韩国银行网络攻击暴露新的 AI 安全缺口

尽管多年来一直获得较高的安全评估，韩国银行网络攻击仍导致约 25,000 名新韩银行客户的数据泄露。攻击者无需攻破新韩银行的核心银行平台。据报道，他们绕过了供贷款经纪人使用的贷款查询服务的身份验证。

随后，KB 国民银行、韩亚银行、BNK 釜山银行、友利银行和 NH 农协银行也遭遇了入侵或入侵未遂事件。这一连串事件促使韩国监管部门召开紧急会议，并启动全国性调查。

令人不安的教训并不只是犯罪分子能够利用人工智能。这些事件表明，AI 辅助自动化能够将被忽视的网络服务转变为高效的攻击面。银行围绕交易系统构筑了严密防线，但暴露在外的辅助应用仍然可被访问。

CrowdStrike 此后发现了将部分攻击活动与 ARTEX 联系起来的证据。尽管如此，现有证据并不能证明 ARTEX 入侵了所有受影响机构，也无法证明某个 AI 模型独立策划并完成了这些攻击。

这一差异至关重要。最有力的证据支持一个更为有限、但仍影响深远的结论：AI 帮助人类操作员更快地跨多个目标开展行动，而常规的身份验证和访问控制失误则制造了可乘之机。

韩国金融业发生了什么

这些事件构成了一场针对可从外部访问的业务系统的集中攻击行动，而非已证实的核心银行网络入侵。

新韩银行于 2026 年 9 月 29 日发现其 M-Shinhan 服务的查询量突然增加。贷款经纪人使用这项移动网页服务查询客户申请的办理进度。

据当地媒体报道，未经授权的一方绕过了该服务的身份验证流程。攻击者反复提交收件编号等数值，收集客户标识符，并查询其他简化服务。

不同客户泄露的信息有所差异。据报道，其中包括姓名、电话号码、年收入、贷款申请金额、计算得出的额度及其他申请详情。

部分客户的受损记录还包括居民登记号码及关联身份信息。新韩银行确认约有 25,000 人受到影响，并于 9 月 30 日报告了该事件。

KB 国民银行披露了一起涉及 119 名客户的独立数据泄露事件。攻击者异常地从外部访问了一套供员工使用的移动工作支持系统。

泄露的信息包括姓名、电话号码、地址和加密的居民登记号码。KB 表示，受影响的系统与网上银行、手机银行及客户交易基础设施相互独立。

韩亚银行报告称，89 名客户的信息遭到泄露。BNK 釜山银行发现，涉及 11 名外包开发人员的个人信息可通过网页访问。

友利银行和 NH 农协银行也侦测到类似攻击尝试。根据官方事件报告，这些机构在确认客户数据泄露前便阻止了未经授权的访问。

这些数字与一则早期报道称 KB 国民银行泄露 119,000 名客户信用卡资料的说法相矛盾。更详细的韩国媒体报道及该行披露的信息均一致表明，受影响的是 119 名客户，而非 119,000 人。

