AI agents στην επίθεση: DeepSeek και Hermes Agent σε δράση

Ένας κινεζόφωνος actor απειλής χρησιμοποίησε έναν πολύπλοκο συνδυασμό agentic AI εργαλείων για να αυτοματοποιήσει μεγάλο μέρος του κύκλου επίθεσης εναντίον υπηρεσιών που εκτίθενται στο διαδίκτυο. Η έρευνα της Unit 42 περιγράφει πώς το DeepSeek λειτούργησε ως κινητήριος νους για τη λήψη αποφάσεων, ενώ το Hermes Agent εκτέλεσε εντολές, χειρίστηκε recon και επικοινωνία μέσω Telegram, και ενεργοποίησε επαναχρησιμοποιήσιμες «δεξιότητες» επιθέσεων.

Το περιστατικό φωτίζει τη μετάβαση από scripts που απλά «βοηθούν» ανθρώπους σε ημι-αυτόνομα συστήματα που μπορούν να ανακαλύψουν, να αξιολογήσουν και να μεταπηδήσουν μεταξύ στόχων με ταχύτητα μηχανής και μικρή ανθρώπινη παρέμβαση. Η έκθεση παρουσιάζει και τα όρια αυτής της προσέγγισης, αλλά και τις προειδοποιήσεις για το πώς θα εξελιχθεί στο εγγύς μέλλον.

Τι αποκάλυψε η διαρροή και πώς εκτέθηκε το σύστημα

Η ορατότητα της έρευνας προέκυψε όταν το Hermes Agent κατά λάθος ξεκίνησε έναν Python HTTP file server από τον κατάλογο εργασίας του επιτιθέμενου, εκθέτοντας τοπικά αρχεία και ρυθμίσεις. Αυτή η «απροσεξία» αποκάλυψε αρχεία ρυθμίσεων, API keys, λίστες στόχων, exploit scripts, ιστορικό shell και logs αυτόνομων συνεδριών επίθεσης — ουσιαστικά τον «εσωτερικό μηχανισμό» της επιχείρησης.

Από αυτά τα δεδομένα έγινε σαφές ότι ο επιτιθέμενος είχε χτίσει ένα περιβάλλον όπου το DeepSeek αποφάσιζε ποια εργαλεία και PoC (proof-of-concept) αξίζει να δοκιμαστούν, ενώ το Hermes Agent ανέλαβε την τεχνική εκτέλεση, τη συντονισμένη επικοινωνία και την εφαρμογή επαναχρησιμοποιήσιμων λειτουργιών όπως LLM jailbreaking και εκμεταλλεύσεις WebSocket.

Πώς συνεργάζονται DeepSeek και Hermes Agent

Το κρίσιμο στοιχείο ήταν ο διαχωρισμός ρόλων: το DeepSeek επιχειρούσε reasoning, δηλαδή αξιολογούσε ευπάθειες με κριτήρια όπως CVSS, έκθεση και πιθανότητα επιτυχίας. Το Hermes Agent ήταν το «σκέλος» εκτέλεσης που μπορούσε να τρέξει εντολές σε terminal, να στείλει και να λάβει εντολές μέσω Telegram και να χρησιμοποιήσει προ-κατασκευασμένες «skills» για κοινές τεχνικές επίθεσης.

Επιπλέον, η υποδομή περιελάμβανε έναν MCP server που μετέφραζε prompts φυσικής γλώσσας σε FOFA queries, δημιούργησε Nuclei scans και εκτέλεσε internet-wide asset discovery. Με αυτόν τον τρόπο, ολόκληρο το reconnaissance pipeline αυτοματοποιήθηκε: από το broad Internet search μέχρι το λεπτομερές σκανάρισμα και την απόφαση για exploit.

Παραδείγματα συνεδριών: Langflow και ο πρώτος αυτοματισμός

Σε μία ανεπτυγμένη συνεδρία του Μαΐου 2026, ο agent κατέβασε αυτόνομα ένα δημόσιο PoC για την ευπάθεια CVE-2026-33017 που αφορά το Langflow και έχει CVSS 9.8. Μέσω FOFA εντόπισε 84 εκτεθειμένες περιπτώσεις Langflow και τις σάρωσε για εύθραυστα χαρακτηριστικά.

