[{"data":1,"prerenderedAt":30},["ShallowReactive",2],{"nr-de-chinese-hacker-deepseek-autonomous-cyberattacks":3},{"slug":4,"title":5,"dek":6,"date":7,"time":8,"publishedAt":9,"updated":10,"updatedAt":10,"dateFmt":11,"updatedFmt":10,"kind":12,"tier":13,"author":14,"authorName":15,"topics":16,"tracker":22,"trackerLabel":23,"headlineStat":24,"image":25,"ogImage":26,"imageAlt":5,"csv":10,"minutes":27,"words":28,"html":29},"chinese-hacker-deepseek-autonomous-cyberattacks","Chinesischer Hacker nutzte DeepSeek für autonome Cyberangriffe","Forscher von Palo Alto Networks dokumentieren erstmals den Einsatz von KI-Agenten für automatisierte Angriffe. Ein Fehler des Angreifers offenbarte die gesamte Infrastruktur.","2026-08-03","18:17","2026-08-03T18:17:00+02:00","","3. August 2026","news","standard","ideal-syka","Ideal Syka",[17,18,19,20,21],"Cyberangriffe","KI-Sicherheit","DeepSeek","Autonome Systeme","Schwachstellenmanagement","\u002Fki-status","KI-Sicherheit & Missbrauch","647.000 exponierte n8n-Server weltweit identifiziert","\u002Fnewsroom\u002Fimg\u002Fchinese-hacker-deepseek-autonomous-cyberattacks.webp","\u002Fog-nr\u002Fchinese-hacker-deepseek-autonomous-cyberattacks.de.png",3,515,"\u003Cp>Eine chinesische Hackergruppe hat KI-Modelle wie DeepSeek systematisch für autonome Cyberangriffe auf verwundbare Server eingesetzt – ohne dass ein Mensch ständig eingreifen musste. Das berichten Forscher von Palo Alto Networks' Unit 42. Der Angreifer operierte unter den Aliasen "knaithe" und "KnYuan" und nutzte einen sogenannten \u003Cstrong>Hermes Agent\u003C\u002Fstrong> mit DeepSeek als Reasoning-Engine. Ein Konfigurationsfehler des Angreifers offenbarte schließlich die komplette Infrastruktur und ermöglichte den Sicherheitsforschern, das volle Ausmaß der Operation zu analysieren.\u003C\u002Fp>\n\u003Ch2>Kurz & knapp\u003C\u002Fh2>\n\u003Cul>\n\u003Cli>\u003Cstrong>Hermes Agent mit DeepSeek\u003C\u002Fstrong>: Der KI-Agent führte autonome Schwachstellenscans durch, lud Exploit-Code von GitHub herunter und startete Angriffe ohne weitere menschliche Eingaben\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Mehrere LLMs im Einsatz\u003C\u002Fstrong>: Neben DeepSeek kamen Qwen, GLM, Kimi und MiniMax zum Einsatz; westliche Modelle wie Claude Code wurden laut Forschern nur begrenzt getestet\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Massive Zielerfassung\u003C\u002Fstrong>: Der Agent identifizierte über \u003Cstrong>647.000 internet-exponierte n8n-Server\u003C\u002Fstrong> weltweit, davon über 25.000 in China\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Keine erfolgreichen Kompromittierungen\u003C\u002Fstrong>: Trotz autonomer Angriffe gelang es dem Agent nicht, tatsächlich in Systeme einzubrechen\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ch2>So funktionierte der automatisierte Angriff\u003C\u002Fh2>\n\u003Cp>Nach Anweisungen über Telegram arbeitete der Agent völlig eigenständig. Er durchsuchte internet-erreichbare Systeme mit der FOFA-Suchmaschine, lud öffentlich verfügbare Exploits herunter und führte Angriffe durch – alles ohne weitere Operator-Eingaben. \u003C\u002Fp>\n\u003Cp>In einer dokumentierten Session zielte der Agent auf eine Langflow-Schwachstelle (CVE-2026-33017, CVSS 9.8) ab. Der Agent fand \u003Cstrong>84 exponierte Langflow-Server\u003C\u002Fstrong>, konnte aber keinen erfolgreich ausnutzen, weil die erforderliche Konfiguration nicht aktiviert war. DeepSeek bewertete das Ziel daraufhin als "niedrig-wertig" und wechselte die Strategie.