Kinesiske statsstøttede hackere skalerer angrep med DeepSeek
Kinesiske statsstøttede hackergrupper har doblet angrepsvolumet ved å delegere rekognoseringsarbeid og utvikling av skadelig programvare til DeepSeek, ifølge ny forskning fra taiwanske trusseletterretningsfirmaet TeamT5. Funnene er bemerkelsesverdige ikke fordi et sofistikert nytt verktøy har dukket opp, men fordi det motsatte er tilfellet: hackere får gjort mer med en billig, svakt begrenset AI-modell i stedet for en banebrytende en.
TeamT5s forskning beskriver et mønster der statslenkede grupper delegerer de repetitive, tidkrevende delene av et angrep – å kartlegge et målnettverk, utarbeide utnyttelseskode og skrive malware-varianter – til DeepSeek, i stedet for å håndtere arbeidet manuelt. Fordi DeepSeek pålegger minimale sikkerhetsrestriksjoner og er billig å kjøre i stor skala, kan hackergrupper generere store volumer av rekognosering og ondsinnet kode uten friksjonen som mer tungt bevoktede kommersielle AI-modeller vanligvis medfører. Resultatet, ifølge TeamT5, er at disse gruppene nå gjennomfører mer enn dobbelt så mange angrep som før de begynte å bruke verktøyet på denne måten.
Hvorfor svake sperrer betyr mer enn rå styrke
Den konvensjonelle antakelsen i cybersikkerhetsmiljøer har vært at mer kapable AI-modeller utgjør den største trusselen, siden de kan resonnere gjennom komplekse angrepskjeder og produsere mer overbevisende resultater. TeamT5s funn snur denne forventningen. Det som betyr mest for angripere som driver storskala operasjoner, er ikke nødvendigvis den smarteste modellen – det er den som gjør det som blir bedt om uten motstand, og som ikke ruinerer operasjonen i stor skala. DeepSeek oppfyller begge kriteriene: den er relativt kapabel, den er billig å spørre gjentatte ganger, og den bruker ikke samme nivå av innholdsfiltrering som vestlige AI-laboratorier har bygget inn i sine kommersielle produkter.
Dette er ikke første gang forskere har dokumentert at statslenkede kinesiske aktører bruker AI-verktøy for å akselerere operasjoner. Tidligere rapportering om kinesiske hackere som bruker åpen kildekode-AI i et angrep på Taiwan beskrev det forskere kalte et fullstendig autonomt, ende-til-ende AI-drevet cyberangrep rettet mot Taiwans regjering. TeamT5s nye rapport tyder på at dette mønsteret ikke er en isolert hendelse, men en del av et bredere skifte mot at AI-assisterte operasjoner blir standard praksis for disse gruppene, med DeepSeek som i økende grad fungerer som arbeidshesten bak kulissene.
Personverninnsatsen for hverdagsbrukere og organisasjoner
Å doble angrepsvolumet betyr ikke nødvendigvis å doble sofistikasjonen, men det betyr at flere mål blir rammet, mer rekognosering blir utført på flere nettverk, og flere tilpassede malware-varianter blir produsert for å snike seg forbi forsvar. For organisasjoner oversettes dette til en høyere sannsynlighet for å bli skannet, soniert eller målrettet, selv om de ikke er et oppsiktsvekkende mål. For enkeltpersoner er bekymringen mindre direkte, men fortsatt reell: statslenkede grupper som bruker AI til å skalere rekognosering, går ofte ikke bare etter offentlige nettverk. Journalister, aktivister og forskere har historisk vært mål for kinesisk statslenket digital spionasje, som dokumentert i rapportering om en Kina-støttet spionasjekampanje rettet mot journalister og aktivister. Verktøy som gjør rekognosering og malware-skapelse billigere og raskere, senker barrieren for å utvide slik målretting til en bredere gruppe mennesker.
Bruken av en forbrukervendt AI-modell som DeepSeek reiser også et separat personvernspørsmål: hvor mye data flyter gjennom disse systemene, og hvem kan ha tilgang til søkelogger eller bruksmønstre. Mens TeamT5s forskning fokuserer på hvordan hackere bruker verktøyet offensivt, er den bredere implikasjonen at AI-plattformer med løse sikkerhetskontroller blir innebygd i trusselaktørers arbeidsflyter, og det er en trend sikkerhetsteam må følge nøye fremover.
Hva dette betyr for deg
De fleste lesere vil ikke være direkte mål for kinesiske statsstøttede hackergrupper, men den bredere trenden betyr likevel noe. AI-assisterte angrep har en tendens til å øke det rene volumet av phishing-forsøk, skanneaktivitet og malware-varianter som sirkulerer på nettet, noe som øker oddsen for at grunnleggende sikkerhetshygiene blir testet oftere. Journalister, aktivister, forskere og alle som jobber med temaer relatert til Kina, bør være spesielt oppmerksomme, gitt den dokumenterte historien med målrettede spionasjekampanjer mot disse gruppene.