这一更正显著改变了总数。经公开验证的数据表明，上述机构中受影响人数超过 25,000 人，而非已证实超过 140,000 人的总数。

即使是较低的数字，也代表着严重的数据泄露。被窃取的贷款和身份信息可帮助犯罪分子在未取得密码或支付凭证的情况下制造极具迷惑性的诈骗。

事件的影响也不止于一家银行或一个存在漏洞的网页。韩国金融服务委员会于 10 月 2 日召开紧急应对会议，与会者包括监管机构、行业组织、银行和信用卡公司。

这场紧急会议要求金融机构检查面向外部暴露的系统和服务。与会机构被要求审查身份验证控制措施、阻止不必要的信息暴露，并共享恶意基础设施指标。

李在明总统随后下令展开彻底调查。国家调查本部开始审查潜在违规行为，以及各起事件之间的关联。

核心问题已不再是某一家银行是否运营了存在漏洞的网页。监管机构需要查明，是否有单一操作员将发现和利用金融业类似弱点的过程工业化。

韩国银行网络攻击找到了被忽视的边缘

攻击者在得到严密保护的金融系统与围绕其构建的小型服务之间的边界取得了成功。

银行投入大量资源保护支付系统、客户应用和内部交易网络。这些平台通常采用分层身份验证、持续监控和严格的运营控制。

辅助系统往往受到较少审查。贷款查询页面、员工门户、销售工具、承包商接口及旧版网络服务仍在处理敏感信息，但它们可能采用较弱的身份验证，或仍直接暴露在互联网上。

新韩银行遭入侵的服务说明了这一缺口。该服务旨在让经纪人便捷地进行日常贷款状态查询。当从一项服务收集到的标识符据称可用于其他简单查询功能时，这种便利就变得危险。

此次泄露并不需要攻击者攻破新韩银行的主要移动应用。据报道，它依赖于异常查询、薄弱的身份验证边界，以及针对重复自动化请求的控制不足。

KB 国民银行的事件也呈现出相同的架构模式。遭入侵的移动支持系统服务于员工而非零售客户，但其中仍包含个人信用信息。

这正是该事件背后的主要反转。韩国银行在其最强防线处似乎并非毫无防备，而是通过仍与高价值记录相连的次级系统暴露了风险。

新韩银行曾连续五年在个人信用信息保护评估中获得最高等级，也拥有获得认可的信息安全认证。

但这些资质并未阻止贷款查询服务被攻破。安全计划可以满足广泛的评估要求，却仍可能忽视一个访问控制薄弱的互联网暴露工作流程。

问题并不局限于银行业。大型组织会通过外包、并购、临时项目和部门采购积累大量小型应用。

每个应用都可能成为通向敏感数据的未记录路径。系统无需处理支付，也可能造成实质性的金融风险。

AI 改变了寻找这些路径的经济成本。过去，人类攻击者必须枚举服务、解读响应、调整扫描逻辑，并在多个目标上重复这些工作。

智能体可以持续协助完成其中多个步骤。智能体软件旨在通过反复使用工具、观察和适应，在有限人工干预下推进目标。

这并不意味着模型成为了自主犯罪者。它只是为操作员提供了一种更快的方法，用于测试大量暴露系统并整理结果。

因此，韩国银行网络攻击促使安全负责人重新定义关键基础设施。相关边界应涵盖每一项能够调取敏感信息的服务，而不只是转移资金的系统。

组织还需要梳理标识符如何在应用之间流动。如果另一项服务将从低风险页面获取的客户编号视为充分的授权证明，那么该编号就会变得危险。

速率限制、强身份验证、严格的数据最小化和行为监控必须跟随数据流动。若仅将这些措施应用于面向客户的交易平台，就会留下可被利用的缺口。

ARTEX AI 黑客技术如何提高攻击者节奏

ARTEX 似乎协调了常见的攻击任务，而语言模型则帮助操作员在多个金融目标之间维持活动。

CrowdStrike 在调查与该攻击活动相关的基础设施后，于 10 月 7 日发布了调查报告。研究人员发现了包含 ARTEX 配置文件、Claude Code 历史记录和 Claude 内存文件的开放目录。

ARTEX 是在中国开发的开源智能体渗透测试框架。它可以自动化信息收集、漏洞发现、漏洞利用规划及其他相关安全任务。

这些功能具有合法用途。安全团队利用自动化测试在犯罪分子发现弱点之前识别问题。

但当同一框架被连接到操作员选定的目标和攻击基础设施时，风险就会改变。自动化可压缩从发现、试验到数据提取之间所需的时间。

CrowdStrike 将一台服务器与一个可能参与韩国活动的 ARTEX 实例关联起来。位于香港的第二台服务器似乎充当了操作员的主要基础设施。

ARTEX 基础设施分析发现了用中文编写的指令，说明模型应如何执行渗透测试。分析还揭示了由多项 AI 服务构成的技术栈。

据 CrowdStrike 称，该 ARTEX 实例使用 DeepSeek v4.1-flash 作为其主要语言模型后端。操作员还在额外的 Claude Code 会话中使用了 GLM-5.3 和 Grok 4.6。