Βρήκε έναν host που έτρεχε Langflow 1.3.4, αλλά απέτυχε η εκμετάλλευση επειδή έλειπε η ρύθμιση auto_login και δεν υπήρχε δημόσιο flow ID — προαπαιτούμενα για επιτυχή επίθεση. Αντί να «εμμένει» σε ανεπιτυχή προσπάθεια, ο agent αξιολόγησε αυτομάτως ότι η αξία του στόχου ήταν χαμηλή και pivot-αρε σε άλλες, πιο υποσχόμενες επιθέσεις.

Μαζικός εντοπισμός και επιλογή πιο επικίνδυνων στόχων

Το σύστημα έκανε εκτενή έρευνα σε τουλάχιστον δέκα οικογένειες προϊόντων, σάρωσε το GitHub για trend PoCs του 2026 και αξιολόγησε τους υποψήφιους βάσει σοβαρότητας, έκθεσης και πιθανότητας εκμετάλλευσης. Το αποτέλεσμα ήταν η επιλογή του n8n ως προτεραιότητας μετά τον εντοπισμό περισσότερων από 647.000 εκτεθειμένων instances παγκοσμίως, εκ των οποίων 25.209 στην Κίνα.

Στόχος ήταν οι ευπάθειες CVE-2026-21858 (arbitrary file-read, CVSS 10.0) και CVE-2025-68613 (sandbox bypass, CVSS 9.9), μαζί με ζητήματα που θα μπορούσαν να οδηγήσουν σε remote code execution. Ο agent κατέβασε δημόσιο exploit, εντόπισε τρεις πιθανώς ευάλωτες εκδόσεις και έψαξε για εκτεθειμένα form-upload endpoints που απαιτούνται για την εκμετάλλευση.

Πού σταμάτησαν οι αυτοματοποιημένες εκμεταλλεύσεις

Οι φόρμες που εντοπίστηκαν απαιτούσαν authentication, γεγονός που απέτρεψε την άμεση εκμετάλλευση. Ο agent συνέχισε να σαρώνει πάνω από 50 πρόσθετους στόχους στην Κίνα αλλά δεν βρήκε δημόσια προσβάσιμες φόρμες upload. Έτσι, παρά την ευφυΐα και ταχύτητα, οι περισσότεροι αυτόματοι κύκλοι απέτυχαν λόγω καλών πρακτικών ασφάλειας σε επίπεδο configuration.

Ωστόσο, η αποτυχία των αυτόνομων επιθέσεων δεν αναιρεί την επικινδυνότητα της τεχνικής: ο ίδιος actor φέρεται να πέτυχε επιτυχής χειροκίνητες εκμεταλλεύσεις που προηγήθηκαν ή συνόδευσαν τις αυτόνομες προσπάθειες.

Επιβεβαιωμένες χειροκίνητες επιθέσεις και πιο ανησυχητικές δραστηριότητες

Η Unit 42 ανέφερε ότι ο actor εξήγαγε δεδομένα από τρεις οργανισμούς εκμεταλλευόμενος ευπάθεια στο Citrix NetScaler (CVE-2026-3055) και πέτυχε command execution σε 11 instances του Marimo notebook μέσω CVE-2026-39987. Επιπλέον, καταγράφηκαν απόπειρες για reverse shells σε Apache Tomcat διακομιστές και επιθέσεις σε Windows IKE VPN endpoints.

Τα στοιχεία δείχνουν στοχευμένες κινήσεις: αναζήτηση μέσα σε κλεμμένη μνήμη για cookies τύπου NSC_AAAC που υποδεικνύει προσπάθεια hijack ενεργών συνεδριών, και συνεχόμενη στόχευση ενός δημόσιου οργανισμού στη Μαλαισία με βελτιωμένες παραμέτρους εκμετάλλευσης και χρήση proxy για ανωνυμία. Συνολικά, οι δραστηριότητες φαίνεται να επεκτάθηκαν σε πάνω από 460 συστήματα ανάμεσα σε αυτόματες και χειροκίνητες εκστρατείες.

Τι αλλάζει στην τακτική των επιθέσεων με agentic AI

Η βασική αλλαγή δεν είναι ότι τα εργαλεία πλέον κάνουν απλώς πιο πολύπλοκα scans — είναι ότι μπορούν να λάβουν αποφάσεις, να αξιολογήσουν «επιστρέψιμες» στρατηγικές και να pivot-άρουν χωρίς ανθρώπινη παρέμβαση. Αυτό σημαίνει μεγαλύτερη ταχύτητα, μεγαλύτερο πλήθος στόχων και την ικανότητα να δοκιμάζουν πολλαπλά exploit chains προτού ζητήσουν ανθρώπινη επιβεβαίωση.

