄准了员工、承包商和贷款代理人使用的外围服务。这些系统可能存有敏感客户信息，却未获得与银行中央账本相同级别的保护。

在 Shinhan，报道称贷款经纪人使用的一项贷款进度查询服务是遭入侵的节点之一。在 KB Kookmin，攻击者据称进入了一套内部移动办公支持系统。这一模式揭示了为何高额安全预算仍未能阻止相关披露。

一家银行可以严密保护其中央网络，却让数百个较小的 Web 应用暴露在风险中。每个承包商门户、内部仪表盘和销售工具都会形成新的认证流程，也意味着又一套需要测试、监控和及时更新的软件栈。

攻击者可以将这一发现过程自动化。AI 代理，即能够为实现目标选择并执行步骤的软件，可以扫描服务并调整下一步行动。它无需持续的人类指挥，便可在众多目标间重复这些步骤。

Woori Bank 已在使用韩国网络安全公司 Theori 开发的 AI 安全测试产品 Xint。该系统生成攻击场景并执行渗透测试，即在受控条件下识别可被利用弱点的尝试。Woori 还使用内部开发的工具。

KB Kookmin 正与包括 Stealth Solution 在内的多家安全公司测试防御技术。其白帽黑客正在评估主动防御系统应对不同 AI 辅助攻击模式的能力。白帽黑客在获得授权的情况下暴露弱点，以防犯罪分子加以利用。

NH NongHyup 计划于 2027 年下半年引入 AI 红队测试系统。红队测试通过模拟对手来检验系统、数据和组织响应。该行计划中的平台将从攻击者视角审视 AI 模型和服务。

Hana 正在开发针对设备和服务器黑客攻击的实时响应能力，同时推进自动化渗透测试和基于 AI 的网络安全平台。这些项目反映了共同目标：缩短漏洞出现与防御方发现漏洞之间的时间差。

这些银行在推进自动化的同时，也在增加传统资源投入。KB Kookmin 计划将 2027 年的信息安全预算提高到 1000 亿韩元以上。根据银行业数据，其 2026 年预算为 860.7 亿韩元。

Shinhan 表示，其下一期安全预算将为业内最高，但尚未披露具体金额。Woori 正考虑将安全系统预算提高超过 20%，并预计将专业人员队伍扩大至少 10%。

这些措施改善了速度和覆盖范围，但投入本身无法保证韧性。关键问题在于，银行是否将这些资源用于攻击者实际探测、却容易被忽视的系统。

AI 攻击自动化与 AI 防御自动化

这场竞争并非简单的 AI 对 AI，而是可规模化侦察与可追责控制之间的较量。

当自动化令大范围探索变得低成本时，攻击者便获得了优势。他们可以检查大量面向互联网的服务、改变输入，并在系统出现意外响应之处继续推进。一条遗漏的验证规则，就可能成为他们所需的入口。

防御方则面临更严苛的约束。他们必须同时保护遗留应用、合作伙伴连接、员工工具和新的数字产品，还必须避免在测试这些系统时干扰正常的银行业务。

这种不平衡解释了自动化红队测试为何受到关注。防御性代理可以在比小型测试团队手动检查更多的应用上重复攻击场景。它还可以在软件变更后重新运行这些场景，暴露年度审计可能遗漏的回归问题。

不过，防御方仍须为每一项自动化行动负责。安全团队必须限制测试代理可访问的范围、记录其活动并核实其发现。不受控制的防御工具本身就可能中断服务或暴露敏感信息。

据报道，这些攻击与 ARTEX 有关——这是一个开源自主渗透测试项目。调查人员在被认为支持该攻击活动的基础设施上发现了与该工具有关的痕迹。这些证据并不能确定攻击者的位置、身份或国籍。

报道将 ARTEX 描述为协调多个 AI 代理，以收集信息、识别漏洞并规划可能的入侵路线。其公开身份为 Autumn-27 的开发者后来停止了公开更新，并表示不良行为者滥用了该项目。

停止更新并不能消除已经被下载的副本，也无法阻止其他开发者构建类似系统。因此，更广泛的安全问题并不止于一个代码仓库或一名开发者的决定。

开源安全软件具有正当用途。研究人员、内部防御团队和咨询公司会使用共享测试工具来复现攻击并提升防护能力。限制访问可能减缓部分滥用，但也可能让防御者无法使用同样的方法。

更棘手的问题在于运营控制。负责任的组织可以要求授权、隔离测试环境、限制凭据，并保存详细日志。恶意操作者则可以移除这些保障措施，将同样的能力用于公共目标。

这种权衡使归因尤为重要。中文软件的存在并不能证明中国政府参与其中，甚至不能证明攻击者位于中国。调查人员识别出分布在多个国家的网络地址，同时承认攻击者可以通过第三方基础设施路由流量。