关键并不在于每份日志中出现了哪一种模型。组合式环境让一名操作员能够通过多种方式生成代码、解读技术输出并持续推进调查。

CrowdStrike 观察到，从 9 月下旬到 10 月初存在广泛活动。遭到瞄准的组织与韩国数据泄露事件公开报道中提到的机构存在重叠。

暴露的会话还揭示了可能的经济动机。操作员询问 Claude 犯罪分子通常在哪里出售韩国泄露数据，并请求协助寻找相关 Telegram 群组。

在另一段会话中，用户要求 Claude 制作一份提及 ARTEX 活动的安全研究简历。提示中包含姓名、电话号码、所在地、教育经历和 Telegram 账号。

CrowdStrike 评估认为，这些个人信息很可能属于开展相关活动的人，但无法最终将该身份与攻击者关联。

这一不同寻常的操作失误凸显了 AI 辅助犯罪的另一面。加速入侵的同一类工具，也可能保留对话、提示、内存文件和配置记录。

将工作集中在编程智能体中的攻击者会留下详细的活动轨迹。防护不善的 AI 基础设施可能同时暴露攻击方法和操作员的失误。

这并不意味着防御者可以依赖犯罪分子不关闭目录。经验丰富的攻击者会学会隔离会话、删除历史记录，并避免输入可识别身份的信息。

ARTEX AI 黑客攻击的持久意义在于其对攻击节奏的影响。一名以牟利为目的的个人可以借助自动化，完成过去需要更大团队或更长准备时间才能完成的工作。

在 CrowdStrike 发布调查结果前，安全研究人员已得出类似结论。分析该事件的专家警告称，AI 可以自动化攻击准备和工具操作中的很大一部分工作。

攻击者仍然需要意图、基础设施、目标选择，以及足以解读失败情况的技术判断力。AI 减少了阻力，但并未消除这些要求。

这一差异应当指导防御投入。银行需要的是能够阻止快速自动化探测的控制措施，而非只会将所有恶意流量标记为 AI 生成的产品。

有效措施包括服务资产清单、攻击面监控、请求速率分析、更强的身份验证，以及对异常访问路径的自动隔离。

技术标签不如行为的速度和广度重要。防御者必须能够发现一个攻击者以机器级的持续性开展活动。

AI 证据无法证明什么

这场行动表明存在 AI 辅助的入侵活动，但并不能证明存在完全自主的黑客攻击，也不能将每一起入侵归因于单一原因。

早期报道常将这些事件描述为 AI 驱动的银行攻击。这个说法概括了疑似使用的工具，但可能夸大了调查人员已经核实的内容。

CrowdStrike 发现了直接证据，表明一名攻击者使用了 ARTEX 和多个语言模型。该公司还将相关基础设施与受影响金融机构重叠的目标联系起来。

该公司并未确认被攻破机构的总数。其报告称，在分析发布时，这一数字仍未得到确认。

监管机构同样避免将每起事件都归因于 ARTEX。韩国金融监管机构承认可能使用了 AI，但仍在调查攻击的原因和手法。

不同机构暴露的系统也各不相同。新韩银行的事件涉及券商查询服务，而 KB 国民银行的泄露则涉及员工支持平台。

韩亚银行和 BNK 釜山银行报告了其他受影响环境。友利银行和 NH 农协银行确认遭遇攻击尝试，但未确认存在同等规模的数据损失。

时间和基础设施的重叠可以支持同一攻击行动的假设，但并不能自动证明相同的漏洞利用、代理或人员攻破了每一个目标。

“ARTEX AI 黑客攻击”这一说法也可能造成一种错误印象，即某个模型独立选择银行并攻破其防御。现有证据反而描述了一个由人类主导的环境。