Παρά ταύτα, τα φρένα παραμένουν: σωστές ρυθμίσεις, authentication requirements και μη εκτεθειμένα interfaces μπορούν να μπλοκάρουν τις αυτόματες προσπάθειες. Το πραγματικό ρίσκο αυξάνεται όταν οι ίδιοι agents συνδυαστούν με καλά γραμμένες chains, private zero-days ή μεθόδους για να παρακάμψουν authentication—σενάρια που δεν είναι θεωρητικά απίθανα κατά το προσεχές διάστημα.

Τι πρέπει να κάνουν οι οργανισμοί σήμερα

Η πρώτη και απλούστερη απάντηση είναι απροειδοποίητα, αλλά ουσιώδη πράγματα: επιταχύντε τα patching cycles για internet-facing συστήματα, απενεργοποιήστε ή περιορίστε μη-επιβεβλημένες δημόσιες διοικητικές διεπαφές και εφαρμόστε authentication/authorization όπου χρειάζεται, ειδικά σε φόρμες upload και workflow automation πλατφόρμες.

Επιπλέον, οργανισμοί πρέπει να διαθέτουν συνεχή inventory εκτεθειμένων assets, να παρακολουθούν FOFA-τύπου reconnaissance και συμπεριφορές όπως μαζικές ελέγχους εκδοχών, δημόσια PoC scanning ή pattern-based Nuclei traffic. Τεχνικές άμυνας που λειτουργούν καλά σε αυτό το περιβάλλον περιλαμβάνουν WAFs με κατάλληλες υπογραφές, rate limiting, multifactor authentication, network segmentation, EDR με detection για suspicious command execution και honeypots για early warning.

Η ανάγκη για threat intelligence και αυτοματισμό άμυνας

Καθώς οι επιθέσεις γίνονται πιο αυτοματοποιημένες, πρέπει να αυξηθεί και ο βαθμός αυτοματισμού της άμυνας. Αυτό σημαίνει ενσωμάτωση threat intelligence feeds σε SIEM/SOAR, ταχεία εφαρμογή indicators of compromise (IoCs), και αυτοματοποιημένες ρουτίνες έκτακτης αντιμετώπισης για κοινές εκμεταλλεύσεις. Η κοινή χρήση δεδομένων μεταξύ SOCs, ειδικά για νέες τεχνικές που αξιοποιούν AI agents, θα μειώσει το παράθυρο έκθεσης.

Επιπλέον, οι οργανισμοί θα ωφεληθούν από το να «διδάξουν» τις ομάδες τους να αναγνωρίζουν patterns αναγνώρισης FOFA-τύπου, μαζικών PoC downloads και ασυνήθιστων queries στο GitHub, τα οποία πλέον μπορεί να σηματοδοτούν την πρώτη φάση μιας ημι-αυτόνομης εκστρατείας.

Τι σημαίνει για τους τελικούς χρήστες και τη μεσαία ασφάλεια

Για τον απλό χρήστη ή τον διαχειριστή μικρών και μεσαίων επιχειρήσεων, το μήνυμα παραμένει απλό αλλά κρίσιμο: η έκθεση υπηρεσιών στο διαδίκτυο χωρίς σωστή ρύθμιση είναι το «μαγνήτιο» για αυτοματοποιημένους επιτιθέμενους. Απλά βήματα όπως ενημερώσεις, ισχυροί κωδικοί, MFA και απενεργοποίηση μη απαραίτητων public endpoints μειώνουν δραστικά την επιφάνεια επίθεσης.

Σε ευρύτερο επίπεδο, η μετάβαση σε agentic AI επιθέσεις αναδεικνύει την ανάγκη για συνεχή εκπαίδευση προσωπικού ασφαλείας, επένδυση σε threat intelligence, και ανάπτυξη δομής αυτοματοποιημένης άμυνας. Οι οργανισμοί που θα καταφέρουν να συνδυάσουν γρήγορο patching, παρακολούθηση εκθέσεων assets και αυτοματοποιημένες διαδικασίες απόκρισης θα είναι σε καλύτερη θέση να αντιμετωπίσουν την επόμενη γενιά αυτόνομων επιθέσεων.