\u003C\u002Fp>\n\u003Cblockquote>\n\u003Cp>"This autonomous process of target identification, sampling and narrowing of scope is notable because the system executed hundreds of hours of manual targeting analysis in mere minutes, while also managing its own compute resources," schrieb Unit 42.\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Ch2>Intelligente Zielauswahl durch KI\u003C\u002Fh2>\n\u003Cp>Der Agent analysierte dann öffentliche Exploit-Repositories und wählte \u003Cstrong>n8n\u003C\u002Fstrong> (Workflow-Automatisierungsplattform) als nächstes Ziel – weil FOFA über 647.000 exponierte Instanzen weltweit zeigte. Der Agent kombinierte zwei Schwachstellen: CVE-2026-21858 (Arbitrary File Read, CVSS 10.0) und CVE-2025-68613 (Sandbox Escape mit RCE, CVSS 9.9). Er erkannte, dass Version 1.117.3 von n8n beide Fixes noch nicht enthielt und daher verwundbar war.\u003C\u002Fp>\n\u003Cdiv class=\"tbl-scroll\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>Aspekt\u003C\u002Fth>\n\u003Cth>Details\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\u003Ctr>\n\u003Ctd>\u003Cstrong>Primäres Modell\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>DeepSeek (als Reasoning Agent)\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>Weitere LLMs\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>Qwen, GLM, Kimi, MiniMax\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>Suchmaschine\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>FOFA\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>Exploit-Quelle\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>GitHub\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>Kommunikation\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>Telegram\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>Erfolgreiche Kompromittierungen\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>Keine dokumentiert\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>Diese Fähigkeit ist bemerkenswert: Der Agent führte in wenigen Minuten Analysen durch, die manuell hunderte Stunden gedauert hätten – und verwaltete dabei auch noch seine eigenen Rechenressourcen.\u003C\u002Fp>\n\u003Ch2>Was das für dich bedeutet\u003C\u002Fh2>\n\u003Cp>Dieser Fall zeigt, dass \u003Cstrong>Frontier-Modelle außerhalb westlicher Kontrolle\u003C\u002Fstrong> nicht nur für Entwicklung, sondern auch für Angriffsorchestration genutzt werden. Für deutsche Unternehmen relevant: Die Automatisierung von Schwachstellensuche und Exploit-Auswahl reduziert die Einstiegshürde für Cyberangriffe massiv. Während in diesem Fall keine erfolgreichen Kompromittierungen dokumentiert wurden, demonstriert die Methodik, dass KI-gestützte Angriffe skalierbar und schwer zu verhindern sind – besonders wenn sie auf öffentlich verfügbare Exploits und Suchmaschinen zugreifen. Unternehmen sollten davon ausgehen, dass solche autonomen Scanning- und Exploit-Versuche bereits Routine sind.\u003C\u002Fp>\n\u003Ch2>Quellen\u003C\u002Fh2>\n\u003Cul>\n\u003Cli>\u003Ca href=\"https:\u002F\u002Fwww.helpnetsecurity.com\u002F2026\u002F08\u002F03\u002Fdeepseek-ai-autonomous-cyberattacks-hermes-agent\u002F\">Help Net Security\u003C\u002Fa>\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003Cem>Redaktionell verantwortet von \u003Ca href=\"\u002Fautor\u002Fideal-syka\">Ideal Syka\u003C\u002Fa>. Quellen und Arbeitsweise: \u003Ca href=\"\u002Fredaktion\">Redaktion & Methode\u003C\u002Fa>. Hinweise und Korrekturen: \u003Ca href=\"mailto:ai@i6eal.de\">ai@i6eal.de\u003C\u002Fa>.\u003C\u002Fem>\u003C\u002Fp>\n",1785779710356]