攻击者提供提示词、维护服务器、选择工具，并寻求韩国金融信息。AI 似乎在该工作流程中支持了执行和分析。

传统漏洞仍然至关重要。薄弱的身份验证、过度的数据暴露、面向互联网的服务以及可复用的标识符，为这些工具提供了可利用的对象。

如果没有这些条件，更快的扫描器只会产生更多失败请求，而不会导致数据泄露。因此，将这些事件称为 AI 失误，可能会分散人们对基础控制缺口的注意力。

归因仍然存在不确定性。CrowdStrike 以中等置信度评估，该攻击者可能使用中文，并且动机是牟利。

这一判断基于中文提示词、中国开发的工具，以及寻求为被盗信息寻找交易市场的活动。它并未证明存在政府支持，或指向某个具名犯罪组织。

任何负责任的分析都不应将语言线索转化为国家归因。犯罪分子可以使用外语工具、复制的提示词、代理服务器，以及刻意误导的痕迹。

该事件还出现了相互矛盾的受害人数统计。一篇文章称有 119,000 名 KB 国民银行客户受到影响，而该银行及多家当地媒体报道称人数为 119 人。

这一差异说明，泄露规模必须谨慎核实来源。一个被反复传播的数字错误，可能将一起严重事件变成性质截然不同的事件。

因此，最站得住脚的叙述应当更为审慎：至少数家金融机构遭遇了时间相近的攻击；已确认的入侵暴露了敏感个人信息；而支持部分攻击活动的是具备 AI 能力的基础设施。

这一发现已经足够重要，无需将事件描述为自主网络战。准确性有助于防御者聚焦可观察到的技术手法，而不是未经证实的叙事。

监管机构正从边界防护转向协同防御

韩国的应对措施认识到，一项暴露的服务就可能在相互连接的金融行业中产生风险。

金融服务委员会要求各机构立即检查面向外部暴露的系统和服务。该命令特别强调了身份验证弱点、访问控制、未经授权的进入，以及不必要的信息暴露。

监管机构还指示企业共享恶意 IP 地址和其他威胁情报。共享指标可帮助机构封锁已被发现用于攻击其他银行的基础设施。

不过，封锁名单的有效期有限。攻击者轮换服务器和代理地址的速度，可能快于组织召开紧急会议的速度。

更持久的应对方式是比对攻击行为。重复的标识符查询、自动化端点发现、异常请求序列，以及在相关服务之间的快速移动，都可能暴露一场攻击行动。

监管机构还需要审查现有评估是否奖励了正确的结果。新韩银行获得最高防护评级，却未能发现据称导致此次泄露的弱点。

合规审查通常评估治理、政策和广泛的控制覆盖范围。攻击者则专注于那条能够获取数据、却被忽视的路径。

未来的评估需要更深入的技术验证，包括测试真实的外部服务、验证每个端点的身份验证机制，以及检查单一标识符是否能在其他地方解锁信息。

韩国官员还警告了二次诈骗风险。被暴露的数据中并未报告包含密码和一次性验证码，但这并不意味着这些记录毫无危害。

姓名、电话号码、收入数据和贷款额度，能够使冒充行为更具可信度。诈骗者在提供虚假的再融资或赔偿方案时，可以提及真实的财务状况。

10 月 6 日，监管机构启动了为期一个月的特别应对期，并保留延长期限的选择。金融公司被要求为受影响客户开设专门的支持渠道。

消费者诈骗警报警告称，犯罪分子可能冒充银行员工，提供优惠贷款、再融资或泄露赔偿。警报还提醒用户警惕要求预付款或安装应用程序的请求。

监管机构要求各机构利用泄露数据加强欺诈检测系统。它们还计划使用基于 AI 的平台共享和分析语音钓鱼信息。