Praktiske tiltak forblir de samme uansett hvordan angrep genereres: hold programvare og operativsystemer oppdatert, bruk sterke og unike passord med en passordbehandler, aktiver flerfaktorautentisering der det er mulig, og vær skeptisk til uoppfordrede meldinger eller vedlegg, selv de som ser uvanlig polerte ut. AI-verktøy kan gjøre malware og phishing-innhold mer overbevisende og mer rikelig, men de endrer ikke grunnleggende hva som holder kontoer og enheter sikre.
Ettersom AI-modeller med svake sikkerhetskontroller fortsetter å senke kostnadene ved å kjøre storskala cyberoperasjoner, kan vi forvente at flere trusseletterretningsfirmaer rapporterer lignende funn. Å holde seg informert om hvordan disse verktøyene brukes, og opprettholde konsistente sikkerhetspraksiser, forblir det mest pålitelige forsvaret som er tilgjengelig for både enkeltpersoner og organisasjoner.



 viste den samme konsentrasjonen av risiko i mye brukt, selvadministrert programvare.
## En Belønning på 10 Millioner Dollar og en AI-modell Under Gransking
Denne ukens bulletin flagget også en belønning på 10 millioner dollar knyttet til en pågående nettkriminalsak. Store økonomiske belønninger for informasjon om hackere har blitt et tilbakevendende verktøy for å oppmuntre til tips og forstyrre kriminelle operasjoner, og størrelsen deres signaliserer hvor alvorlig myndighetene behandler den underliggende trusselen.
Ved siden av det dekker oppsummeringen et sikkerhetsangrep som påvirker GLM-5.3, en AI-modell. AI-systemer er i økende grad vevd inn i hverdagslige arbeidsflyter, fra kodeassistenter til kundeserviceboter, og det gjør dem til et voksende mål. Et angrep mot en spesifikk modell er et signal om at sikkerhetsforskningsmiljøet nå behandler store språkmodeller på samme måte som tradisjonell programvare: noe som skal undersøkes, testes og patcheres. Lesere som fulgte en [tidligere ThreatsDay-oppsummering om AI-hacking, hundrevis av Chrome-feil og SonicWall-hendelser](/en/threatsday-roundup-ai-hacking-370-chrome-bugs-sonicwall-hits) vil kjenne igjen dette som en del av et bredere skifte der AI-infrastruktur nå er fast del av angrepsoverflaten, ikke bare et produktivitetsverktøy som står på sidelinjen.
## Hva Dette Betyr for Deg
De fleste som leser en ThreatsDay-oppsummering kjører ikke en Gogs-server eller bygger n8n-arbeidsflyter til livets opphold, men den underliggende lærdommen gjelder fortsatt bredt. Ethvert verktøy som lagrer dataene dine, automatiserer en prosess på dine vegne, eller kobler til en AI-modell, er et potensielt eksponeringspunkt. Hvis du eller organisasjonen din selvhostet utviklerverktøy som Gogs, behandle versjonsoppdateringer som kritiske snarere enn valgfrie, spesielt når en RCE er involvert. Hvis du er avhengig av automatiseringsplattformer som n8n for å koble sammen e-post, skylagring eller kundedatabaser, gjennomgå hvem som har tilgang til å opprette eller redigere arbeidsflyter, siden en kompromittert arbeidsflyt stille kan bli en bakdør. Og hvis virksomheten din har begynt å integrere AI-modeller i produkter eller interne verktøy, hold et øye med leverandørens sikkerhetsmeldinger på samme måte som du ville gjort for enhver annen programvareavhengighet.
Personvernrisikoen her er reell, selv om den er indirekte. Et kompromittert Git-bibliotek kan lekke kildekode og innebygde legitimasjoner. En kapret automatiseringsarbeidsflyt kan stille eksfiltrere kundedata. En utnyttet AI-modell kan manipuleres til å avsløre informasjon den ikke burde. Ingen av disse krever et oppsiktsvekkende datainnbrudd for å forårsake skade; de krever bare at noen ikke patcher i tide.
## Tiltak Du Kan Handle På
Denne ThreatsDay-oppsummeringen er et nyttig sjekkpunkt snarere enn en grunn til panikk. Hvis den gjelder din stack, oppdater Gogs til den nyeste patchede utgivelsen, revider n8n-arbeidsflytene og tillatelsene dine, og sjekk om noen AI-verktøy du bruker har utstedt veiledning knyttet til GLM-5.3. Mer bredt: behandle selvhostede og automatiserte verktøy like seriøst som du behandler operativsystemet ditt når det gjelder patchhåndtering. Å holde seg oppdatert på oppsummeringer som denne er en av de enkleste måtene å fange opp et løsbart problem før det blir et dyrt et.](/api/img?p=articles%2F6767%2Fimage-0.jpg&w=640)
