Palo Alto Networks Unit 42 研究：AI 让低技能攻击者通过对话获取跨领域犯罪专业知识

Palo Alto Networks 旗下威胁研究团队 Unit 42 在 2026 年 10 月 21 日发布了一份针对网络攻击者「BUGSTER」的取证报告。报告的核心论点不是 AI 让攻击更快或更便宜——这一点 CrowdStrike 和 Microsoft 此前的研究已经充分说明——而是 AI 充当了可对话的领域专家顾问，使一个原本缺乏相关技能的攻击者能够横跨多种需要不同专业知识的犯罪类型。

报告中最具说明力的案例是 VoIP 电信欺诈的规划过程。Unit 42 观察到，该攻击者使用 Hermes Agent 框架中名为 alice 的专用配置文件，以 DeepSeek V4 为推理引擎，通过对话逐步学习如何搭建一个欺诈性语音通信业务。DeepSeek 提供的建议包括：如何在怀俄明州或特拉华州以非美国居民身份注册公司并获取雇主识别号、如何完成美国联邦通信委员会（FCC）的注册、如何与合法 VoIP 运营商签订呼叫路由合同、以及如何将约 70% 的合法呼叫流量与 30% 的欺诈流量混合以避开运营商合规审计阈值。模型还覆盖了绕过 STIR/SHAKEN 来电身份验证框架的技术和主叫号码伪造方法。

值得注意的是，Unit 42 明确表示该 VoIP 欺诈业务仍处于规划或早期搭建阶段——没有通话记录、SIP 信令痕迹或活跃的路由配置。但攻击者已经通过对话获得了完整的犯罪商业模型知识，包括收入模式（通过欺诈流量产生话费欺诈收入）和成本优化策略（最低成本路由跨运营商层级优化每分钟成本）。一个此前不具备电信行业知识的攻击者，通过与一个安全限制被禁用的模型对话，就获得了通常需要多年行业经验才能积累的运营专业知识。

在技术执行层面，同一攻击者还利用 AI 生成的脚本对印度一所大学的在线教育平台实施了四阶段凭证攻击：子域名枚举识别出 12 个子域名，WordPress REST API 枚举提取了 13 个含真实姓名的活跃用户 ID（绕过了 Cloudflare Web 应用防火墙），随后用 AI 生成的暴力破解工具以 117 个用户名和 28 个常见密码组合进行定向攻击，最终确认了一个有效登录凭证。对另一所印度公立大学，攻击者窃取了超过 5200 条包含学生和教师个人身份信息的数据库记录。

Unit 42 还发现该攻击者维护了自动化的 Wi-Fi 密码破解管线——将标记为 Pi 的 Kali Linux 设备放置在目标网络物理范围内捕获 WPA 认证材料，通过 SSH 隧道传回服务器后分发至 Vast.ai 云 GPU 实例进行破解，结果通过 Discord webhook 自动回报。此外，攻击者通过 DeBank API 抓取了前 500 名以太坊持有者和主要代币持有者数据，记录了 45 名加密货币巨鲸的净资产信息，Unit 42 评估这些侦察数据可能用于未来定向攻击，但未观察到后续活动。

报告指出，多个不相关的攻击者正在独立采用相同的 Hermes + DeepSeek 组合。Unit 42 评估其主要驱动因素是低安全摩擦和低成本的结合：DeepSeek 模型价格低廉、易于获取，且通过简单的系统提示词覆盖即可绕过安全限制。该攻击者的测试脚本显示，他们曾尝试 GLM 5.2（智谱 AI 的开放权重模型）和其他通过 OpenRouter 访问的模型，最终选择了 DeepSeek V4 作为运营后端。

这一发现的边界需要谨慎对待。首先，这是单一攻击者的操作环境观察，虽然 Unit 42 表示有独特可见性，但无法据此推断整体犯罪格局已发生结构性转变。其次，VoIP 欺诈仍停留在规划阶段，实际经济损失尚未发生。第三，研究方 Palo Alto Networks 本身销售安全产品，报告中列出了多项对应产品的防护能力，存在商业推广背景。第四，Unit 42 自己也承认该攻击者「明显笨拙」，部分操作质量不高——AI 降低了技能门槛，但并未将该攻击者提升为高水平对手。

尽管如此，Unit 42 的论证提供了一个与「AI 加速已知攻击」不同的解释维度：当大语言模型的安全控制被绕过时，它不仅是代码生成器或自动化脚本的编写工具，而是一个可以就任何领域提供步骤化指导的顾问。对网络犯罪而言，这意味着一个攻击者不再需要在不同犯罪类型之间选择，因为每种类型所需的专业知识都可以通过对话即时获取。