# Anthropic 分析 832 个 AI 恶意账户：中高风险攻击者半年从 33% 跃至 56%

- 来源：Anthropic：Research（发表成果 · 网页）
- 发布时间：2026-06-03 17:51
- AIHOT 分数：69
- AIHOT 标记：精选
- AIHOT 链接：https://aihot.virxact.com/items/cmpxvzm7o00jqsliwbt1hnvae
- 原文链接：https://www.anthropic.com/news/AI-enabled-cyber-threats-mitre-attack

## 精选理由

这份报告用一整年的真实案例揭示了AI攻击正从初始入侵转向深度潜伏，连MITRE ATT&CK框架都开始跟不上。安全从业者值得一读，它告诉你下一波威胁长什么样。

## AI 摘要

Anthropic 分析 2025 年 3 月至 2026 年 3 月间 832 个被封禁的恶意账户，映射至 MITRE ATT&CK 框架。67.3% 使用 AI 编写恶意软件，6.5% 用于横向移动。六个月间中高风险攻击者占比从 33% 升至 56%。AI 用于账户发现增长 8.9%，AI 辅助钓鱼下降 8.6%。传统基于技术数量或平台（Claude Code、API、聊天界面）的威胁评估失效，而 MITRE ATT&CK 框架尚未收录此类智能体编排行为。

## 正文

随着人工智能改变网络攻击的性质和手段，安全社区所使用的技术和框架是否依然有效？

在一份新报告中，我们试图回答这个问题。我们研究了 2025 年 3 月至 2026 年 3 月期间因恶意网络活动被封禁的 832 个账号，并将其映射到 MITRE ATT&CK（一个长期存在的网络攻击者战术与技术数据库）上。我们将部分结果发布在 Verizon 的《2026 年数据泄露调查报告》（DBIR）中，并在此分享更详细的分析。这 832 个案例只是该期间被封禁账号总数的一部分，但它们代表了那些我们有足够细节来对攻击者技术进行彻底评估的案例。

我们的分析得出了三个主要结论：

恶意行为者正在以使其更具危险性的方式使用人工智能。更具体地说，威胁行为者正在其网络行动的后期、更复杂阶段使用人工智能。

网络攻击正变得更加自主，而人工智能可用于将攻击的许多环节串联起来，这一事实意味着过去区分高风险与低风险行为者的方法已不再那么有效。

MITRE ATT&CK 框架并未完全涵盖那些使人工智能驱动的攻击者如此危险的工具和活动。

下面我们提供每个结论的摘要。您可以在我们的前沿红队博客上阅读更详细的分析。

人工智能如何让攻击者更具危险性

我们数据库中最常见的人工智能驱动活动与网络攻击准备相关，例如编写恶意软件（在我们研究的 832 个账号中，有 560 个（即 67.3%）为此目的使用了人工智能）。较少一部分行为者将人工智能用于更复杂的活动——例如，832 个行为者中有 54 个（6.5%）使用人工智能辅助“横向移动”，这涉及在被攻破的网络深处进行导航。

我们发现了与人工智能被用于提升攻击者威胁等级相一致的证据。在我们分析的前六个月期间，33% 的行为者被我们的风险评分系统归类为中等风险或更高。但到了后六个月期间，这一比例跃升至 56%——大约增长了 1.7 倍。

在我们研究的整个时期内，攻击者对 AI 的使用，已从获取系统初始访问权限的技术，转向进入系统后实施的活动。例如，利用 AI 进行账户发现——即在被攻破的环境中识别有效账户——增长了 8.9%，而 AI 辅助的网络钓鱼——一种常见的获取系统访问权限的技术——则下降了 8.6%。这表明攻击者正越来越多地将 AI 应用于攻击生命周期的更深阶段。

这类“攻破后”技术过去仅限于具备相应技术知识的攻击者才能实施。我们的调查显示，如今可以让 AI 代表技术能力较弱的攻击者来执行这些活动。

为何评估攻击者威胁等级变得更加困难

安全团队如何评估网络攻击者的风险等级？传统上，他们依据攻击者使用了多少种不同技术、使用了哪些工具或界面等信息。但我们的分析表明，这些信号已无法准确描绘特定威胁行为者的风险等级。

既然 AI 可以代表攻击者执行高度技术性的任务，那么攻击者的技能水平与其使用的技术数量之间几乎不存在相关性：在我们的数据集中，技能最弱的攻击者平均使用约 16 种不同技术，而技能最强的攻击者则使用约 20 种。同样，所使用的具体平台——Claude Code、API 或聊天界面——也与攻击者的风险等级无关。

通常有助于区分高风险攻击者的因素，是他们在攻击生命周期的哪个阶段应用 AI。例如，他们将 AI 集中在操作要求更高的技术上——即那些需要大量时间、监督或实时决策才能执行的技术——如账户发现、横向移动和权限提升，而不仅仅是那些让他们获得系统初始访问权限的任务。

但即便是这一信号也已在逐渐削弱：正如上一节所讨论的，随着更多行为者被归类为更高风险，这些操作技术恰恰是更广泛群体正在趋同的方向。更具持久性的区分因素是攻击者在模型周围构建的脚手架类型：高风险行为者设计的架构能让模型将网络攻击的各个离散阶段串联起来，并在最少人工输入的情况下执行。

安全框架为何需要变革

许多区分最高风险行为者的行为——例如利用AI按顺序编排攻击链中的各个步骤、实时决策下一步行动、以及在无人干预下执行——尚未被纳入MITRE ATT&CK框架的攻击者技术类别中。

以我们于2025年11月挫败的那起国家支持的网络间谍行动为例。在那起事件中，一名恶意行为者操纵Claude Code试图渗透全球各地的目标，且几乎无需人工干预。对照MITRE ATT&CK框架进行映射后发现，该行为者使用了横跨13种战术的30项技术，这与我们数据集中许多中等风险行为者相当。显然，仅关注该行为者所使用的技术数量，会低估其真正的危险性（相比之下，将我们的风险评分方法应用于此次攻击，其风险评分达到最高值100分）。

在那次攻击中，模型以自主智能体的方式运作：它执行命令、利用漏洞、窃取凭证并做出战术决策，仅在少数关键节点需要人工输入。目前ATT&CK框架中并没有针对这种智能体编排的ID——然而，随着AI智能体能力不断增强，这些恰恰是我们预计会越来越多地看到的行为。

展望未来

这项分析的结果为我们构建模型中的安全防护措施提供了参考。例如，我们已在最先进的模型上开发并部署了网络安全防护机制，用于检测并拦截本次研究中发现的部分活动，例如开发恶意软件或大规模数据窃取。继与 Verizon 的合作之后，我们目前正与 MITRE 讨论 ATT&CK 框架应如何演进，以纳入我们观察到的、由 AI 驱动的行为模式。

前沿模型正在迅速改变攻击者和防御者双方可用的工具。我们致力于帮助防御者领先于这些不断演变的战术，并优先将最强大的工具交到防御者手中。我们将继续分享从 Project Glasswing、从我们在此收集的数据集以及从其他网络安全活动中所获得的经验。

在我们的 Red 博客文章中，我们分享了一个关于攻击者所用技术的交互式可视化展示，旨在帮助防御者领先于 AI 驱动的威胁。

推出 Claude for Teachers

Anthropic 承诺向加拿大 AI 研究投入 1000 万美元