这形成了一场值得关注的较量。攻击者可以利用 AI 扩大侦察和漏洞利用的规模，银行也可以利用 AI 关联欺诈信号并识别可疑行为。

决定性差异将来自部署速度和数据质量。防御模型无法保护一项无人纳入监控计划、已被遗忘的 Web 服务。

金融机构需要掌握当前的公开端点清单，以及每个端点能够访问的信息。它们还需要维护责任归属记录，说明由谁负责每一项服务。

事件响应同样依赖于易于获取的内部知识。工程和安全团队可从可搜索的知识库中受益，该知识库能够关联服务文档、责任归属和以往的事件处置决策。

在快速发展的攻击行动中，这些记录会变得十分宝贵。响应人员无需从分散文档中重建系统，便可识别受影响的团队和依赖关系。

韩国银行网络攻击还表明，第三方和承包商系统应当接受与核心应用相同的审查。外包开发并不会转移对客户信息的责任。

银行必须核实供应商能够访问哪些数据、其系统如何验证请求，以及临时服务是否会在项目结束后仍然在线。

只有这些检查带来持久改变，监管应对才会成功。紧急扫描能够发现明显暴露，但若缺乏持续的责任归属管理，应用蔓延仍会重现这一问题。

三项信号将显示应对是否奏效

下一阶段将通过技术发现、二次欺诈，以及金融行业监管的永久性变化来衡量。

第一项信号是官方调查对共同基础设施和攻击手法的说明。调查人员需要确定哪些事件共享服务器、标识符、漏洞利用路径或攻击者行为。

如果确认多家银行之间存在关联，将强化这样一个结论：AI 辅助自动化使一名攻击者能够快速攻击多家机构。

如果认定这些入侵彼此无关，ARTEX 的故事就会被收窄。这也将揭示一个更广泛的问题：各自存在漏洞的金融服务。

第二项信号是二次危害的规模。监管机构警告称，被暴露的收入、贷款和身份信息，可能支持个性化语音钓鱼或欺诈性贷款手段。

如果确认发生欺诈，将表明此次泄露的影响已超出保密性范畴。这也将检验银行能否迅速将暴露记录与可疑交易及客户报告关联起来。

没有确认发生欺诈当然值得欢迎，但这并不能消除长期风险。个人信息即使在原始事件淡出新闻头条后，仍可能具有利用价值。

第三项信号是监管机构是否改变金融安全的测试方式。对面向外部暴露系统的一次性检查是一项即时遏制措施，而非持久改革。

更有力的应对措施，需要持续发现公开服务、重复开展身份验证测试，并为每个访问个人信息的应用明确责任归属。

监管机构还应审查安全评级是否反映了真实的抗攻击能力。新韩银行良好的评估历史，使这一问题难以回避。

这场行动还为韩国以外的组织带来了一项警示。AI 驱动的银行攻击并不依赖某种韩国特有的技术栈。

每一家大型企业都在运行次级门户、承包商服务、旧 API 和便利工具。其中任何一个，都可能在不触及防护最严密系统的情况下暴露敏感信息。

安全团队应从一个实际问题开始：哪项面向互联网的服务，能够在未采用主应用控制措施的情况下检索客户或员工数据？

随后，他们应测试这项服务能否抵御持续的自动化发现、枚举和访问尝试。测试应衡量异常行为能否在记录离开系统前被阻止。

韩国银行网络攻击并不能证明自主代理能够毫不费力地攻破现代金融网络。它们揭示的是更直接、更可操作的问题。

据报道，一名攻击者将智能体工具、语言模型与传统基础设施结合使用，在暴露的服务之间快速横向移动。薄弱的身份验证让其余环节几乎不费吹灰之力。

银行无需预测攻击者会使用的每一种模型。它们需要清除那些被忽视的路径——正是这些路径让更快的自动化攻击变得有利可图——随后关注监管机构和调查人员是否确认这些路径正在被堵上。