这项技术调查还显示，多起针对银行的攻击使用了相似地址。相似基础设施可能表明事件之间存在关联，但无法识别背后的人类操作者。

AI 可能让情况进一步复杂化。攻击者可以将公开代理与商业模型、被盗凭据、脚本和租用服务器结合使用。将整个行动描述为 AI 攻击，可能掩盖那些使未经授权访问成为可能的常规控制失误。

防御层面的教训很明确。银行需要自动化，因为攻击者可以规模化开展侦察；它们同样需要传统认证、访问控制、修补和应用设计，因为 AI 无法弥补薄弱的基础。

数据泄露暴露了外围系统的安全缺口

这场攻击活动似乎是在受信任的业务流程与较弱认证机制交汇处取得成功，而不是在银行技术最强大的地方。

调查人员和安全专家将焦点指向外部或内部支持服务，而非核心交易平台。这些应用支撑着实际业务，但往往不在获得最严密保护的系统之列。

据报道，其中一种手法是向贷款相关服务发送大量数值，以探测有效的客户标识符。服务一旦返回有价值的响应，攻击者便可利用该线索请求更多信息。自动化使这一过程更快，也更易于重复实施。

撞库攻击也可能发挥了作用。撞库是指利用在其他地方泄露的用户名和密码，尝试登录另一项服务。这种手法依赖于密码复用和薄弱的控制措施，而非一种全新的 AI 能力类别。

多因素认证可通过要求额外的验证方式来降低这一风险。速率限制可以约束重复请求，异常检测则可标记不寻常的访问模式。恰当的授权检查能够阻止一名用户获取另一名客户的记录。

这些控制措施听起来基础，是因为它们本来就很基础。攻击者加入 AI 并不会降低其重要性。自动化提高了在数十个应用中放任这些措施执行不一致的代价。

银行此前的安全投入也说明了为何总额可能具有误导性。据报道，Shinhan、KB Kookmin 和 Hana 在 2025 年的信息安全投入接近 1240 亿韩元。然而，近期的金融行业数据泄露事件仍然波及防护较弱的服务。

预算可以资助监控平台、顾问和防御人员，但承包商门户中仍可能存在漏洞。安全性取决于资金流向、系统资产清单的完整程度，以及发现的问题是否得到及时修复。

泄露的数据除了可被用于直接访问账户外，也具有其他价值。掌握客户姓名、收入、贷款额度及近期银行往来关系的犯罪分子，可以编造极具说服力的信息。这类背景信息会让欺诈性贷款来电显得真实可信。

金融服务委员会主席 Lee Eog-weon 表示，官员没有迹象显示可直接用于支付的信息已经泄露。他也警告称，语音钓鱼和欺诈短信仍可能构成二次伤害。

这正是信任问题变得切身的地方。银行可以如实表示其核心平台依然安全，而客户却仍会面临极具迷惑性的诈骗。受害者未必会区分交易数据库遭入侵与贷款支持系统数据被窃之间的差异。

对于收到含有私人财务细节来电的人而言，机构之间的边界并不那么重要。无论信息储存于哪个应用，客户都会合理地将其与银行联系起来。

因此，韩国银行的 AI 防御不能只聚焦于识别恶意软件。它们还必须梳理客户信息的流转路径，尽量减少不必要的字段，并监控暴露这些字段的每一个接口。

AI 测试可以帮助定位这些路径，但修复工作仍是一项管理任务。必须有人负责每个应用、评估每项发现，并在下一次自动化扫描之前消除弱点。

更大的预算无法弥补验证缺口

在调查人员仍无法就 AI 在每起数据泄露中的确切作用给出确凿证据之际，银行必须加强防御。

官员和新闻报道多次将这些事件描述为 AI 辅助攻击。与 ARTEX 相关的痕迹支持这一假设。攻击的速度、范围和明显的自动化特征，也符合由智能体驱动的攻击行动。

然而，公开证据尚不足以还原完整的攻击链。目前仍不清楚，哪些行动由 AI 模型自主选择，哪些是预先编写的脚本，哪些需要人类直接控制。在设计应对措施时，这些区别至关重要。

如果 AI 的主要作用是加快侦察，银行就需要更广泛的攻击面监控。如果智能体在入侵期间会调整利用步骤，防御方则需要基于行为的控制机制，以识别异常操作序列。如果大部分工作是通过被盗凭证完成的，身份安全应获得更多重视。

答案可能兼具这三种因素。现代攻击者很少依赖单一技术，而是围绕任何能产生效果的弱点组合工具。

监管机构也必须避免过早进行地理归因。金融监督院识别出与 12 个国家相关的地址，但部分地点尚未确定。另有报道提及至少 12 个国家的 28 个地址。

公开工具的语言或来源并不能识别其操作者。攻击者经常使用远离其实际所在地的虚拟服务器、被入侵的机器和中继节点。一份独立的国际评估同样指出，官方在归因问题上保持谨慎。

存款下降还存在另一个未解问题。时间上的关联使银行有理由迅速采取行动，但调查人员尚未证明每一笔转移都由对数据泄露的担忧所致。公布更详细的资金流动数据，将有助于区分正常流动与网络安全事件引发的信心反应。

在积极调查期间，透明度可能带来风险。披露精确的技术弱点可能帮助模仿攻击者。但若客户认为机构在淡化事件，含糊的保证也会加深怀疑。

因此，银行需要一套严谨的信息披露模式。它们应说明哪些信息被暴露、哪些系统受到影响，以及客户应关注什么。对于工具和攻击者的假设，应与已经确认的发现明确区分。

它们还必须报告承诺的改进是否带来了可衡量的成果。更大的预算是一项投入，而不是结果。人员数量和软件采购无法说明关键缺陷是否得到更快修复。

有用的指标包括发现暴露服务、修复高风险漏洞及停用受损凭证所需的时间。银行还可以衡量红队发现的问题是否会在后续测试中再次出现。

监管机构有责任建立可比较的报告标准。没有共同的衡量指标，每家机构都可以将自己的项目描述为先进，客户却无法评估相对风险。

AI 防御也带来了治理问题。银行必须决定其模型可以检查哪些数据、测试结果存储在哪里，以及谁有权批准模拟攻击。这些规则需要与模型准确性同等程度的重视。

全球金融风险并不止于孤立的隐私事件。国际货币基金组织发布的研究记录了金融领域网络事件和数字欺诈的增长。互联服务可能在企业之间传导运营冲击和信心冲击。

韩国银行如今有机会展现一种更可信的模式。这一模式需要经过验证的发现、受控的自动化，以及修复工作正在改善的证据。将每个安全项目都包装成 AI 项目，无法达到这一标准。

三个信号将显示信任是否正在恢复

下一阶段应根据经过验证的修复、存款稳定性以及有关攻击链的证据来评判。

第一个信号是监管机构在完成技术调查后披露的内容。调查人员需要确定攻击者如何进入每家机构，以及是否由同一操作者关联这些事件。他们还应澄清 AI 自动化所扮演的具体角色。

如果详细重建显示软件能够在不同目标间调整策略，将强化采用基于智能体防御的理由。若调查结果集中于凭证复用和验证薄弱，则会将关注点转向身份和应用控制。无论哪种结果，都会让银行获得更明确的投资优先级。

第二个信号是披露信息和客户通知后，存款余额是否趋于稳定。短期变化不足以证明出现持久的信心危机。若存款持续下降，尤其是在受影响机构中，将更有力地说明网络安全与融资压力之间的联系。

存款回升并不意味着数据泄露没有危害。这可能表明客户接受了银行的解释，或将资金流动视为暂时现象。透明的报告将使这一解读更具可信度。

第三个信号是已宣布的投资能否在 2027 年期间带来运营层面的变化。KB Kookmin 计划增加预算、Woori 拟议增加支出和人员配置，以及 NH NongHyup 的红队系统，都构成了具体承诺。客户和监管机构可以追踪这些项目是否如期落地。

最有力的证据将来自覆盖范围和响应时间。银行应证明，边缘应用与核心系统一样受到持续审查。它们还应展示，自动化发现的问题能够迅速进入修复流程。

这一事件在韩国以外同样重要，因为大多数大型组织都存在相同的结构性弱点。敏感信息分散在客户门户、销售系统、移动工具和承包商服务中。攻击者只需要找到防护最薄弱的路径。

事件发生后，知识工作者也会面临相关挑战。决策、证据、修复任务和客户沟通可能分散在不同文档和会议中。受控的AI 知识库可以帮助团队保留这些背景信息，尽管它无法替代安全控制措施。

韩国银行的 AI 防御只有在改善模型周边完整系统时才能成功。这包括资产清单、身份验证、数据最小化、测试、响应和公开问责。

对每个组织而言，实际问题很直接：其防御者能否在自动化攻击者之前识别出一项被遗忘的服务？安全负责人应梳理可从外部访问的系统，核实其责任归属，并测试关键发现转化为修复措施的速度。银行下一次披露将揭示，其 AI 投入是否正在改变这一局面，还是仅仅增加了又一层软件。